[发明专利]一种基于模糊理论的超像素分割方法

说明书

技术领域

本发明涉及图像处理领域，具体地说是一种基于模糊理论的超像素分割方法。

背景技术

所谓的超像素就是用某种算法将某些像素点聚合在一起形成具有某种感知意义的原子区域，用来代替以前硬性分割的区域网格。超像素能够有效的利用空间约束信息，具有一定的抗噪性，并且在强化图像局部一致性的同时保留了图像原始边界信息，超像素分割出来的原子区域还包含了单个像素所不具备的一些图像特征，比如形状、边界轮廓信息以及区域灰度直方图等，有利提高图像处理的准确度，而且在时间复杂度方面超像素比起单个像素的处理也有较大提高。另外，对于某些图像存在的灰度不均现象，例如脑部MR图像某些区域的白质与其他区域的灰质灰度值比较接近，甚至比灰质还要低，超像素作为原子区域其内部的灰度值差异较小，整体的灰度不均现象则不存在于超像素中，有效的避免了此现象对图像分割的影响。近年来，超像素已经被越来越多的应用于图像预处理过程中。超像素利用像素与像素之间特征的相似程度对像素进行分组，从而获取图像的冗余信息，在很大程度上降低了后续图像处理任务的复杂程度。大量的研究工作表明，超像素技术已成功应用于多次图像处理任务，如深度估计、图像分割、骨架提取、人体估计以及目标定位等。

超像素分割方法有很多，目前主要的方法有：Turbo pixel,Normalized cuts,Quick Shift,SLIC等。Normalized cuts图像分割结果的特点是产生的超像素的数量可控，且形状比较紧凑，各超像素面积也大致相似。但是Normalized cuts算法速度较慢，尤其对于比较大的图片，计算量较大。Turbo pixel的基本思想是在图像上随机选取一定数量的种子点并采用水平集的方法进行扩张，并通过限制增长率来控制超像素块的大小。SLIC是一种通过利用像素的颜色相似度和图像平面空间对像素进行聚类，从而有效的生成紧凑的几乎均一化的超像素的过分割方法。Normalized cuts、Turbo pixel和SLIC算法所产生的超像素都是结构紧凑且形状均一的，因此它们的语义表现力较差，因为结构紧凑使超像素不能涵盖一个目标的全貌，而形状均一使得不同尺度的目标在同义词过分割中必然要出现不同的语义层次。Quick-shift分割算法是一种基于梯度上升法的模式搜索分割方法。该算法通过不断的促进像素特征空间中的每一个数据点，向着能使帕森密度估计增大的最近的像素移动，来实现图像的分割。Quick-shift算法产生的超像素在形状和数量上不是固定的，且超像素的紧凑程度也较差。最重要的一点是，当前这些主要的超像素分割方法都是针对自然图像的，当采用这些方法处理具体模糊性特点的医学图像时，效果往往不尽人意，分割的超像素内部同时包含多种介质，不利于进一步的图像处理。

发明内容

本发明为克服上述现有技术的不足，提供一种基于模糊理论的超像素分割方法。该方法可以充分利用模糊聚类在处理具有模糊性特点的医学图像方面的优势，弥补传统超像素分割方法在处理具有模糊性图像时硬性划分的劣势，提高了超像素边界和原始图像边界的贴合度。并且分割之后的超像素内部组织结构单一，灰度均匀。

为实现上述目的，本发明采用如下技术方案：

一种基于模糊理论的超像素分割方法，步骤为：

1）对图像进行处理，初始化聚类中心；

2）在模糊C均值聚类算法中加入像素点的坐标距离，建立目标函数；

3）更新隶属度矩阵；

4）更新聚类中心，包括灰度值和坐标；

5）重复3-4步，直到满足终止条件：聚类中心灰度值的改变量小于一个人工设定的阈值或者迭代次数大于某个人工设定的值；

6）根据最终得到的隶属度矩阵完成初步的超像素划分；

7）后处理，经过上述六个步骤后产生的超像素不可避免的存在一些孤立的点集，将这些点集跟与其相邻的并且相似度最高的超像素合并，完成最终的超像素划分。

所述步骤1）中，首先根据要划分的超像素块数将图像进行规则网格化处理，选择每个网格的中心点作为初始聚类中心，选择初始聚类中心周围3*3的模板，将梯度最小的点作为新的聚类中心。

所述步骤2）中，目标函数为：