專(zhuān)利名稱(chēng)：基于最小生成樹(shù)的多尺度多層次影像分割方法
技術(shù)領(lǐng)域：
本方法屬于圖像處理與識(shí)別技術(shù)領(lǐng)域，特別是涉及一種新的基于最小生成樹(shù)最優(yōu) 化理論以及圖模型特點(diǎn)的多層次多尺度金字塔影像分割方法。
背景技術(shù)：
高空間分辨率遙感影像為我們提供了地面景觀的高精度空間幾何信息、豐富的紋 理信息以及多光譜信息，使得傳統(tǒng)的基于像素的遙感影像分類(lèi)方法已不適用，因此，高分辨 率遙感影像處理面臨影像所提供的細(xì)節(jié)的挑戰(zhàn)。為此，BaatZ*khape于1999年在[1]中 指出重要的語(yǔ)義解釋更需要用有意義的影像中對(duì)象及對(duì)象之間的相互關(guān)系而不是用一個(gè) 個(gè)像素來(lái)表示，因此，提出了面向?qū)ο蟮母叻直媛蔬b感影像目標(biāo)識(shí)別與分類(lèi)方法，即首先對(duì) 影像進(jìn)行分割生成對(duì)象區(qū)域，并用分層網(wǎng)絡(luò)來(lái)描述對(duì)象，再以對(duì)象為單位進(jìn)行目標(biāo)識(shí)別。基 于對(duì)象的光譜、形狀、紋理、空間關(guān)系以及人的知識(shí)進(jìn)一步推理的新分類(lèi)器證明在高空間分 辨率領(lǐng)域非常有用，它符合人類(lèi)識(shí)別目標(biāo)的規(guī)律，提高了分類(lèi)精度和細(xì)節(jié)。面向?qū)ο蟮膱D像 分割是對(duì)象獲取的主要方法之一，面向?qū)ο蟮哪繕?biāo)識(shí)別技術(shù)是通過(guò)對(duì)對(duì)象的光譜、幾何、紋 理、空間鄰域關(guān)系等信息組合來(lái)識(shí)別目標(biāo)，從理論和實(shí)際應(yīng)用中發(fā)現(xiàn)，對(duì)象分割的好壞直接 影響影像分類(lèi)識(shí)別的效果和精度，因?yàn)樗苯雨P(guān)系到能否準(zhǔn)確、有效地提取圖像上中目標(biāo) 的幾何信息和結(jié)構(gòu)信息，因此，面向?qū)ο蟾叻直媛蔬b感影像分割成為遙感圖像處理中的關(guān) 鍵和基礎(chǔ)，面向?qū)ο蠓指罘椒ǖ难芯恳渤蔀楦呖臻g分辨率熱點(diǎn)和難點(diǎn)之一。圖像分割在圖像理解中扮演著重要角色，由它得到的滿足一定準(zhǔn)則的同質(zhì)區(qū)域， 區(qū)域的內(nèi)部屬性和外部屬性(區(qū)域之間的包含、鄰接關(guān)系)的組合對(duì)目標(biāo)識(shí)別具有重要意 義。然而，到目前為止還沒(méi)有一種圖像分割方法能將影像中的所有目標(biāo)完全區(qū)分開(kāi)來(lái)，往 往會(huì)有過(guò)分割或欠分割現(xiàn)象，分割方法中參數(shù)設(shè)置的不同必然會(huì)產(chǎn)生不同的分割結(jié)果，而 且通常，同一分割方法在某參數(shù)下可能對(duì)某類(lèi)目標(biāo)達(dá)到較好的分割效果，而與此同時(shí)，其它 類(lèi)型目標(biāo)可能出現(xiàn)過(guò)分割或欠分割，很難實(shí)現(xiàn)某一尺度參數(shù)的設(shè)置就能達(dá)到對(duì)所有目標(biāo)的 完全劃分，往往只能針對(duì)某類(lèi)目標(biāo)在某種數(shù)據(jù)源下選擇合適的分割參數(shù)，這也就是說(shuō)細(xì)節(jié) 保留和大尺度在同一分割算法中很難并存，特別是對(duì)于高分辨率遙感影像，因此，通常研究 的圖像分割只是一種可以實(shí)現(xiàn)從影像中將特定尺度目標(biāo)劃分開(kāi)來(lái)的分割算法，選擇不同參 數(shù)將從影像中獲取不同細(xì)節(jié)(尺度大小)的對(duì)象。