[发明专利]基于多特征融合与Boosting决策森林的街景图像的语义分割方法

说明书

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于多特征融合与Boosting决策森林的街景图像语义分割方法。

背景技术

图像分割是将图像划分成多个具有相似特征区域的技术与过程，是图像处理中的重要问题。这里的特征可以是像素的灰度、颜色、纹理等，且预定义的目标可以是单个区域，也可以对应多个区域。图像分割不仅是目标表达的基础，对特征质量有着重要的影响，并且可以将原始图像转化为更加抽象的形式，使得更高层次的图像分析和理解成为可能。计算机视觉中的图像理解，如目标检测、目标特征提取和目标识别等，都依赖于图像分割的质量。图像处理强调在图像之间进行变换以改善图像的视觉效果。目前的图像分割算法大多是针对某一类图像进行的，且图像场景比较简单，包含的对象类别较少；同时，一般的图像分割算法对图像的亮度、缩放等信息比较敏感，所以可能会造成误分割。因此，把图像分割和图像的识别与理解结合起来，在保证图像处理效果的同时提高图像处理的效率，将具有非常重要的研究意义。但是目前基于视觉特征的分割算法得到的分割区域间没有清晰的边缘，而且对于不同的场景效果差异较大。在图像分割和识别中，若仅使用局部区域的视觉特征来表示目标对象，进行语义标注，则会产生二义性；或者仅仅使用2D特征或者3D特征也都无法得到理想的效果；目前一般都以像素为单位实现目标的识别，为一张图片中的每个像素赋予一个类别的标签。当分类结果为多类识别时，图片中相同类别标签的像素形成若干的连续区域，实现图像的语义分割。由于需要对每个像素进行判定，像素级别的目标识别算法也将会产生庞大的数据运算量，同时相邻像素的邻域大部分是重叠的，因此提取的特征也比较相似，最终的类别判定结果相差也不大，但是在计算过程中包含了大量的冗余数据，大大增加了计算量。在机器学习中当训练数据量很大的时候，处理效率和正确率得不到平衡，为此需要改进当前的分类器，使得准确率提高的情况下稳定性增强，并且消耗的时间不是太大。

发明内容

本发明针对现有技术的不足，提供了一种基于多特征融合与Boosting决策森林的街景图像语义分割方法。

基于多特征融合与Boosting决策森林的街景图像的语义分割方法，其特征在于该方法包括以下步骤：

步骤1，对图像进行超像素分割；针对街景图像所包含的对象比较复杂的特点，采用简单线性迭代聚类SILC(simple linear iterative clustering)对图像进行超像素分割；简单线性迭代聚类是对3维的CIELAB颜色空间L、a、b和2维的位置信息特征进行操作，采用了新的距离衡量方法，通过调节参数来控制超像素块的数目；无论在计算复杂度、控制超像素的尺寸和个数来看，简单线性迭代聚类在现有方法中表现都是很好的。

简单线性迭代聚类采用新的距离衡量D，表示如下：

其中k和i分别为两个像素，D_s表示lab距离和以网格距离归一化的xy空间的距离综合。变量m是一个常数，控制超像素的紧凑程度，可以调节超像素块的大小，当m的值越大时，则空间像素度的权重越大，我们这里选择m＝10，图像分割的超像素数为1000块左右。

图形的梯度公式计算如下：

G(x,y)＝||I(x+1,y)-I(x-1,y)||²+||I(x,y+1)-I(x,y-1)||² (2)

其中I(x,y)表示Lab向量对应的像素点的位置，而||.||表示2范数，这样可以同时考虑亮度和位置信息。

其中S是步长，N为图像的像素总数，K是分割的超像素个数。

简单线性迭代聚类的具体处理步骤：

1.1初始化聚类中心。按照步长S采用像素来初始化话聚类中心，在图像中均匀分布聚类中心；

1.2将聚类中心移动到邻域内梯度最小的地方，这样可以防止聚类中心落在边界上；

1.3在每个聚类中心2S*2S范围内，根据距离公式对像素进行K-means聚类，得到最新的聚类中心；

1.4计算新的聚类中心与旧的聚类中心之间的L₁范数距离E；

1.5进行迭代运算，直到E小于一个很小的阈值，结束运算；

步骤2，多特征提取；特征是用来描述图像的最基本的属性，在图像分割和识别应用中，仅仅利用2D或者3D特征对目标对象进行标注时，可能会出现二义性，为了克服这种确定，采用多种有效特征综合起来联合强化框架；

2.1提取超像素块中物体距离地面的高度特征；