[发明专利]一种基于结构信息原理的图像层谱分割方法

说明书

本发明公开一种基于结构信息原理的图像层谱分割方法，基于一维结构熵极大化原则，构建预处理图像的图结构数据G^*；在预处理图像的图结构数据G^*上执行二维结构熵极小化算法，得到图G^*的最优划分结构；生成划分结构X的图结构数据G^**；在图G^**上执行二维结构熵极小化算法，得到图G^**的最优划分结构Y，Y内所有的节点与划分结构X对应；利用划分结构X将划分结构Y转化为划分结构Z，构造三维编码树的结构；Z内所有的节点与图像的像素点对应。本发明解决图像的层谱抽象分割问题，局部细节层能够对图像进行精密分割，全局结构层能够提取图像的结构，无需要选择参数，即可对图像进行区域分割。

技术领域

本发明属于图像分割技术领域，特别是涉及一种基于结构信息原理的图像层谱分割方法。

背景技术

传统的无监督图像分割算法主要包括基于阈值、基于边缘、基于图论和基于聚类的算法等。基于阈值的图像分割算法适用于分割目标与背景灰度差值较大的图像。基于边缘的图像分割算法难以形成闭合和连接的区域，即便形成闭合和连接的区域，通常也要结合其它算法再次进行处理。基于图论的传统图像分割算法通常通过四连接或八连接进行构图，考虑局部像素之间的相关性，将空间相连的像素点分割到一起。该类方法通常分割精度高，算法较为耗时。基于聚类的图像分割算法需要预先确定聚类的数目，能够将空间不相连的像素点聚集到一起。如今比较流行的一种图像分割的方法就是基于深度学习的图像分割，基于深度学习的图像分割经过训练可以达到良好的分割效果，但是所分割的对象必须经过数据集的预先训练，通常需要优质而且大量的数据；基于深度学习的图像分割大多是依赖神经网络，根据标签进行图像的语义分割；深度学习的模型的可解释性差。目前基于图论的图像分割方法构图方法较少。

目前传统的图像分割算法中较为流行的算法是基于图论的图像分割算法和基于聚类的图像分割算法。

基于图论的无监督的图像分割算法(例如EGB算法)在进行图像分割时缺少足够的全局结构信息，导致物体穿插背景时，造成背景被割裂的情况。

基于聚类的图像分割算法(例如Kmeans、FCM和MShift)在进行图像分割时缺少局部细节信息，可能会导致同属于一个物体但因为颜色的渐变而无法分割到一个区域。

目前的聚类分割算法需要人为依据分割效果调整参数，尤其是需要人为选择聚类数目。目前的无监督图像分割算法无法摆脱人为选择参数，图像分割结果受到参数的影响。

发明内容

为了解决上述问题，本发明提出了一种基于结构信息原理的图像层谱分割方法，解决图像的层谱抽象分割问题，局部细节层能够对图像进行精密分割，全局结构层能够提取图像的结构，无需要选择参数，即可对图像进行区域分割。

为达到上述目的，本发明采用的技术方案是：一种基于结构信息原理的图像层谱分割方法，包括步骤：

预处理原始图像；

基于一维结构熵极大化原则，构建预处理图像的图结构数据G^*；

第一分割阶段，在预处理图像的图结构数据G^*上执行二维结构熵极小化算法ε²，得到图G^*的最优划分结构X＝{X₁，X₂，……，X_n}，其中n为图G^*最优划分结构的数目；

生成划分结构X的图结构数据G^**；