圖像分割的主要目的是為了目標(biāo)識(shí)別， 為目標(biāo)識(shí)別提供所需特征。因此，提供可以提高分類(lèi)和識(shí)別精度的分割結(jié)果以及有利于提 供目標(biāo)識(shí)別所需對(duì)象也就成了是分割方法主要任務(wù)。圖像分割中分割精確性與易分割性 的矛盾、過(guò)分割與欠分割的矛盾用固定尺度的分割技術(shù)難以解決，但通過(guò)多尺度分割技術(shù) 有可能解決這些矛盾，這方面研究和有待改進(jìn)的主要內(nèi)容包括基于多尺度的圖像預(yù)處理； 更為合適的多尺度數(shù)據(jù)結(jié)構(gòu)(描述和存儲(chǔ)數(shù)據(jù))；與之配合更好的多尺度分割策略(抽取 數(shù)據(jù)的準(zhǔn)則)。目前大多數(shù)多尺度分割都是結(jié)合多尺度分析理論，以事物在某一尺度下表現(xiàn) 為異質(zhì)的結(jié)構(gòu)要素，在大一級(jí)尺度上觀測(cè)卻是同質(zhì)的這樣一個(gè)尺度效應(yīng)為分割準(zhǔn)則，設(shè)置 不同的尺度參數(shù)來(lái)得到不同尺度上的分割結(jié)果，即大尺度粗分，小尺度細(xì)分，但沒(méi)有建立大小尺度分割結(jié)果之間的聯(lián)系以及分割結(jié)果的空間關(guān)系。同時(shí)，這種在多尺度圖像預(yù)處理后 進(jìn)行的圖像分割，在高層次上會(huì)出現(xiàn)邊界模糊不準(zhǔn)確問(wèn)題，從而不利于高層次目標(biāo)準(zhǔn)確提 取。地物本身屬性、地物組成結(jié)構(gòu)以及地物之間的鄰接關(guān)系等對(duì)目標(biāo)識(shí)別與分類(lèi)具有重要 意義，因此，設(shè)計(jì)滿足多尺度多層次表達(dá)的分割算法非常有意義。從目標(biāo)識(shí)別角度考慮，人類(lèi)認(rèn)知世界、識(shí)別目標(biāo)是將不同尺度組合，由粗到細(xì)、由 細(xì)到粗的認(rèn)知過(guò)程，從一幅影像中判斷出不同目標(biāo)時(shí)，是綜合了從圖像中所觀察到的各種 對(duì)象不同細(xì)節(jié)及其相互之間關(guān)系，如顏色、形狀、紋理、大小、鄰接、包含等關(guān)系才獲得很高 的識(shí)別準(zhǔn)確度，因此，在計(jì)算機(jī)目標(biāo)識(shí)別、高分辨率遙感影像分類(lèi)以及目標(biāo)識(shí)別時(shí)，充分利 用影像所提供的目標(biāo)的光譜、幾何以及鄰接、包含等特征，將會(huì)大大提高識(shí)別和分類(lèi)精度， 正因如此，建立智能目標(biāo)識(shí)別與分類(lèi)系統(tǒng)，需要獲取不同尺度對(duì)象的光譜、形狀、紋理和鄰 接關(guān)系，建立不同尺度的分類(lèi)層次，這也就是說(shuō)我們需要從影像中獲取不同尺度、不同層次 的綜合信息，而這也正是圖像分割所要提供的信息。由前面分析可知，通過(guò)某一組特定尺度 參數(shù)得到的分割結(jié)果并不能達(dá)到完全描述這些信息的目的，因此，需要將不同尺度參數(shù)得 到的分割結(jié)果，由粗到細(xì)或由細(xì)到粗的分割信息進(jìn)行描述，這就涉及到影像的多尺度多層 次分割與表達(dá)，為高分辨率遙感影像的目標(biāo)識(shí)別提供有利證據(jù)。