[发明专利]基于改进K-means聚类的运动鱼体阴影去除及图像分割方法

说明书

本发明公开了基于改进K‑means聚类的运动鱼体阴影去除及图像分割方法，包括以下步骤：(1)采集待处理的运动鱼体彩色图像，经中值滤波去除所述彩色图像的噪点和孤立数据点；(2)将所述噪点和孤立数据点后的彩色图像从RGB颜色空间转化到Lab颜色空间；(3)提取所述彩色图像Lab颜色空间的a、b分量；(4)用改进K‑means对其进行聚类；其中，所述改进K‑means聚类包括采用马氏距离作为距离度量、由DBI指数确定聚类个数K，以及对初始聚类中心点进行优化；可以成功准确地去除运动目标的阴影，无需人工干预，大大提高图像分割效果的精度，实现良好分割识别效果，为后续图像处理提供基础。

技术领域

本发明属于图像处理技术领域，具体涉及基于改进K-means聚类的运动鱼体阴影去除及图像分割方法。

背景技术

通过对鱼类的行为研究可以对优化养殖模式和提高养殖技术产生积极的影响，开展基于机器视觉技术的鱼类行为量化研究的首要关键点就是对采集到的图像进行预处理，通过图像分割去除背景的干扰。图像分割结果的好坏直接影响到后续行为量化研究的成败，其中由于光线条件的不同造成的图像阴影区域是制约图像分割的一大难题，由于不同光照条件和自身运动造成的运动阴影给运动鱼类检测造成了很多负面影响，去除运动阴影成为运动目标检测中的研究热点之一。

目前尚未看到有关鱼类图像运动阴影去除方面的研究，但在运动人群及运动车辆方面存在很多研究，根据国内外学者使用的信息不同将阴影去除方法分为基于颜色和基于纹理信息的方法。基于颜色的方法是通过阴影的色度不变性信息去除阴影的，Cucchiara等在HSV颜色空间中使用阴影的色度、饱和度及亮度信息建立了一个背景模型，以此分离样本图像的亮度及色度分量达到阴影的检测识别并去除，徐少飞等人发现了一个基于颜色属性的运动阴影消除算法，Sun等发明了一个融合C₁C₂C₃色彩空间的光照不变性与HIS色彩空间中图像的色度和亮度比值达到了运动阴影的去除，然而精度并不高。但是，基于颜色的方法去除那些目标及其背景的颜色接近的图像阴影时会产生比较大的误检概率。基于纹理信息的方法是通过阴影的纹理相似性信息去除阴影的，Leone等发现一种利用Gabor函数进行样本图像的纹理特征提取，从而检测出阴影区域并去除，郭春凤等人提出了一种融合D₁D₂D₃模型和基于LBP纹理特征基础上改进的LPTD算子的阴影消除新方法，曹健等人提出了一种将区域颜色融合图像LBP纹理进行不同环境下的运动阴影区域检测。以上基于纹理信息的方法虽然可以获得一些效果，然而当对样本图像存在平坦区域和目标与背景纹理特征接近情况下进行阴影去除会有一定的不足之处。

聚类是把图像样本提取的抽象数据集分类到由相似数据点构成的多个类簇，同一个类簇内的数据点间非常相近，不同类簇内的数据点存在很大差异。图像分割的过程就是依据像素点自身的特性进行聚类的过程。目前，常用于图像分割的聚类算法有K-means算法及FCM算法。Rocha等人在HSV色彩空间通过利用K-means算法提取图像样本的背景，进而去除阴影，巨志勇等人将K-means算法与分水岭相结合进行果蔬图像分割，龚劬等人提出了一种基于图论的FCM图像分割算法。但是，对于一些数据来说K-means算法具有无法准确确定初始聚类中心数目及其初始数值对聚类结果影响极大、对于孤立的数据点或噪点比较敏感以及易于陷入局部极小解等缺点，FCM算法仅从图像样本像素的灰度值考虑，不会顾及异常数据点对其聚类结果造成的影响，所以对于噪点及孤立点比较敏感；迄今为止暂无对于运动鱼体运动阴影去除相关研究报道。

发明内容

有鉴于此，本发明的发明人针对传统K-means聚类算法存在的问题，分别从去除噪点及孤立数据点、使用马氏距离作为距离度量方法、明确聚类个数以及初始聚类中心点选择等方面进行优化，提出基于改进K-means聚类的运动鱼体阴影去除及图像分割方法，该方法可以很好的去除运动金鱼的阴影区域，实现良好的图像分割识别效果，为下一步的鱼类自动识别研究提供技术支持。

为了实现上述发明目的，本发明提供以下技术方案：