[发明专利]一种基于数据挖掘的图像特征分割方法

权利要求书

1.一种基于数据挖掘的图像特征分割方法，其特征在于，包括以下步骤：

S1、采集待分割的初始图像；

S2、采用改进的K-means聚类算法对初始图像进行图像去噪预处理；

S3、采用数据挖掘技术对预处理后的图像进行颜色特征分析，得到区域约束，具体包括以下分步骤：

S31、提取图像的局部特征

定义B(x,y)为背景图像，F(x,y)为加入目标后的场景图像，D(x,y)为差分图像，I(x,y)为二值化图像，将预处理后的图像进行RGB三通道分离，对各通道分别进行背景差分，对每个像素选取各通道差值的最大值，进行阈值二值化处理，表示为

D_i(x,y)＝|F_i(x,y)-B_i(x,y)|

其中i＝r,g,b表示三个颜色分量，F_i(x,y)为场景图像F(x,y)分离出的第i通道的图像，B_i(x,y)为背景图像B(x,y)分离出的第i通道的图像，D_i(x,y)为第i通道的差分图像，θ^B为设定的二值化阈值；

S32、将局部特征与深度信息、位置信息结合生成新的特征向量

基于深度信息对目标区域进行细化处理，细化后的图像V(x,y)表示为：

其中I_D(x,y)为预处理后的深度图像；

对细化后的图像V(x,y)中值不为0的区域进行连通域分析，按照四邻接规则将值相同的像素标记在同一连通域中，获得的n个连通域分别为O_k,K＝1、2、....、n，得到区域约束L(x,y)表示为

S4、采用数据挖掘技术对预处理后的图像进行纹理特征分析，得到提取目标轮廓的基准面；

S5、建立区域分割模型进行聚类分割，得到图像特征分割结果。

2.如权利要求1所述的基于数据挖掘的图像特征分割方法，其特征在于，所述步骤S2具体为：

采用K-means聚类算法对初始图像进行滤波处理，并依次采用柔化处理、中值滤波处理和锐化处理进行图像去噪预处理。

3.如权利要求1所述的基于数据挖掘的图像特征分割方法，其特征在于，所述步骤S4具体包括以下分步骤：

S41、利用直方图均衡化算法对图像进行对比度增强，绘制二维灰度直方图曲线，表示为

其中，D_B为转换后的灰度值，f(D_A)为变换函数，D_A为转换前的灰度值，D_max为灰度最大值，H_i为第i级灰度的像素个数，A₀为像素总数；

S42、设f(x,y)为进行红外图像直方图均衡化后的二维灰度直方图曲线，其中x表示灰度级别，y表示具体各个灰度级别像素出现的次数，对f(x,y)在点(x,y)处求取梯度，表示为

其中G_x,G_y分别为x,y方向的梯度；

梯度的幅值作为变化率大小的度量，表示为

S43、计算步骤S42中获得的灰度梯度均值，表示为

其中k为所求取灰度梯度值编号；

舍弃灰度梯度值小于梯度均值的部分，保留灰度梯度值大于灰度梯度均值的部分，表示为

其中m为舍弃灰度梯度小于平均灰度梯度值后的灰度梯度值编号；

将灰度梯度值大于灰度均值的像素点灰度组合成一个集合，构成全局阈值面，作为提取目标轮廓的基准面。

4.如权利要求3所述的基于数据挖掘的图像特征分割方法，其特征在于，所述步骤S4中采用均值和方差作为纹理特征挖掘的评价参量，计算图像特征评价值，表示为：

其中V_A表示目标图像的方差，V_B表示背景类的方差，D_M代表二者之间的均值差，V_E表示特征评价值。