目前國(guó)外已有eCognition商業(yè)軟件實(shí)現(xiàn)了基于區(qū)域增長(zhǎng)考慮光譜與形狀特征的 多尺度多層次影像分割，國(guó)內(nèi)目前還沒(méi)有這方面的軟件來(lái)實(shí)現(xiàn)多尺度多層次分割，大多數(shù) 分割都是基于影像多尺度空間選擇不同尺度影像進(jìn)行分割，缺少層次之間以及鄰接區(qū)域之 間空間關(guān)系的聯(lián)系與描述。為了更好地分析和利用同一層對(duì)象之間的空間鄰接關(guān)系、多尺度多層次信息、上 下層對(duì)象之間存在包含與被包含的關(guān)系，需要實(shí)現(xiàn)將小尺度目標(biāo)合并得到大尺度目標(biāo)的多 層次分割，這也正符合實(shí)際事物、地物層次劃分思想。本發(fā)明研究并實(shí)現(xiàn)了基于最小生成樹(shù) 的多層次多尺度影像分割，用金字塔圖模型來(lái)表示各層數(shù)據(jù)以及層內(nèi)、層間聯(lián)系。目前金字 塔圖模型主要有簡(jiǎn)單圖(simple graph)、對(duì)偶圖(dual graph)和組合圖(combinatorial maps)三種金字塔表達(dá)模型。簡(jiǎn)單圖是無(wú)自環(huán)、無(wú)重邊的圖，其結(jié)構(gòu)簡(jiǎn)單、容易實(shí)現(xiàn)，計(jì)算效 率高，映射節(jié)點(diǎn)的父子關(guān)系方便，容易獲取頂點(diǎn)間的鄰接關(guān)系，具有很強(qiáng)的實(shí)用性，因此，廣 泛應(yīng)用于金字塔分割圖模型中。金字塔收縮方法是指如何由G1得到G1+1，特別是對(duì)于圖像分割來(lái)說(shuō)，它確定了金字 塔的收斂高度以及所生成的每層數(shù)據(jù)的性質(zhì)，合理的收縮方法可以避免金字塔過(guò)高而產(chǎn)生 存儲(chǔ)空間消耗太大，這實(shí)際上就是分割準(zhǔn)則的設(shè)置，準(zhǔn)則設(shè)置的好壞也決定了生成的分割 區(qū)域性質(zhì)。Haxhimusa等分別用對(duì)偶圖[2_4]和組合圖[5]構(gòu)造金字塔，用Boruvka最小生 成樹(shù)算法和文獻(xiàn)W]中的分割準(zhǔn)則實(shí)現(xiàn)了影像的多層次多尺度分割。構(gòu)造最小生成樹(shù)的圖像分割思想省去了構(gòu)建整幅圖像最小生成樹(shù)的過(guò)程，提高了 效率。但是，簡(jiǎn)單閾值準(zhǔn)則對(duì)噪聲敏感，而且此類(lèi)方法在分裂或合并過(guò)程中，與原始數(shù)據(jù)無(wú) 關(guān)，僅與邊權(quán)值有關(guān)。當(dāng)然，也可以在算法實(shí)現(xiàn)和準(zhǔn)則設(shè)置中將原始數(shù)據(jù)及其鄰域關(guān)系考慮 進(jìn)來(lái)，但這樣將會(huì)增加計(jì)算復(fù)雜度。
背景技術(shù)：
中的引用文獻(xiàn)1. Blaschke, T. and J. Strobl, What ‘ s wrong with pixels ？ Some recent developmentsinterfacing remote sensing and GIS. GIS-Zeitschrift
