[发明专利]一种基于滑降的随机游走图像分割算法

权利要求书

1.一种基于滑降的随机游走图像分割算法，其特征在于：该基于滑降的随机游走图像分割算法的具体步骤如下：

S1：滑降算法分隔图像，每个区域看做节点：首先用滑降算法将具有相同纹理性质的像素进行初步的局部归类,把每一个子区域看作图中的一个点；

S2：利用万有引力算子计算节点间的权值：边的权值由万有引力算子来计算,建立一个对应的加权图；

然后利用随机游走算法对图像进行再分割，将滑降分割的每一个小区域看作随机游走中的节点；

S3：手动输入背景和物体标记；

S4：利用随机游走算法节点分类概率：给定一个加权图G＝(V，E，W)，其中，v∈V是节点，e∈EV×V是边，Wij是节点vi和vj之间的权值，表示两点之间相似程度；

令D表示对角矩阵，其定义为Dii＝∑nj＝1W(i，j)，相当于W第i行所有元素之和；

可将给定的权值W归一化为随机矩阵P＝D-1W；

根据随机游走算法可知，如果关系矩阵P的每一行之和都为1，那么P中元素Pij表示从节点i移动到节点j的转移概率；

由P的定义可知，P的特征值满足λ＝1≥λ2≥…λn≥-1；

设P对应的特征向量分别为x1，…，xn，则P的第一个特征向量是x1＝[1，…，1]T；

进一步假定加权图G没有度数为0的节点，则随机矩阵P的求解问题等价于求解Px＝λx(1)；

通过归一化割算法的光谱问题公式和随机矩阵P的特征值等价；

特征向量表征了各个节点之间的关系，通过设定的阈值把个特征向量进行分类，从而完成对应的节点的分类，最终实现图像分割。

2.根据权利要求1所述的一种基于滑降的随机游走图像分割算法，其特征在于：所述步骤S1中滑降算法的步骤如下：

Step1.计算图像梯度幅值；

Step2.对梯度图像的每个像素进行八邻域扫描，找到最小梯度值的像素；

对该最小梯度值的像素再进行八邻域扫描寻找最小梯度值,直到该像素的梯度值最小,对该像素作标记；

Step3.将滑动到同一最小梯度值的像素归为一个区域；

Step4.对图像做逐行扫描,如果一个像素未被标记，则检测它的八邻域像素来寻找相邻像素的最小梯度值；

将图中所有像素分割成小区域；

通过以上四个步骤对图像进行分割，把每个小区域看作是给定加权图G的一个顶点，如果两个区域是相邻区域，则这两个区域的对应顶点就连边，再通过加权方法给每一条边赋权值，得到对应加权图。

3.根据权利要求1所述的一种基于滑降的随机游走图像分割算法，其特征在于：所述步骤S2中利用万有引力算子计算节点间的权值的具体为：把图像中每个区域看作物体，每个区域的平均灰度值看作物体的质量，因为灰度值大的区域存在边缘点的可能性大，灰度值小的区域存在边缘点的可能性小，所以认为每个区域之间存在着万有引力作用，这个作用力用万有引力定律求解，即Gravityij＝Gmimjr‖r‖3；

其中，Gravityij是区域i和j的万有引力算子；

mi和mj为区域i和j的平均灰度值，G为像素万有引力的计算系数，r为从i到j的距离，‖r‖＝‖Xi-Xj‖2，Xi是区域i点的中心位置；

基于2个区域之间的万有引力定义加权函数：

Wij＝e-σGGravity2ij 1)

式1)中表示的权值可以解决远距离同质节点的分割问题；

权值代表着像素之间的关系，基于随机游走的分割也是以图的结构为基础进行分割的，所以权值设定在随机游走分割中起到重要作用；

设定m1和m2为2个区域的平均灰度值，则每固定一个节点其灰度值之和为一定值，即m1+m2＝C，C为常数；

判断2个像素之间的相似性用2个像素灰度差，即(m1-m2)表示；

利用灰度乘积来表示2个像素之间的关系；

假定m1和m2分别为矩形的长和宽，m1·m2表示该矩形的面积，当m1+m2＝C，即该矩形的周长一定时，根据定理可知，正方形的面积最大；

当m1＝m2时，m1·m2的值最大，即2个像素的灰度值越接近，m1·m2的值越大；

则2个像素的距离r越大，两点的相似性越差，所以在权值定义上，m1·m2和r成反比关系；

利用式1)定义2个区域的权值函数，采用随机游走算法完成最后的图像分割。