[发明专利]一种基于聚类学习的图像分割质量评价方法

说明书

本发明公开了一种基于聚类学习的图像分割质量评价方法。包括特征聚类学习阶段：先从公开数据集图像和人工标记图像得到特征块和分割块，构建分割数据训练集；再对训练集的特征块聚类得到聚类中心，用最近邻分类并将对应的分割块设置为相同的类别标签。还包括分割质量评价阶段：先从待评价图像得到分割块和特征块，计算每个特征块与聚类中心的距离并分类，再将特征块对应的分割块划分到与之相同的类别；最后，用每个分割块与对应类别中的所有分割块比较，统计得到整个分割图像的质量分数。本发明利用图像边缘特征对图像分割质量进行评价，通过聚类学习学到“好”的图像分割特征，以此作为评价依据，能得到更客观的评价结果。

技术领域

本发明涉及计算机视觉、图像处理技术领域，特别是一种基于聚类学习的图像分割质量评价方法。

背景技术

图像分割通常指按某种处理任务将图像划分为互不相交的若干区域。在理想情况下，这些区域对应若干有意义的目标。图像分割是图像理解和分析的关键步骤，通常可作为图像识别、场景分析、目标检测等任务的预处理步骤，也是计算机视觉的一项基础任务。分割质量的好坏将直接影响这些任务的计算结果。如何评价分割算法的性能，并针对具体应用合理选择算法仍是难度较大的问题。其次，任何一种图像分割算法都涉及若干参数，参数的选择往往需要对分割质量进行客观评价，但至今没有取得较好的解决效果。

分割质量的好坏可采用主观评价，即依靠人视觉判断比较不同的分割结果。但是这种方法耗时耗力，且主观性较强，缺乏统一标准。另一种方法是有监督评价，通过比较分割算法的结果与参考图像(又称参考分割)的结果，计算二者的差异从而评价分割质量。还有一种是无监督评价，通过建立经验评价准则，对分割结果进行量化评价。该方法不受给定参考图像内容和数量的限制，更具通用性，是实现在线图像分割质量评价的唯一手段。但由于图像分割问题本身固有的病态性和图像分割准则的多样性，准确定义并评价分割质量是一项巨大挑战。

目前基于无监督的分割质量评价方法大致可归纳为三类：基于区域内一致性评价、区基于域间差异性的评价和基于目标语义特性的评价。前两种方法利用图像颜色、纹理、熵等特征的统计结果得到图像分割区域内的一致性，或者区域间差异性，其中可以利用多种特征的组合进行判断。语义特征包括特定目标类别具备的区域形状等特征，计算时可根据区域尺寸、边界长度等设计相关的惩罚系数提高评价性能。目前这些评价方法还不能达到十分精确和鲁棒的评价效果，主要受局限于图像分割目标的复杂性。但近年来随着机器学习技术的蓬勃发展，针对人类视觉感知经验实现准确的图像目标特征表示，从而实现无监督图像分割评价。

长期研究表明，图像的低层边缘特征对描述真实目标边界较稳定，相对图像高层特征的复杂多样，更有利于挖掘图像内容的本质。本发明基于图像边缘特征，采用聚类学习方法发现图像分割区域的局部空间结构特性，以块结构中包含的边缘信息作为分割质量评价的依据，能获得高准确率的评价结果。并且实现了无监督评价过程，具有良好的通用性和实用价值。

发明内容

本发明提出了一种无监督分割质量评价方法，基于聚类方法学习分割局部空间结构特性，以分割局部结构作为分割质量评价的依据，能获得稳定可靠的评价效果。

本发明的技术方案如下：

一种基于聚类学习的图像分割质量评价方法，包括

步骤1：构建图像数据训练集，包括

步骤1.1：从现有公开图像分割数据库中挑选A幅原始图像，每一幅原始图像具有一幅人工分割的参考图像GT；

步骤1.2：任选一幅原始图像及其参考图像GT，执行如下处理：