4fiirGeoinformationssysteme, 2001. 14(6) :ρ· 12-17.2. Haxhimusa, Y. and W. Kropatsch, Hierarchy of Partitions with Dual GraphContraction, in Pattern Recognition.2003, Springer Berlin/Heidelberg, p. 338-345.3. Haxhimusa, Y. and W. Kropatsch, Segmentation Graph Hierarchies, in Proceedingsof Joint Workshops on Structural, Syntactic, and Statistical PatternRecognition S+SSPR. 2004, Springer Berlin/Heidelberg, p. 343-351.4. Kropatsch, W. G. and Y. Haxhimusa. Grouping and segmentation in a hierarchy ofgraphs, in Proceeding of the 16th IS&T/SPIE Annual Symposium. 2004.5. Ion, A. , Y. Haxhimusa, W. G. Kropatsch, and L. Brunz, Hierarchical ImagePartitioning using Combinatorial Maps, in Proceeding of the JointHungarian-Austrian Conference on Image Processing and Pattern Recognition, D.Chetverikov, L.Czuni, and M. Vincze, Editors. May 2005 :Hungary. p. 179—186.6. Felzenszwalb, P. F. and D. P. Huttenlocher, Efficient Graph-Based ImageSegmentation. International Journal of Computer Vision 200459(2) :p. 167-18
發(fā)明內(nèi)容
針對(duì)多尺度多層次影像分割與描述問(wèn)題，為避免多尺度空間中出現(xiàn)的邊界模糊不 準(zhǔn)確問(wèn)題，同時(shí)能描述對(duì)象之間鄰接關(guān)系以及上下層之間的關(guān)系，本發(fā)明提供了一種基于 最小生成樹(shù)的多尺度多層次影像分割方法。本發(fā)明的技術(shù)方案包括如下步驟步驟一、將圖像用簡(jiǎn)單圖模型來(lái)表示，簡(jiǎn)單圖模型的每個(gè)頂點(diǎn)對(duì)應(yīng)圖像的一個(gè)像 素，每?jī)蓚€(gè)鄰接頂點(diǎn)之間用邊連接，每條邊的邊權(quán)值為該邊連接的兩個(gè)頂點(diǎn)所對(duì)應(yīng)兩像素 之間的差異；步驟二、根據(jù)預(yù)先設(shè)定的區(qū)域合并準(zhǔn)則以及分割參數(shù)對(duì)步驟一所得簡(jiǎn)單圖模型進(jìn) 行基于最小生成樹(shù)的影像分割，分割時(shí)從簡(jiǎn)單圖模型中的最小權(quán)值邊開(kāi)始按區(qū)域合并準(zhǔn)則 進(jìn)行增長(zhǎng)直到最大權(quán)值邊，合并生成的每個(gè)最小生成樹(shù)代表一個(gè)連通的區(qū)域，得到初始的 分割結(jié)果；步驟三、以分割結(jié)果所得每個(gè)區(qū)域?yàn)轫旤c(diǎn)，每個(gè)區(qū)域與其鄰接區(qū)域之間由邊連接， 