基于模糊連接度的近鄰傳播聚類圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，涉及圖像分割方法，特別是涉及基于模糊連接度的近 鄰傳播聚類圖像分割方法，可用于自然彩色圖像的自動(dòng)分割。
【背景技術(shù)】
[0002] 1996年Udupa提出了模糊連接度理論框架，并提出了閾值模糊連接度算法用于醫(yī) 學(xué)圖像分割。此后，相對(duì)模糊連接度算法、迭代相對(duì)模糊連接度算法相繼被提出。模糊連接 度方法使用像素的空間位置特征計(jì)算鄰近關(guān)系，使用灰度或顏色等其他特征以及鄰近關(guān)系 計(jì)算親和關(guān)系，最后以模糊連接度來(lái)判定像素所屬的目標(biāo)，以一種新的方式將像素點(diǎn)的不 同特征結(jié)合，魯棒性非常好，在醫(yī)學(xué)圖像分割中取得了很好的效果。但模糊連接度方法大多 是交互式的分割方法，需要人工選取種子點(diǎn)，而且主要應(yīng)用于醫(yī)學(xué)圖像，在自然圖像中的應(yīng) 用比較少。
[0003] 近鄰傳播聚類（Affinity Propagation Clustering)是 Frey 等人 2007 年在期刊 《science》上提出的一種較新的聚類算法。AP聚類和譜聚類一樣，以數(shù)據(jù)點(diǎn)間的相似度作 為輸入。與傳統(tǒng)的聚類方法相比，AP聚類不需要事先指定類中心和聚類數(shù)目，聚類精度高， 穩(wěn)定性好，很快成為了一個(gè)研究熱點(diǎn)。已有學(xué)者對(duì)使用AP聚類的圖像分割方法進(jìn)行了初步 研究。這些研究主要集中在多光譜圖像的分割上，也有部分的醫(yī)學(xué)圖像和自然圖像的分割。 在這些研究的相似度計(jì)算方法中，大部分沒(méi)有考慮像素的空間信息，或者使用將像素的空 間相似性和密度相似性直接相乘的方法，不能充分發(fā)揮兩種相似度的作用，分割精度低。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是針對(duì)傳統(tǒng)相似度計(jì)算方法中不能充分發(fā)揮空間特征和密度特征 作用的不足，提出一種使用模糊連接度計(jì)算相似度的AP聚類圖像分割方法，以改善分割效 果。
[0005] 實(shí)現(xiàn)本發(fā)明的技術(shù)關(guān)鍵是：先對(duì)圖像使用超像素技術(shù)進(jìn)行超像素分割，以減小數(shù) 據(jù)量，在提取完超像素的空間特征和密度特征后，計(jì)算出超像素的親和關(guān)系，使用遍歷最大 生成樹(shù)的方法計(jì)算像素的模糊連接度，根據(jù)模糊連接度和空間距離計(jì)算超像素的相似度， 以這種基于模糊連接度的相似度代替?zhèn)鹘y(tǒng)的相似度計(jì)算方法。具體實(shí)現(xiàn)步驟如下：
[0006] (1)超像素預(yù)分割步驟：
[0007] (Ia)設(shè)置超像素?cái)?shù)目，使用Normalized Cut超像素技術(shù)對(duì)圖像進(jìn)行超像素分割。
[0008] (Ib)對(duì)每一個(gè)超像素，提取其空間特征和密度特征。
[0009] (2)基于模糊連接度的相似度計(jì)算步驟：
[0010] (2a)計(jì)算超像素空間特征的歐氏距離矩陣dist。
[0011] (2b)設(shè)置鄰域半徑radius。
[0012] (2c)根據(jù)超像素的空間特征計(jì)算鄰近關(guān)系矩陣adj。
[0013] (2d)根據(jù)超像素的密度特征和鄰近關(guān)系計(jì)算親和關(guān)系矩陣aff。
[0014] (2e)根據(jù)超像素的親和關(guān)系計(jì)算模糊連接度矩陣Μ。
[0015] (2f)以超像素間的模糊連接度與歸一化后的空間距離相似度的加權(quán)和作為最終 的相似度，得到最終的相似度矩陣S。
[0016] (3) AP聚類步驟：
