[发明专利]基于网络动力学演化策略的图像分割方法

说明书

技术领域

本发明涉及一种基于网络动力学演化策略的图像分割方法，属于图像处理技术领域。

背景技术

图像分割是图像处理技术中的一项关键技术，它是指根据图像的灰度、颜色、纹理和形状等特征将图像划分成若干个互不交迭的区域，相同区域具有相似的特征，而不同区域间特征表现出明显的差别。图像分割是图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。

目前，图像分割广泛应用于医学、遥感、图像处理、智能交通及计算机视觉等领域。近年来，基于图论的图像分割技术，由于其良好的分割特征，成为国际上一个新的研究热点，将图像模型表示成图论中的网络图，利用图论的相关特征并结合有关技术，通过对网络图进行一系列的操作和计算处理，完成对图像的分割。基于图论的图像分割方法，其关键是如何将图论中的图与图像之间对应起来，如何用图论的方法来进行分类。常见的方法有：图切割、归一化切分、随机游走、智能剪等，这些方法都是利用图论的拓扑结构及其性质来进行研究，没有用到网络的动力学行为，网络的动力学行为，特别是非线性动力学，已经渐渐发展成为了分析和研究复杂网络的基本工具之一，其研究的核心在于复杂网络上的各种动力学行为对整个网络的结构和性质有什么影响，是如何影响的。

网络的耦合同步过程是复杂网络动力学行为的主要研究内容之一，通过对耦合同步动力学过程的研究，人们发现在不同的耦合强度下，网络的同步能力是不同的。通过调节耦合强度，网络中的节点就会出现集群现象，从而实现节点的集群效果。因此，可以将图像分割问题转化成网络节点聚类问题，通过对网络动力学行为进行研究，实现网络节点的聚类，从而实现图像的分割。

陕西师范大学申请的专利“一种基于图论和半监督学习相结合的图像分割方法”(专利申请号201510906391.8，公布号CN 105608690 A)。该方法的实现过程为，首先利用核主成分分析法将数据映射到核空间里面，然后将图像二值化后分割成一定数量的区域块，将分割后每一个图像区域视为一个节点，然后通过半监督学习方法进行多角度数据的获取、预测矩阵的建立、训练模型的构建以及图像的分割。该方法存在的不足之处是虽然在进行图论模型的建立之前对图像进行了预处理，分割成一定数量的区域块，但是在具体分割过程中，需要构造训练集，利用所得的训练模型对未分类图像进行分割，训练模型的构造无形中增加了算法的时间复杂性，同时，在该方法中，训练集构造的好坏在一定程度上影响图像分割的效果，对不同类型的图像，构造的训练集也要有所不同，这也增加了算法的复杂性。

发明内容

本发明所要解决的技术问题是：提供一种基于网络动力学演化策略的图像分割方法。

解决上述技术问题，本发明所采用的技术方案如下：

一种基于网络动力学演化策略的图像分割方法，其特征在于：所述的图像分割方法包括：

步骤S1、像素点特征提取步骤：

采用滑窗法逐个像素点提取被分割图像的灰度共生矩阵，并对所述被分割图像进行三层非下采样小波分解，以提取所述被分割图像的每个像素点的小波能量特征；并且，将所述被分割图像的每个所述像素点的灰度共生矩阵和小波能量特征合并成一个矩阵，作为该像素点的特征；

步骤S2、预分割步骤：

对所述被分割图像采用分水岭算法进行预分割，得到多块不规则的区域块；

步骤S3、区域块特征获得步骤：

计算属于同一所述区域块内的全部像素点的特征的算术平均值，作为该区域块的特征；

步骤S4、按照下式计算任意两个所述区域块之间的相似度：

其中，i和j表示所述步骤S2分割得到的区域块中任意两个不相同的区域块，w_ij为区域块i与区域块j之间的相似度值，x_i表示区域块i的特征，x_j表示区域块j的特征，||x_i-x_j||表示对x_i-x_j求取欧式距离，σ为预设的尺度参数，其取值范围为(0，1)；

步骤S5、网络模型建立步骤：

建立网络模型G(V,E,W),即：将每一个所述区域块作为网络的一个节点V，将连接在任意两个所述节点V之间的边作为所述网络的一条边E，将所述网络的每一条边E的权值W定义为该条边E所对应的两个所述区域块之间的相似度值；

步骤S6、利用网络动力学演化策略对所述网络的节点进行归类，包括：