以區(qū)域與鄰接區(qū)域間的直方圖距離作為邊權(quán)值，構(gòu)造出新的簡(jiǎn)單圖模型；步驟四、對(duì)步驟三所得簡(jiǎn)單圖模型根據(jù)邊權(quán)值進(jìn)行基于最小生成樹(shù)的影像分割， 得到新的分割結(jié)果，然返回到步驟三循環(huán)執(zhí)行構(gòu)造新的簡(jiǎn)單圖模型并分割，每輪循環(huán)中進(jìn) 行分割時(shí)采用的區(qū)域合并準(zhǔn)則設(shè)置不同大小相似度閾值，經(jīng)多次循環(huán)完成得到所需的多尺
度多層次影像分割，每輪循環(huán)得到的簡(jiǎn)單圖模型和步驟一得到的簡(jiǎn)單圖模型形成影像金字 +
-tB。而且，在步驟一，簡(jiǎn)單圖模型中邊權(quán)值為每條邊的權(quán)重，采用波段加權(quán)歐氏距離來(lái)
計(jì)算權(quán)重?；蛘?，在步驟一，簡(jiǎn)單圖模型中邊權(quán)值為每條邊的權(quán)重，在圖像為多波段影像時(shí)采用余弦角距離來(lái)計(jì)算權(quán)重。而且，在步驟二，預(yù)先設(shè)定的區(qū)域合并準(zhǔn)則綜合多種區(qū)域特性，包括考慮光譜、形 狀和紋理。而且，在步驟二，分割參數(shù)根據(jù)預(yù)先設(shè)定的區(qū)域合并準(zhǔn)則來(lái)進(jìn)行設(shè)定，分割參數(shù)中 包含一個(gè)用于防止生成過(guò)小區(qū)域的最小區(qū)域面積大小參數(shù)。而且，在步驟三，鄰接區(qū)域間的直方圖距離采用適合于多波段統(tǒng)計(jì)特性比較的直 方圖距離。而且，直方圖距離采用的是卡方距離，鄰接區(qū)域間的直方圖距離取值范圍為0-1。而且，影像金字塔每一層對(duì)應(yīng)一個(gè)簡(jiǎn)單圖模型，步驟一得到的簡(jiǎn)單圖模型是影像 金字塔的最底層；整個(gè)影像金字塔用一個(gè)樹(shù)結(jié)構(gòu)來(lái)描述，該樹(shù)結(jié)構(gòu)反映上層某個(gè)區(qū)域由下 一層多個(gè)區(qū)域組成的對(duì)應(yīng)關(guān)系。本發(fā)明采用圖模型來(lái)描述影像以及分割所生成的每一層對(duì)象以及對(duì)象之間的鄰 接關(guān)系，采用基于最小生成樹(shù)理論的圖像分割，以區(qū)域之間的直方圖距離構(gòu)建邊權(quán)，通過(guò)設(shè) 置不同大小相似度閾值實(shí)現(xiàn)多尺度多層次影像分割。


圖1為本發(fā)明的多層次多尺度分割金字塔構(gòu)建示意圖。
具體實(shí)施例方式以下結(jié)合附圖和本發(fā)明的實(shí)施例，對(duì)本發(fā)明技術(shù)方案進(jìn)行詳細(xì)說(shuō)明。實(shí)施例的實(shí) 現(xiàn)過(guò)程如下步驟一、將圖像用簡(jiǎn)單圖模型來(lái)表示，簡(jiǎn)單圖模型的每個(gè)頂點(diǎn)對(duì)應(yīng)圖像的一個(gè)像 素，每?jī)蓚€(gè)鄰接頂點(diǎn)之間用邊連接，每條邊的邊權(quán)值為該邊連接的兩個(gè)頂點(diǎn)所對(duì)應(yīng)兩像素 之間的差異。簡(jiǎn)單圖模型中邊權(quán)值為每條邊的權(quán)重，實(shí)施例采用波段加權(quán)歐氏距離來(lái)計(jì)算權(quán) 重。特別地，當(dāng)圖像為多波段影像時(shí)，還可以采用余弦角距離來(lái)計(jì)算權(quán)重。