[发明专利]一种基于聚类学习的图像分割质量评价方法

摘要

本发明公开了一种基于聚类学习的图像分割质量评价方法。包括特征聚类学习阶段：先从公开数据集图像和人工标记图像得到特征块和分割块，构建分割数据训练集；再对训练集的特征块聚类得到聚类中心，用最近邻分类并将对应的分割块设置为相同的类别标签。还包括分割质量评价阶段：先从待评价图像得到分割块和特征块，计算每个特征块与聚类中心的距离并分类，再将特征块对应的分割块划分到与之相同的类别；最后，用每个分割块与对应类别中的所有分割块比较，统计得到整个分割图像的质量分数。本发明利用图像边缘特征对图像分割质量进行评价，通过聚类学习学到“好”的图像分割特征，以此作为评价依据，能得到更客观的评价结果。

主权项

1.一种基于聚类学习的图像分割质量评价方法，其特征在于，包括步骤1：构建图像数据训练集，包括步骤1.1：从现有公开图像分割数据库中挑选A幅原始图像，每一幅原始图像具有一幅人工分割的参考图像GT；步骤1.2：任选一幅原始图像及其参考图像GT，执行如下处理：创建原始图像的DOG特征图像：用尺度为5×5，标准差分别为的高斯核进行滤波，得到滤波结果G₁,G₂,G₃,G₄,G₅；然后计算差值图像D₁＝G₁‑G₂,D₂＝G₃‑G₄,D₃＝G₄‑G₅；对于D₂中每个像素点，在其3×3邻域以及D₁和D₃中对应相同的邻域内，判断该点是否为极值点；若为极值点，则设置值为1，否则为0；创建与参考图像GT的像素数长宽相同的二值矩阵GTB：GT中的非分割边界像素所在的位置，对应在GTB中的元素设置为0；GT中的分割边界像素所在的位置，对应在GTB中的元素设置为1；所述DOG与GTB的元素的位置一一对应；分别以GTB中值为1的每个元素为中心，在GTB截取边长为l个元素的正方形分割块构成分割块集合截取过程中尺寸不足l×l的块不包含到P^S中；找出GTB中值为1的元素所对应的DOG中的元素，分别以其为中心，在GTB截取边长为l个元素的正方形特征块构成特征块集合截取过程中尺寸不足l×l的块不包含到P^DOG中；所述分割块和特征块一一对应；步骤1.3：按照步骤1.2相同的方法对A中其它原始图像及其参考图像GT进行处理，得到A个特征块集合P^DOG和A个分割块集合P^S；步骤2：图像块聚类，包括步骤2.1：将A个特征块集合P^DOG中的每个特征块按列展开排成一个l²×1的列向量，利用K均值聚类算法，设定K值对所有列向量聚类，得到K个聚类中心，记为集合C；按照最近邻分类方法将所有列向量分类，每个列向量所在的类别即为其对应的特征块的类别，设置其类别标签为L_k；所有特征块的类别标签构成类别标签集合L＝{L_k|k＝1,...,K}；步骤2.2：将每一个特征块的类别标签L_k设置为其对应的分割块的类别标签；步骤3：创建待评价分割图像数据，包括步骤3.1：按照步骤1.2相同的方法，创建待评价分割图像的原始图像的DOG特征图像；步骤3.2：创建与待评价分割图像的像素数长宽相同的二值矩阵Seg：分割图像的非分割边界像素所在的位置，对应在Seg中的元素设置为0；分割图像的分割边界像素所在的位置，对应在Seg中的元素设置为1；步骤3.3：将Seg和步骤3.1得到的DOG特征图像分别划分为多个边长为l个元素的正方形网格块，大小不足l×l的网格块在空缺位置填0补足为l×l的网格块，得到Seg的网格块并且构成集合和DOG特征图像的网格块并且构成集合m为网格块的数量；所述Seg的网格块和DOG特征图像的网格块一一对应；步骤4：计算评价分数，包括步骤4.1：将P^DOG'中每个网格块P_i^DOG′按列展开排成一个l²×1的列向量，计算每个列向量与聚类中心集合C中每个元素的欧氏距离，按最近邻分类方法将其划分到最近的类别L_k；找到P^S'中与P_i^DOG′对应的网格块P_i^S'，将P_i^S'与A个P^S集合中类别为L_k的所有分割块依次比较，判断P_i^S'中每个元素是否为边界点，即PB_i,q(x,y)＝1，如下：其中，PL_k是A个P^S集合中类别为L_k的所有分割块的集合，是集合PL_k中第q个分割块，q＝1,...,N_k，N_k为A个P^S集合中类别为L_k的所有分割块的个数，P_i^S'(x,y)和分别表示其元素在块中(x,y)位置处的值，i＝1,...,m；步骤4.2：计算P_i^S'的分割质量评价分数S_i：其中，为中包含边界点的个数，即值为1的元素个数；Row和Col分别表示P_i^S'的行数和列数；步骤4.3：得到P_i^S'的分割质量评价分数后，对P^S'中所有网格块的分割质量取平均，得到整个分割图像的分割质量评价分数S，即：