[发明专利]基于复杂网络理论的图像分割方法

说明书

本发明公开了一种基于复杂网络理论的图像分割方法，发展了复杂网络中相关理论，无需大量数据和标签，能实现对复杂纹理图像的分割。本方法首先对图像进行去噪，利用聚类获得目标像素区域，生成网络节点集；然后，对图像进行网格化，获得网络的拓扑结构；之后，优化网络拓扑结构得到最优社区结构划分结果；最后，根据社区结构的最优划分，结合区域轮廓提取和区域分割实现图像分割任务。本发明中提到的图像分割方法可应用于具有复杂纹理的数字图像分割，因此，本发明可以应用在多个学科领域，如材料学、医学、微观结构学、天文学等，提高研究速度，降低研究成本，促进这些学科的研究和发展。

技术领域

本发明涉及一种图像分割处理方法，特别是涉及一种包含复杂纹理的图像分割方法，应用于计算机视觉或图像处理技术领域。

背景技术

在计算机视觉领域，图像分割是重要的图像处理任务之一，并且很具有挑战性。图像分割技术在许多领域内都具有广泛的应用，例如在无人车驾驶、物体识别、医学图像处理等领域。目前比较常见的图像分割方法有许多种，包括基于边界信息的图像分割方法、基于机器学习的图像分割方法以及基于深度学习的图像分割方法。传统的图像分割方法对包含复杂纹理的图像很难进行分割；基于机器学习的分割算法往往需要为每个像素进行提取特征，并对每个像素点进行分类，因此，计算量以及存储消耗是非常大的；深度学习可以利用卷积神经网络提取出图像高层语义特征，实现图像的分割，但是深度学习都是基于大量图像样本进行训练且要标签数据，这在一定程度上也对其产生了限制。在一些科研领域内，如材料学、医学，其图像往往都是高分辨率但数据样本比较小，对图像分割提出了具大的挑战。

近年来，伴随着复杂网络研究的热潮，复杂网络理论在处理图像中所体现出来的性能逐渐显现，越来越多基于复杂网络理论的图像处理算法开始出现。研究人员发现利用复杂网络可以结合图像局部性质和整体性质，为图像处理提供更加全面的信息，有助于一些图像处理问题的解决，比如轮廓识别、纹理分析等。复杂网络中的社区结构是重要的拓扑结构属性之一，它揭示了复杂网络中隐藏的规律和行为特征。社区结构中要求，在社区内部节点之间的联系非常紧密，而社区之间的联系则相对比较稀疏。基于复杂网络理论社区结构中这一特征，可以把它和图像分割相关联，在图像中找出由不同的像素值所代表的不同的社区来实现图像分割任务。但现有的利用复杂网络理论处理包含复杂纹理的图像时效果还不够理想。

发明内容

为了解决现有技术问题，本发明的目的在于克服已有技术存在的不足，提供一种基于复杂网络理论的图像分割方法，发展了复杂网络中相关理论，无需大量数据和标签，可以实现对复杂纹理图像的分割。

为达到上述发明创造目的，本发明采用如下技术方案：

一种基于复杂网络理论的图像分割方法，步骤如下：

a. 对图像进行去噪声处理，然后基于图像中像素值的分布，利用聚类和网格化方法，在图像上生成网络节点集；

b. 定义网络节点之间的相似性，生成网络边集，生成图像的网络拓扑结构；

c. 利用模块度函数，优化网络拓扑结构，得到最优社区结构划分结果；

d. 基于生成的图像的网络拓扑结构以及最优社区结构划分结果，进行区域轮廓的提取，获得各个图像分割区域，完成区域分割任务。

本发明采用降噪方法，优选均值滤波、中值滤波或高斯滤波方法，对输入的数字图像进行降噪。本发明采用聚类算法，优选采用K-means算法、DBSCAN算法或Meanshift算法，对图像进行像素级别上的聚类，以实现对不同像素级目标的初步分割。

作为本发明优选的技术方案，在所述步骤a中，通过降噪方法，对输入的数字图像进行降噪；

然后根据图像中像素值的分布，采用聚类算法，对图像进行像素级别上的聚类，对不同像素级目标进行初步分割；