P聚類算法對超像素進行聚類。AP聚類中有偏向參數(shù)和阻尼因子兩個 參數(shù)。偏向參數(shù)影響最終所聚的類的數(shù)目，偏向參數(shù)越大，類數(shù)越多。在本發(fā)明中偏向參數(shù) 一般設(shè)在-2~0. 8之間。阻尼因子影響AP聚類迭代更新的速度，一般設(shè)在0. 5~0. 95之 間。在本發(fā)明中，可將偏向參數(shù)恒設(shè)為0. 5,阻尼因子恒設(shè)為0. 9。
[0066] (10)根據(jù)聚類結(jié)果生成分割結(jié)果。
[0067] 本發(fā)明的效果可以通過以下仿真實驗說明：
[0068] 1.仿真條件
[0069] 實驗將本發(fā)明與相同條件下使用傳統(tǒng)相似度的兩種AP聚類圖像分割方法進行對 t匕，兩種對比方法使用與本發(fā)明相同的超像素分割結(jié)果和特征，對比方法一和對比方法二 的相似度計算公式分別為
[0073] 其中方法一中〇設(shè)為〇· 6,方法二中〇 i設(shè)為〇· 8, 〇 2設(shè)為800。
[0074] 實驗選用Berkeley圖像庫BSDS300中的自然彩色圖像作為測試圖像，軟件環(huán)境為 MATLAB2010b，根據(jù)分割結(jié)果的視覺效果和PRI平均值來評價方法的優(yōu)劣。
[0075] PRI (Probabilistic Rand Index)是當(dāng)前比較流行的圖像分割評價指標(biāo)。在圖像 分割結(jié)果中，任意兩個像素組成一個像素對，對中的兩個像素可能被分成同類或者異類。對 某一機器分割結(jié)果，RKRand Index)將其與某一人工分割結(jié)果進行對比，統(tǒng)計兩者所有同 異性相同的像素對數(shù)目占像素對總數(shù)目的比例，PRI則是某一機器分割結(jié)果與多個人工分 割結(jié)果的RI的平均值。PRI的取值范圍為[0, 1]，其值越大代表分割效果越好，有關(guān)PRI 更多內(nèi)容請參見文獻 Unnikrishnan R, Pantofaru C, Hebert M. A measure for objective evaluation of image segmentation algorithms[C]//Computer Vision and Pattern Recognition-Workshops,2005. CVPR Workshops. IEEE Computer Society Conference on.IEEE，2005:34-34。
[0076] 2.仿真內(nèi)容與結(jié)果
[0077] 仿真實驗以BSDS300中隨機抽取的50張圖像作為測試圖像，分別使用對比方法 一、對比方法二和本發(fā)明進行分割。在對比方法中，阻尼因子設(shè)為0.9,選取不同的偏向參數(shù) 進行多次實驗，每次實驗使用固定的偏向參數(shù)對50張圖像進行分割，求出平均評價值，最 后選擇平均評價值最高的一組作為其最終評價結(jié)果。偏向參數(shù)選取范圍為[-20, 1]，步長 0.1。本發(fā)明中偏向參數(shù)設(shè)為0.5,阻尼因子設(shè)為0.9。
[0078] 針對圖2a所示的圖像使用對比方法一、對比方法二和本發(fā)明的分割結(jié)果分別如 圖2b、圖2c和圖2d所示。
[0079] 針對圖3a所示的圖像使用對比方法一、對比方法二和本發(fā)明的分割結(jié)果分別如 圖3b、圖3c和圖3d所示。
[0080] 針對圖4a所示的圖像使用對比方法一、對比方法二和本發(fā)明的分割結(jié)果分別如 圖4b、圖4c和圖4d所示。
[0081] 對比方法一、對比方法二和本發(fā)明對50張圖像的平均PRI評價值如表1所示。
[0082] 表1三種方法最終分割結(jié)果的平均PRI值
[0084] 3.仿真結(jié)果分析
[0085] 如圖2a所示，原始圖像中天空的跨度很大，并且顏色有漸變，中間部位和邊緣部 位的天空亮度有較大變化；如圖2b所示，由于對比方法一只使用了顏色特征，最終的將天 空分割成了多個部分，效果很不理想；如圖2c所示，對比方法二在相似度計算中加入了空 間信息，分割效果相比于方法一得到了一定的改善，但由于天空范圍過大，圖像左右兩端的 部分由于距離太大而使得相似度變得很小，最終天空被分成了兩部分；如圖2d所示，本發(fā) 明得到的分割結(jié)果將天空分成了一個目標(biāo)，將兩只鷹顏色相近的部分分成了一個目標(biāo)，大 鷹的尾部由于顏色差別太大而被分成第三個目標(biāo)，并且把鷹翼末端部分完整地分割了出 來，總體效果明顯好于兩種對比方法的結(jié)果。
