[发明专利]一种基于非线性尺度空间的图像分割方法

说明书

本发明公开了一种基于非线性尺度空间的图像分割方法，涉及图像分割技术领域，基于KAZE特征，构建非线性尺度空间，通过KAZE算法对输入的图片进行非线性滤波，然后计算图像的梯度直方图，获取对比度参数k，根据一组进化时间t，利用加性分子分裂算法得到非线性尺度空间的所有图像，再平滑图像，利用迭代算法进行全局阈值处理，然后利用边缘改进全局阈值处理，基于改进后的阈值对图像中物体和背景进行初步分割，当物体和背景的对比度在图像中不统一时，根据图像的局部特征，通过最大类间方差法得到阈值并进行图像的分割。本发明解决了线性尺度空间内无法有效分辨均匀区域与边缘区域，在相同的滤波尺度条件下丢失大量局部细节的问题。

技术领域

本发明涉及图像分割技术领域，具体为一种基于非线性尺度空间的图像分割方法。

背景技术

现实情况下物体距离观察者所处位置的远近而呈现出不同的表达，如人眼观察物体在不同的尺度下感受不同，距离较远时观察到的是主要轮廓区域，近距离下观察到更多的细节信息。大尺度参数情况下，高频信息丢失严重，主要显示大致轮廓信息，高频段细节被称作图像中显著的特征。高频信息在视觉领域易于发现与辨识，能够运用于进行特征提取、目标识别等任务。这就是不同尺度下所带来的效应，计算机视觉中的多尺度技术想要表达的基本思想是大尺度情况下图像模糊轮廓形状是小尺度情况下图像轮廓形状的采样，尺度空间能够很好地模拟人眼观察事物的情况，因此在计算机视觉领域中得到很好的应用。构建尺度空间方法主要分为两类：线性尺度空间与非线性尺度空间，构建尺度空间。

线性与非线性尺度空间的主要区别在于滤波核函数的不同。线性尺度空间主要核函数是高斯核函数：其计算简单，高效，同时高斯核函数是唯一的尺度不变核函数，但是，高斯函数主要的缺点在于无法有效地分辩均匀区域与边缘区域，都是相同的滤波尺度，导致丢失大量局部细节。

发明内容

针对现有技术的不足，本发明提供了一种基于非线性尺度空间的图像分割方法，具备可有效分割图像的优点，解决了无法有效分辨图像的问题。

为实现上述可有效分割图像的目的，本发明提供如下技术方案，一种基于非线性尺度空间的图像分割方法，步骤如下：

S1：基于KAZE特征，构建非线性尺度空间；

S2：通过KAZE算法对输入的图片进行非线性滤波，然后计算图像的梯度直方图，获取对比度参数k，根据一组进化时间t，利用加性分子分裂算法得到非线性尺度空间的所有图像；

S3：对S2获取的图像进行平滑处理，并利用迭代算法进行全局阈值处理，再利用边缘改进全局阈值处理，基于改进后的阈值对图像中物体和背景进行初步分割；

S4：对物体和背景进行对比，当物体和背景的对比度在图像中不统一时，根据图像的局部特征，通过最大类间方差法得到阈值并进行图像的分割。

作为优化，所述S3中，迭代算法进行全局阈值处理，步骤如下：

S301：统计图像灰度直方图，求出图像的最大灰度值和最小灰度值，分别记为Z_MAX和Z_MIN，令初始阈值T₀＝(Z_MAX+Z_MIN)/2，迭代次数K＝1；

S302：根据第K次迭代阈值T_K将图像分割为前景和背景，计算小于T₀所有灰度的均值Z_A，和大于T₀的所有灰度的均值Z_B；

S303：求出新阈值T_K+1＝(Z_A+Z_B)/2；

S304：若T_K和T_K+1之间的差小于预定义参数ΔT，则所得T_K+1即为迭代最终阈值，否则迭代次数K加1，转S302，继续迭代计算。