[0017] (3a)調(diào)用AP聚類算法對(duì)超像素進(jìn)行聚類。
[0018] (3b)根據(jù)聚類結(jié)果生成分割結(jié)果。
[0019] 在上述步驟中，超像素的空間特征和密度特征提取方法為：
[0020] 空間特征：計(jì)算超像素內(nèi)部所有像素的X坐標(biāo)平均值作為該超像素的X坐標(biāo)，所有 像素的y坐標(biāo)平均值作為該超像素的y坐標(biāo)，將超像素的x、y坐標(biāo)值作為其2維空間特征。
[0021] 密度特征：將原圖像映射到LUV顏色空間下，對(duì)每一個(gè)超像素，計(jì)算其內(nèi)部所有像 素的平均L顏色值作為該超像素的L顏色特征，所有像素的平均U顏色值作為該超像素的 U顏色特征，所有像素的平均V顏色值作為該超像素的V顏色特征，以超像素歸一化后的L、 U、V顏色特征作為其3維密度特征。
[0022] 在上述步驟中，鄰域半徑radius計(jì)算公式如下：
[0024] 其中V是過(guò)分割后的超像素集合，dist(u，V)代表超像素 u和超像素 V位置坐標(biāo) 的歐氏距離，C是鄰域參數(shù)，設(shè)為取值范圍為[2, +…]。
[0025] 在上述步驟中，鄰近關(guān)系adj計(jì)算公式如下：
[0027] 其中 Ic1 設(shè)為 0.1。
[0028] 在上述步驟中，親和關(guān)系aff計(jì)算公式如下：
[0030] 其中f(i)代表超像素 i的密度特征，σ是親和度參數(shù)，用于調(diào)節(jié)親和度的分布。
[0031] 在上述步驟中，模糊連接度矩陣計(jì)算方法如下：
[0032] 將超像素視作圖論中圖的節(jié)點(diǎn)，超像素的鄰近關(guān)系視作圖中的邊，親和關(guān)系視作 邊的權(quán)重。隨機(jī)選取根節(jié)點(diǎn)調(diào)用最大生成樹(shù)算法，得到一棵最大生成樹(shù)。用深度優(yōu)先的方 式遍歷最大生成樹(shù)，在遍歷過(guò)程中用以下公式計(jì)算本次遍歷的節(jié)點(diǎn)u與每一個(gè)已遍歷過(guò)的 節(jié)點(diǎn)V的模糊連接度：
[0033] M(u, v) = min {aff [u, parent (u) ], M [parent (u), v]
[0034] 式中，parent (u)代表節(jié)點(diǎn)u在最大生成樹(shù)中的父節(jié)點(diǎn)。
[0035] 本發(fā)明與現(xiàn)有技術(shù)相比有如下優(yōu)點(diǎn)：
[0036] 第一，本發(fā)明使用Normalized Cut超像素技術(shù)對(duì)圖像進(jìn)行超像素分割，在盡可能 不破壞邊緣信息的情況下，大大減小了數(shù)據(jù)量，克服了近鄰傳播聚類時(shí)空復(fù)雜度太高而導(dǎo) 致的內(nèi)存消耗過(guò)大，運(yùn)行時(shí)間過(guò)長(zhǎng)的問(wèn)題。
[0037] 第二，本發(fā)明使用超像素的模糊連接度作為相似度的主要參考信息，同時(shí)考慮了 超像素的空間特征和密度特征，又不會(huì)出現(xiàn)因?yàn)橥荒繕?biāo)跨度過(guò)大導(dǎo)致的目標(biāo)內(nèi)部超像素 相似度降低的問(wèn)題，充分發(fā)揮了超像素空間特征和密度特征的作用，大大提高了分割精度。
[0038] 第三，本發(fā)明使用超像素的模糊連接度和空間相似度的加權(quán)和作為最終相似度， 避免了單純使用模糊連接度而導(dǎo)致的相似度矩陣中出現(xiàn)大量相同值的情況。實(shí)驗(yàn)證明，使 用本發(fā)明的相似度計(jì)算方法，最終的分割結(jié)果對(duì)近鄰傳播聚類中的偏向參數(shù)的依賴程度遠(yuǎn) 遠(yuǎn)低于現(xiàn)有方法，從而可以將該參數(shù)設(shè)為定值，實(shí)現(xiàn)全自動(dòng)分割。
【附圖說(shuō)明】：
[0039] 圖1是本發(fā)明的算法流程圖；