具體計(jì)算方式為 現(xiàn)有技術(shù)，本發(fā)明不予贅述。步驟二、根據(jù)預(yù)先設(shè)定的區(qū)域合并準(zhǔn)則以及分割參數(shù)對(duì)步驟一所得簡(jiǎn)單圖模型進(jìn) 行基于最小生成樹(shù)的影像分割，分割時(shí)從簡(jiǎn)單圖模型中的最小權(quán)值邊開(kāi)始按區(qū)域合并準(zhǔn)則 進(jìn)行增長(zhǎng)直到最大權(quán)值邊，合并生成的每個(gè)最小生成樹(shù)代表一個(gè)連通的區(qū)域，得到初始的 分割結(jié)果。最小生成樹(shù)問(wèn)題描述為尋找邊權(quán)和最小的生成樹(shù)，對(duì)于圖像分割來(lái)說(shuō)，尋找差異 最小的連通區(qū)域問(wèn)題就可以轉(zhuǎn)化為最小生成樹(shù)問(wèn)題。因此，在步驟一實(shí)現(xiàn)了將圖像表示的 像素之間關(guān)系用簡(jiǎn)單圖模型表示后，可以基于最小生成樹(shù)對(duì)步驟一所得簡(jiǎn)單圖模型進(jìn)行影 像分割?；谧钚∩蓸?shù)的圖像分割主要有自頂向下分裂最小生成樹(shù)與自底向上合并生成 多個(gè)最小生成樹(shù)兩種策略。實(shí)施例采用Kruskal最小生成樹(shù)算法以及自底向上的合并策略 實(shí)現(xiàn)基于最小生成樹(shù)的影像分割，具體算法和策略為現(xiàn)有技術(shù)，本發(fā)明不予贅述。在預(yù)先設(shè)定區(qū)域合并準(zhǔn)則時(shí)，建議綜合多種區(qū)域特性，包括考慮光譜、形狀和紋理 等，具體實(shí)施可以根據(jù)需要設(shè)定。為方便實(shí)施參考起見(jiàn)，以下提供三種準(zhǔn)則設(shè)定方案
6
A基于最小類(lèi)內(nèi)方差的考慮光譜和形狀特征的分割準(zhǔn)則，設(shè)判斷是否能夠合并的 對(duì)象為區(qū)域S1和區(qū)域&，兩區(qū)域合并后所得對(duì)象的類(lèi)內(nèi)差異由( 式計(jì)算，若差異小于某 閾值th，則區(qū)域S1和區(qū)域&可以合并，若大于該閾值th則不合并，該準(zhǔn)則表示為(1)式
權(quán)利要求
1.基于最小生成樹(shù)的多尺度多層次影像分割方法，其特征是包括以下步驟， 步驟一、將圖像用簡(jiǎn)單圖模型來(lái)表示，簡(jiǎn)單圖模型的每個(gè)頂點(diǎn)對(duì)應(yīng)圖像的一個(gè)像素，每?jī)蓚€(gè)鄰接頂點(diǎn)之間用邊連接，每條邊的邊權(quán)值為該邊連接的兩個(gè)頂點(diǎn)所對(duì)應(yīng)兩像素之間的差異；步驟二、根據(jù)預(yù)先設(shè)定的區(qū)域合并準(zhǔn)則以及分割參數(shù)對(duì)步驟一所得簡(jiǎn)單圖模型進(jìn)行基 于最小生成樹(shù)的影像分割，分割時(shí)從簡(jiǎn)單圖模型中的最小權(quán)值邊開(kāi)始按區(qū)域合并準(zhǔn)則進(jìn)行 增長(zhǎng)直到最大權(quán)值邊，合并生成的每個(gè)最小生成樹(shù)代表一個(gè)連通的區(qū)域，得到初始的分割結(jié)果；步驟三、以分割結(jié)果所得每個(gè)區(qū)域?yàn)轫旤c(diǎn)，每個(gè)區(qū)域與其鄰接區(qū)域之間由邊連接，以區(qū) 