[发明专利]基于自适应种子点密度聚类超像素分割方法

说明书

本发明涉及基于自适应种子点密度聚类超像素分割方法，主要包括以下步骤：首先，对输入图像进行预处理操作，将图像划分为若干个大致相同的子图像块，然后利用区域生长法在子图像块上寻找最大内接圆中心，以此来自适应获得种子点的位置，再以选出的种子点为中心根据自适应种子点密度聚类依次向外聚类，以种子点布满整张图像为结束条件，从而生成初始的超像素。其次，用空间限制的k‑medoids方法对子图像块进一步聚类，进一步更新种子点。最后再清理未被处理的异常像素点。本发明首次将自适应种子点和密度聚类相结合引入超像素分割中，以此来生成形状更加规则和边界贴合度更佳的超像素。

技术领域：

本发明属于计算机视觉领域中图像分割的一种预处理技术，尤其涉及基于自适应种子点密度聚类超像素分割方法。

背景技术：

在计算机视觉领域，数字图像处理问题一直以来是人们面对的巨大挑战。随着图像技术的不断发展，每天会产生海量的图像，图像分割在数字图像处理上起着极其重要作用。传统意义上的图像分割是把对像素点的处理作为基本单位，然而在现代技术的迅速发展之下，需要处理的图像尺寸也在不断变大，在效率上，按常规处理像素点的方式很难满足当下需求。在2003年，超像素作为一种新的思想被REN等人推出，其指具备相近的纹理结构和颜色特征的像素点组成的像素区域。

目前很多超像素分割方法已经被提出，其中包含两个大类别:其一为基于图论的思想，另一个为基于梯度的思想。

基于图论的分割思想是把像素块分割看作是优化函数问题，把图像的像素点看作是图的顶点，顶点所连接的边象征着像素点的相互关系，然后通过一系列的分割标准对图中节点实施分割处理，进而完成超像素分割。规则化分割算法采用的是图像波纹和轮廓特点迭代式图割。该方法的优点是能够生成的超像素较为规则，但该边界贴合的不紧密，且在计算效率上不高，所以对大尺寸图像的分割不适合。

基于梯度的分割思想是首先初始化像素聚类，然后把聚类得到的结果进行复核直到达到要求，因而得到超像素。形状拘束的分水岭方法是对传统的分水岭算法进行改进加入了空间限制，使得生成了更加紧凑的超像素，其形状也更加规则，但是在解决环境复杂的图像时，往往不能精确的处理边界信息。均值漂移算法是利用局部最大的密度函数，把具有相似特性的像素点分割成超像素。其优点是边界贴合度与抵抗噪声能力不错，但分割的超像素规则程度较差。简单线性迭代聚类方法是利用当前超像素中像素点的数目规定其总的超像素数目，在图像中遍布定量的超像素集，基于给定的的颜色相似度与空间距离公式，对局部像素迭代聚类处理，从而生成目标超像素。

发明内容：

为了解决现有密度聚类的超像素分割方法无法获得规则的超像素形状，对图像边界贴合度较低以及未及时处理异常像素点等问题，本发明公开了基于自适应种子点密度聚类超像素分割方法。图1为本发明的超像素分割方法流程图。

为此，本发明提供了如下技术方案：

步骤1：将输入的图像划分为若干个大致相同的子图像块，然后利用区域生长法在子图像块上寻找最大内接圆中心坐标，以此自适应获得种子点的位置。

步骤2：对预处理后得到的图像，在上面均匀播撒种子点，将选出的种子点作为中心根据自适应种子点密度聚类依次向外聚类，直至种子点布满整张图像为止，从而完成初始的超像素分割。

步骤3：结合空间限制的k-medoids方法对得到的所有子图像块上种子点再进行聚类，进一步更新种子点，解决了噪声对于本方法的影响。

步骤4：按照自顶向下和自底向上相结合的思想进行依次遍历种子点，清理未能及时处理的异常像素点。

本技术方案的技术效果是：本发明首次将自适应种子点和密度聚类结合在一起引入超像素分割中，以此来生成形状更加规则和边界贴合度更佳的超像素。在此基础上，又结合了k-medoids聚类方法，更新自动获得的种子中心点，有效提高图像分割精度和边界召回率。最后，又用新的思想遍历种子点，去清理异常像素点。