[发明专利]一种基于最小模糊散度的图像协同分割方法

权利要求书

1.一种基于最小模糊散度的图像协同分割方法，其特征在于包括下列步骤：

1.1获取图像数据库：iCoseg数据集、4*4相机阵列拍摄图像集；

1.2预处理：分割之前利用SLIC超像素分割方法，将像素简单分类、生成超像素图像，包括下列步骤：

1.2.1将M*N大小的图像，从RGB空间转换至LAB空间；

1.2.2设置预生成的超像素数量K＝1000，即将M*N大小的图像分割成1000个像素块，每个像素块分为大小包含[(M*N)/1000]个像素；

1.2.3每个超像素区域长宽都均匀分布，长宽M设置为M＝sqrt(M*N/1000)；

1.2.4初始化聚类中心点，计算像素点与聚类中心的距离，通过迭代优化直至误差收敛，迭代次数设置为10；

1.3定义初始曲线：将初始曲线定义为矩形，位置处于图像中央；

1.4区域表示：采用颜色直方图表示区域特征，对于R-G-B图像，颜色值用三维向量表示，直方图通过每种颜色在某个区域出现的概率生成；

1.5前景相似性度量:用颜色直方图方法进行前景相似性度量，颜色直方图能实际地表达图像中颜色的数量，遍历所有像素点完成统计；由于同一种颜色像素值会略有不同，因此对于像素点p'和p，如果这两个像素的颜色距离小于β，将认为它们具有相同的颜色，即|p'-p|≤β；

将前景相似度设为S，区域表示为γ(ω)，则对于像素值p来说，相似度表达为：

1.6建立基于区域的活动轮廓模型：构造基于模糊散度的能量函数，在能量函数最小值的驱动下，轮廓曲线逐渐向前景边缘逼近，包括下列步骤：

1.6.1实验过程中认为像素分布满足于Gamma分布，对任意的阈值T，由式：

计算图像中每个像素的隶属度函数值，将图像映射为一个模糊集，其中满足：

其中：c为比例系数；g_max为图像像素的最大值；g_min为图像像素的最小值；L为图像中像素点的个数；g为该点的像素值；h(g)为该点的像素个数；m_B为背景的平均值；m_F为前景的平均值；

1.6.2基于Gamma型隶属度函数，模糊散度公式为：

其中：图像大小为M×N；x_ij为某一点的像素值；μ_A(x_ij)为集合A某一点的隶属度函数值；μ_B(x_ij)为集合B某一点的隶属度函数值；

对于理想分割图像B，其隶属度函数为μ_B(x_ij)＝1；

因此，模糊散度公式能简化为：

根据模糊散度公式分别计算两幅图像前景之间和背景之间的模糊散度，取其和；

1.6.3将步骤1.6.2中的简化模糊散度公式用于构造水平集函数：

则有：

1.6.4C-V模型如下：

其中：L(C)表示曲线C的长度；μ表示长度系数；Area(γ(ω_i))表示曲线C内部区域的面积；v表示面积系数；γ(ω_i)表示曲线C内部区；γ(ω_o)表示曲线C外部区域；C_i表示内部平均灰度值；C_O表示外部平均灰度值；I(x,y)表示像素值；

将步骤1.6.3中的水平集函数代入上面C-V模型更新如下：

其中：I_k为实验图像对中的第k幅图像；代表曲线内部区域；代表曲线外部区域；代表另一幅图曲线内部的区域；S[I(x,y),γ(ω)]用来度量像素与区域之间的相似性；即为1.6.3中的水平集函数；δ(x)为一维Dirac函数；H(x)为Heaviside函数；代表曲线内部区域γ(ω_i)；代表曲线外部区域γ(ω_o)；

1.6.5曲线演化过程：水平集函数演化初始轮廓，进而驱动曲线向目标逼近，经过动态先验逐渐得到前景与背景的分割曲线C；图像基于能量分布，根据最小模糊准则表达两个模糊集之间的信息差异性，即模糊散度值最小，分割图最接近原始图。