域與鄰接區(qū)域間的直方圖距離作為邊權(quán)值，構(gòu)造出新的簡(jiǎn)單圖模型；步驟四、對(duì)步驟三所得簡(jiǎn)單圖模型根據(jù)邊權(quán)值進(jìn)行基于最小生成樹(shù)的影像分割，得到 新的分割結(jié)果，然后返回到步驟三循環(huán)執(zhí)行構(gòu)造新的簡(jiǎn)單圖模型并分割，每輪循環(huán)中進(jìn)行 分割時(shí)采用的區(qū)域合并準(zhǔn)則設(shè)置不同大小相似度閾值，經(jīng)多次循環(huán)完成得到所需的多尺度多層次影像分割，每輪循環(huán)得到的簡(jiǎn)單圖模型和步驟一得到的簡(jiǎn)單圖模型形成影像金字 + -tB。
2.根據(jù)權(quán)利要求1所述的多尺度多層次影像分割方法，其特征是在步驟一，簡(jiǎn)單圖模 型中邊權(quán)值為每條邊的權(quán)重，采用波段加權(quán)歐氏距離來(lái)計(jì)算權(quán)重。
3.根據(jù)權(quán)利要求1所述的多尺度多層次影像分割方法，其特征是在步驟一，簡(jiǎn)單圖模 型中邊權(quán)值為每條邊的權(quán)重，在圖像為多波段影像時(shí)采用余弦角距離來(lái)計(jì)算權(quán)重。
4.根據(jù)權(quán)利要求1所述的多尺度多層次影像分割方法，其特征是在步驟二，預(yù)先設(shè)定 的區(qū)域合并準(zhǔn)則綜合多種區(qū)域特性，包括考慮光譜、形狀和紋理。
5.根據(jù)權(quán)利要求1所述的多尺度多層次影像分割方法，其特征是在步驟二，分割參數(shù) 根據(jù)預(yù)先設(shè)定的區(qū)域合并準(zhǔn)則來(lái)進(jìn)行設(shè)定，分割參數(shù)中包含一個(gè)用于防止生成過(guò)小區(qū)域的 最小區(qū)域面積大小參數(shù)。
6.根據(jù)權(quán)利要求1所述的多尺度多層次影像分割方法，其特征是在步驟三，鄰接區(qū)域 間的直方圖距離采用適合于多波段統(tǒng)計(jì)特性比較的直方圖距離。
7.根據(jù)權(quán)利要求6所述的多尺度多層次影像分割方法，其特征是直方圖距離采用的 是卡方距離，鄰接區(qū)域間的直方圖距離取值范圍為0-1。
8.根據(jù)權(quán)利要求1所述的多尺度多層次影像分割方法，其特征是影像金字塔每一層 對(duì)應(yīng)一個(gè)簡(jiǎn)單圖模型，步驟一得到的簡(jiǎn)單圖模型是影像金字塔的最底層；整個(gè)影像金字塔 用一個(gè)樹(shù)結(jié)構(gòu)來(lái)描述，該樹(shù)結(jié)構(gòu)反映上層某個(gè)區(qū)域由下一層多個(gè)區(qū)域組成的對(duì)應(yīng)關(guān)系。
全文摘要
本發(fā)明提出了一種基于最小生成樹(shù)的多尺度多層次影像分割方法，采用圖模型表達(dá)及實(shí)現(xiàn)多尺度多層次圖像分割。該分割方法適合于各種影像以及各種準(zhǔn)則得到的初始分割結(jié)果，有效地將過(guò)分割區(qū)域在高層分割中進(jìn)行合并，避免了過(guò)分割現(xiàn)象；同時(shí)，不同層次多尺度分割結(jié)果對(duì)分析目標(biāo)結(jié)構(gòu)組成提供了不同層次的特征描述信息，對(duì)目標(biāo)識(shí)別具有重要意義。
文檔編號(hào)G06T7/00GK102096816SQ20111003181
公開(kāi)日2011年6月15日 申請(qǐng)日期2011年1月28日 優(yōu)先權(quán)日2011年1月28日
發(fā)明者崔衛(wèi)紅, 潘斌 申請(qǐng)人:武漢大學(xué)