[发明专利]一种基于超图谱分析的图像分割方法

说明书

技术领域

本发明属于计算机视觉与图像处理技术领域,尤其是涉及一种基于超图谱分析的图像分割方法。

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的过程。图像分割的目的是简化或改变图像的表示形式，是图像处理与计算机视觉领域的基础性工作,使得图像更容易理解和分析。现实中，虽然人可以很容易能把图像分成连贯的区域，但对与计算机视觉系统而言却是非常困难的。尽管有很多分割方法被提出来，但是由于自然图像多样性和多义性，分割的性能还不能满足实际的需求。

目前，图像分割方法的数量非常多，其中，基于图论的方法在过去30年引起学者们的广泛关注。图论方法的主要思想是将图像映射成加权图，把图像像素看作图的顶点，邻接像素之间的关系看作图的边，邻接像素之间的相似性看作边的权值，根据边的权值设计能量函数，通过最小化能量函数完成对图的分割，从而实现图像分割。

基于图论的分割方法对图像进行分割时优点明显：

1)图论是一门研究比较早而且已经发展成熟的学科,具有较好的数学基础。针对某个问题，图论中有多个方法可以解决；

2)图像和图之间非常相似。

在图像映射为图之后，便可以利用图论中的各种理论和数学工具进行图像分割。目前常用的基于图论的分割方法包括最小割(通常称为图割)、归一化割等。

对于图割方法而言，其优点主要为：

1)在全局最优的框架下进行分割，保证了能量函数的全局最优解；

2)同时利用了图像的像素灰度信息和区域边界信息，分割效果好；

3)用户交互简单且方便，只需在目标内部和背景区域标记少量的种子点，对种子点的具体位置也没有严格要求，而且通过预处理方法自动确定种子点，也可让图割方法自动化。

和图割相比，归一化割存在以下两点不足：

1)没有嵌入一元(Unary)项，如各自图结点的先验，相当于对所有结点都是零先验；

2)需要计算大矩阵的广义特征向量，尽管采取了复杂度抑制措施，计算量仍很大。

但是，归一化割不仅能满足分割结果类内相似度最大，同时能使得类间相异度最大，因此，其更容易分离出图像中的小目标物体，这对于图像分割而言，至关重要。

然而，对于图像模型而言，仅仅基于传统的两两像素点构建立关系（边），形成的图模型显然无法刻画图像区域之间的复杂关系，图像分割的结果往往并不令人满意。

发明内容

为解决上述问题，本发明公开了一种基于超图谱分析的图像分割方法，通过超图模型，利用超像素点代替像素点，利用超像素之间的高阶耦合关系，反映图像各个区域间的关联性，达到最优的分割结果。

为了达到上述目的，本发明提供如下技术方案：

一种基于超图谱分割的图像分割方法，包括如下步骤：

图像预处理步骤：基于给定的图像，采用至少两种过分割方法分别对图像进行过分割，其中，每种过分割方法将图像分成若干个子区域，将每个子区域作为一个超像素，从而获得图像的多个过分割超像素集合；

图像超像素合并步骤：基于图像预处理步骤中获得的多个图像过分割超像素集合，通过迭代的方式两两求交集，最终得到合并超像素集合；

超图模型生成步骤：利用合并超像素集合中的超像素表示超图顶点，并以每种过分割超像素集合中的超像素和合并超像素集合之间的关联性构建超边，将与每个超边相关的过分割超像素的权重累加之和作为超边的权重，从而形成超图模型；

超图谱聚类步骤：基于生成的超图模型，通过超图谱聚类方法将超像素聚类，从而得到图像的分割结果。

作为本发明的一种优选方案，所述图像预处理步骤中的过分割方法包括Kmeans分割方法、Meanshift分割方法、基于轮廓检测的层次分割方法和多尺度归一化图割方法。

作为本发明的一种优选方案，所述图像超像素合并步骤中所述迭代的方式两两求交集表示为：I＝((((S₁∩S₂)∩S₃)∩S₄)…∩S_M)，其中，I表示合并超像素集合，S₁…S_M分别表示由M种过分割方法生成的过分割超像素集合。

作为本发明的一种优选方案，所述超图模型生成步骤中构建超边的过程为：如果合并超像素集合中的超像素是过分割超像素集合中超像素的一部分，则形成一条超边，同时分配数值1给超边关联矩阵，否则分配数值0。