[0040] 圖2是Berkeley圖像庫(kù)BSDS300中的圖像135069的分割結(jié)果對(duì)比圖；
[0041] 圖3是Berkeley圖像庫(kù)BSDS300中的圖像183055的分割結(jié)果對(duì)比圖；
[0042] 圖4是Berkeley圖像庫(kù)BSDS300中的圖像176035的分割結(jié)果對(duì)比圖。
【具體實(shí)施方式】：
[0043] 參照?qǐng)D1，本發(fā)明的具體步驟如下：
[0044] (1)用Normalized Cut超像素技術(shù)對(duì)圖像進(jìn)行超像素分割，以超像素作為數(shù)據(jù)點(diǎn)。 Normalized Cut超像素算法中有一個(gè)參數(shù)N，用于指導(dǎo)超像素?cái)?shù)目，設(shè)為1000。
[0045] (2)對(duì)每一個(gè)超像素，提取其空間特征和密度特征。
[0046] 超像素空間特征提取方法為：計(jì)算超像素內(nèi)部所有像素的X坐標(biāo)平均值作為該超 像素的X坐標(biāo)，所有像素的y坐標(biāo)平均值作為該超像素的y坐標(biāo)，將超像素的X、y坐標(biāo)值作 為其2維空間特征。
[0047] 超像素密度特征提取方法為：將原圖像映射到LUV顏色空間下，對(duì)每一個(gè)超像素， 計(jì)算其內(nèi)部所有像素的平均L顏色值作為該超像素的L顏色特征，所有像素的平均U顏色 值作為該超像素的U顏色特征，所有像素的平均V顏色值作為該超像素的V顏色特征，以超 像素歸一化后的L、U、V顏色特征作為其3維密度特征。
[0048] (3)計(jì)算超像素空間特征的歐氏距離矩陣dist。
[0049] (4)根據(jù)超像素的空間特征歐氏距離關(guān)系確定鄰域半徑參數(shù)radius。鄰域半徑計(jì) 算公式如下：
[0051] 其中V是過(guò)分割后的超像素集合，dist(u，V)代表超像素 u和超像素 V位置坐標(biāo) 的歐氏距離，C是鄰域參數(shù)，設(shè)為5。
[0052] (5)根據(jù)超像素的空間特征計(jì)算鄰近關(guān)系矩陣adj。鄰近關(guān)系計(jì)算公式如下：
[0054] 其中 Ic1 設(shè)為 0.1。
[0055] (6)根據(jù)超像素的密度特征和鄰近關(guān)系計(jì)算親和關(guān)系矩陣aff。親和關(guān)系計(jì)算公 式如下：
[0057] 其中f(i)代表超像素 i的密度特征，σ是親和度參數(shù)，設(shè)為〇. 6。
[0058] (7)根據(jù)超像素的親和關(guān)系計(jì)算模糊連接度矩陣Μ。模糊連接度矩陣計(jì)算方法如 下：
[0059] 將超像素視作圖論中圖的節(jié)點(diǎn)，超像素的鄰近關(guān)系視作圖中的邊，親和關(guān)系視作 邊的權(quán)重。隨機(jī)選取根節(jié)點(diǎn)調(diào)用最大生成樹(shù)算法，得到一棵最大生成樹(shù)。用深度優(yōu)先的方 式遍歷最大生成樹(shù)，在遍歷過(guò)程中用以下公式計(jì)算本次遍歷的節(jié)點(diǎn)u與每一個(gè)已遍歷過(guò)的 節(jié)點(diǎn)V的模糊連接度：
[0060] M(u, v) = min {aff [u, parent (u) ], M [parent (u), v]
[0061] 式中，parent (u)代表節(jié)點(diǎn)u在最大生成樹(shù)中的父節(jié)點(diǎn)。
[0062] (8)以超像素間的模糊連接度與歸一化后的空間距離相似度的加權(quán)和作為最終的 相似度，得到最終的相似度矩陣S。計(jì)算公式如下：
[0063] S(u, v) = W1^M (u, v)+W2^dist' (u, v)
[0064] 其中dist'是對(duì)dist歸一化后的結(jié)果，W1設(shè)為0· 9, w2設(shè)為0· 1。
[0065] (9)調(diào)用A