[发明专利]一种改进的基于超像素的多光谱图像分割方法

说明书

本发明提出本发明提出的改进的基于超像素的多光谱图像分割方法，具体包括：输入多光谱图像。求取像素i和像素j的平面间隔和特征间隔；计算在多光谱图像平面内以像素i为中心、半径为ε_xy的圆形区域内估计像素i的局部密度ρ_i；计算像素i的间隔δ_i和归附f_i；根据得出的每个像素的归附f_i、间隔δ_i和局部密度ρ_i将所有像素构建成归附关系树；根据间隔δ_i、局部密度ρ_i选取超像素的中心像素c_i，同一个超像素中的所有像素设置为相同的标号，完成超像素分割；本发明提出方法，具有良好的抗噪能力，分割精度高，以及在计算速度、使用方面有着优越的性能。

技术领域

本发明涉及图像分割领域，特别是指一种改进的基于超像素的多光谱图像分割方法。

背景技术

在计算机视觉领域，图像分割(Segmentation)指的是将数字图像细分为多个图像子区域(像素的集合)(也被称作超像素)的过程。图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。图像分割的结果是图像上子区域的集合(这些子区域的全体覆盖了整个图像)，或是从图像中提取的轮廓线的集合。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息，从而大幅度减少处理对象的数量，提高后续处理的效率，超像素在计算机视觉领域有着广泛的应用。

目前已经存在多种超像素分割算法，如简单线性迭代聚类算法(Simple LinearIterative Clustering algorithm,SLIC)，快速简单线性迭代聚类算法(Fast LinearIterative Clustering algorithm,FLIC)，线性谱聚类算法(Linear SpectralClustering algorithm,LSC)，能量驱动采样超像素算法(Superpixels ExtractedEnergy-driven Sampling algorithm,SEEDS)，这些方法在超像素分割方面各有优缺点，目前没有一种算法能够同时具有良好的抗噪能力，分割精度高，以及在计算速度、使用方面有着优越的性能。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种改进的基于超像素的多光谱图像分割方法，具有良好的抗噪能力，分割精度高，以及在计算速度、使用方面有着优越的性能。

本发明采用如下技术方案：

一种改进的基于超像素的多光谱图像分割方法，包括以下步骤：

步骤S1：输入多光谱图像[l,a,b]_(x,y),其中l代表亮度，a和b代表颜色对立维度，x,y分别代表像素的横坐标和纵坐标，5维向量P_i向描述图像中的像素i，其中P_i＝[l_i,a_i,b_i,x_i,y_i]^T；

步骤S2：求取像素i和像素j的平面间隔||P_i-P_j||_xy和特征间隔d_ij；

步骤S3：计算在多光谱图像平面内以像素i为中心、半径为ε_xy的圆形区域内估计像素i的局部密度ρ_i；

步骤S4：计算像素i的间隔δ_i和归附f_i；