[发明专利]基于显著性的自适应阈值自然目标图像分割抽取算法

摘要

本发明公开的基于显著性的适应阈值自然目标图像分割抽取算法，包括以下步骤：步骤1、对自然目标图像进行聚类分割和显著信息提取，得到均值显著图像；步骤2、根据均值显著图像对自然目标图像进行自适应阈值分割，得到未处理的分割结果二值图像，对未处理的分割结果二值图像进行区域填充，得到完整的目标二值化图像。本算法在通过统计颜色分布信息有效计算其峰值个数作为K‑means聚类的聚类中心数K，消除了人工因素对分割过程的影响。同时，与Mean Shift算法进行分割相比，K‑means算法聚类结果较好。因此，本发明的算法在分割结果的准确性好。

主权项

1.基于显著性的自适应阈值自然目标图像分割抽取算法，其特征在于，包括以下步骤：步骤1、对自然目标图像进行聚类分割和显著信息提取，得到均值显著图像，具体按照下述步骤进行：步骤1.1、创造一个M*N图像矩阵im，将图像矩阵im存储作为输入自然图像，将自然目标图像从RGB色彩空间转换到CIELAB色彩空间，保存为图像矩阵labim；RGB色彩空间转化到CIELAB色彩空间的过程如下，先将RGB色彩空间根据公式(1)转化为CIEXYZ色彩空间，然后根据公式(2)—(5)将CIEXYZ色彩空间转化到CIELAB色彩空间，公式(1)—(5)中，L*为明度指数，a*，b*为色品指数，X，Y，Z为颜色样品的三刺激值，X_n，Y_n，Z_n为CIE标准照明体照射到完全漫反射体表面的三刺激值，取Xn＝0.9515，Yn＝1.0000，Zn＝1.0886，t为函数f(t)的变量；步骤1.2、用SLIC超像素分割算法对图像矩阵labim进行聚类；根据CIELAB空间图像矩阵labim的测地距离进行K‑means聚类，产生尺寸均匀，且保持颜色边界的超像素分割结果图像；具体为，首先，将图像矩阵labim划分为K＝400个网格，计算每个网格的中心点并在[‑2，2]范围内波动，作为K‑means聚类的初始聚类中心，初始时所有像素均未归类，此时任何一个像素点归属于类m的距离dis(m)＝∞，m为聚类的标签，dis(m)为像素点到类n的距离；然后，在聚类中心的2S*2S区域内计算每个像素点与该类中心点之间的测地线距离D，S为网格边长度，S根据公式(6)计算得出，公式(6)中，N为图像的像素个数，K＝400，若D<dis(m)，则像素点暂时归类到m类，并改变dis(m)＝D，调整聚类中心，dis(m)＜D，不处理，在聚类迭代过程中，在聚类中心的2S*2S区域内；若迭代次数it<5，则重复上述计算，否则结束K‑means聚类迭代，最后，得到聚类结果图像矩阵labim；步骤1.3、根据步骤1.2所得的聚类结果，计算聚类中图像矩阵labim颜色和位置，分别为超像素块的颜色和位置；计算标签m内的平均颜色信息和平均位置信息，以平均颜色信息作为标签m内超像素的颜色信息，平均位置信息作为标签m内超像素的位置信息；步骤1.4、根据超像素块的颜色和位置信息，计算超像素块颜色独立性信息、空间颜色分布信息；根据公式(7)计算颜色独立性信息，根据公式(9)计算空间颜色分布信息；公式(7)中，U_i为颜色独立性，表示超像素在CIELAB空间中与其它超像素j的颜色比值，N为超像素分割结果中的超像素的个数，P_i，P_j为在超像素i，j在分割结果中的位置信息，w(P_j,P_j)为超像素i与超像素j之间的距离权重，采用高斯权函数公式(8)计算超像素间权重，公式(8)中，σ_P＝0.25；根据公式(9)计算空间颜色分布信息；公式(9)中，为超像素i的加权位置信息，公式(10)为超像素i与超像素j之间的颜色权重，表示颜色之间的相似性，公式(10)中，σ_c＝20；步骤1.5、根据超像素块颜色独立性信息、空间颜色分布信息，计算超像素块显著信息；由于空间颜色分布的区分度更大，在显著信息融合的时候将其放在指数位置，最终超像素i的显著信息为S_i为公式(11)；S_i＝U_i·exp(‑k·D_i)                   (11)公式(11)中，k为常数3，从上式可以看出，当空间分布越广泛时，空间颜色分布D_i值越大，显著信息S_i越小，反之，颜色空间分布越窄，其显著信就越大；步骤1.6、将超像素块显著信息转换为像素级，保存为均值显著图像矩阵sal；图像中每个像素的显著性为其周围超像素的显著信息Sj的高斯线性加权；公式(12)其中，权值w_ij由位置和颜色共同决定；公式(13)中，α＝β＝1/30，用以调节颜色和位置信息的比重；步骤2、根据均值显著图像对自然目标图像进行自适应阈值分割，得到未处理的分割结果二值图像，对未处理的分割结果二值图像进行区域填充，得到完整的目标二值化图像。