[发明专利]一种局部相关的超像素融合方法

说明书

本发明提供一种减少迭代运算量、加快融合速度的局部相关的超像素融合方法，属于图像处理中的图像分割领域。本发明以像素为基本的融合单位，增强像素之间的局部相关性，通过像素间的交互进而实现超像素的融合。在像素的融合过程中，将超像素的划分作为先验指导信息，确保超像素内的像素具有相同的类别属性，在增加邻近像素之间相关性的同时，保持物体区域之间的边缘判别能力。通过超像素的融合，对每个融合区域获得语义特征空间，根据相关性进行相应融合；在对单像素的分类过程中，将其转换到不同的语义空间中，按照视觉侧重点的不同计算像素到聚类中心的距离，提高像素类别归属的可靠性。最后根据原始分辨率下的超像素的标记，实现超像素的融合。

技术领域

本发明涉及一种超像素融合方法，特别涉及一种局部相关的超像素融合方法，本发明属于图像处理中的图像分割领域。

背景技术

图像分割是图像分析的首要和关键步骤，分割的结果直接影响到对后续图像内容的分析。如果缺少相应的背景知识，仅从视觉内容本身入手实现图像分割，仍然是图像处理领域中的一个难题。鉴于精确的图像分割难以实现，实际应用中只能采取弱分割方法，再由后续步骤对弱分割结果进行综合，以期望获取合理的分割结果。而超像素就是目前最常采用的一种图像弱分割结果，已经成为当前图像分割的热点，目前已有很多较为成熟的超像素分割方法。

一个超像素即为一小片在空间上连续的分割区域，这样图像中一个完整的物体，以超像素方式被分解为一组若干个细碎的分割区域。因此该方法实际为一种过分割策略，优点是能够较好地保持图像中不同物体区域的边缘，有效避免或降低欠分割现象的发生，缺点是还需要一种有效的后续步骤，将超像素进行融合以达到图像物体级别的语义分割。对于纹理区域而言，由于纹理元素间视觉差异较大，可能会导致同一纹理区域被划分为视觉差异较大的超像素，这样会给后续的融合带来较大的难题。超像素融合不仅要考虑超像素之间的视觉相似性，还要考虑超像素彼此之间的位置相关性，特别是对纹理区域的融合，空间位置上的相关性就显得尤为重要，而马尔科夫模型是表达这种局部相关性的一种较为理想的工具，所以尽管目前已经有不少超像素融合方法，但基本上都局限于马尔科夫随机场或与之相关的条件随机场模型，而超像素形状上的不规则以及马尔科夫模型参数之间的耦合性，导致了该类方法的计算复杂度较高。

发明内容

本发明提供一种减少迭代运算量、加快融合速度的局部相关的超像素融合方法。

本发明的一种局部相关的超像素融合方法，所述方法包括如下步骤：

步骤一：对原始图像进行减采样，对减采样后的图像进行平滑处理，采用k-均值算法获取初始的聚类中心；

步骤二：计算减采样后的非平滑图像中每个像素到所有聚类中心的距离值；

步骤三：将像素的局部相关性融入到步骤二获得的距离值中；

步骤四：对融入局部相关性的距离值,再利用超像素的划分保持物体边缘的判别能力；

步骤五：根据每个像素对聚类中心的距离确定像素新的聚类类别,获取新的聚类类别均值；

步骤六：判断相邻两次聚类类别均值的差值是否小于设定的迭代阈值，若是，转入步骤七，若否，计算每个像素到当前聚类中心的距离，转入步骤三；

步骤七：根据原始分辨率下的超像素的标记，实现超像素的融合。

优选的是，所述步骤六中，判断相邻两次聚类类别均值的差值是否小于设定的迭代阈值，若是，转入步骤七，若否，执行以下步骤：

步骤1：对每个聚类类别对应的区域生成一个语义特征空间；

步骤2：获得语义特征空间的相关性，判断相关性是否大于等于设定的特征空间融合阈值，若是，则将对应的两个聚类类别合并，转入步骤3，若否，则直接转入步骤3；