[0086] 如圖3a所示，原始圖像兩只北極熊的顏色相近，背景雪地上有雜草，會干擾分割； 如圖3b所示，對比方法一受光照和雜草的影響很嚴(yán)重，將北極熊腿部和臉部亮度較小的部 分與圖像上方的黑色背景分成了一類，并且對雜草部分的分割很差；如圖3c所示，對比方 法二的分割結(jié)果優(yōu)于方法一，對熊的身體分割效果較好，但受雜草的影響比較嚴(yán)重；如圖 3d所示，本發(fā)明的方法將兩只熊分成兩個目標(biāo)，除對熊身體上顏色突變的部分有少許錯分 外，大部分區(qū)域都分割的很好，總體分割效果明顯優(yōu)于兩種對比方法。
[0087] 如圖4a所示，圖像由于光照的因素，圖中的山和云顏色變化很大，左下角處河水 也有顏色變化，且河水跨度較大；如圖4b所示，劇烈的光照變化使僅使用顏色特征的對比 方法一錯分現(xiàn)象很嚴(yán)重，尤其對山的分割，不同的目標(biāo)交錯分布，分割結(jié)果在視覺上看起來 很亂；如圖4c所示，對比方法二使聚類后的屬同一類的超像素空間分布相對集中了一些， 但依然很不理想，而且圖中的河呈條狀分布，河的左端和右端的空間距離較大，導(dǎo)致河被分 成了兩部分；如圖4d所示，本發(fā)明的分割結(jié)果屬同一目標(biāo)的超像素分布很集中，并且錯分 率遠遠低于前兩種方法。
[0088] 雖然這里僅給出了三張圖像，但對其他的圖像，我們都能得出類似的結(jié)果。從定量 的角度來看，針對在BSDS300中隨機抽取的50張圖像，使用本發(fā)明分割的平均PRI評價值 要高于兩種對比方法，分割效果更優(yōu)。此外，在AP聚類算法中，偏向參數(shù)的選取一直是一個 研究難題，而本發(fā)明對該參數(shù)的依賴程度遠低于現(xiàn)有方法，可設(shè)為-2~0. 8之間的定值，本 實驗中就將其設(shè)為了 0.5。
【主權(quán)項】
1. 基于模糊連接度的近鄰傳播聚類圖像分割方法，包括： (1) 超像素預(yù)分割步驟： (la) 設(shè)置超像素數(shù)目，使用NormalizedCut超像素技術(shù)對圖像進行超像素分割。 (lb) 對每一個超像素，提取其空間特征和密度特征。 (2) 基于模糊連接度的相似度計算步驟： (2a)計算超像素空間特征的歐氏距離矩陣dist。 (2b)設(shè)置領(lǐng)域半徑radius。 (2c)根據(jù)超像素的空間特征計算鄰近關(guān)系矩陣adj。 (2d)根據(jù)超像素的密度特征和鄰近關(guān)系計算親和關(guān)系矩陣aff。 (2e)根據(jù)超像素的親和關(guān)系計算模糊連接度矩陣Μ。 (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。 (3) AP聚類步驟： (3a)設(shè)置偏向參數(shù)和阻尼因子，調(diào)用AP聚類算法對超像素進行聚類。 (3b)根據(jù)聚類結(jié)果生成分割結(jié)果。2. 根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟（lb)所述的提取空間特征和密度特 征的方法為： 空間特征：計算超像素內(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。 密度特征：將原圖像映射到LUV顏色空間下，對每一個超像素，計算其內(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。3. 根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟（2b)所述的設(shè)置領(lǐng)域半徑，按照如 下公式進行：式中，V是過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設(shè)為5。4. 根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟（2c)所述的根據(jù)超像素的空間特征 計算鄰近關(guān)系矩陣adj，按照如下公式進行：式中，4設(shè)為0. 1。5. 根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟（2d)所述的根據(jù)超像素的密度特征 和鄰近關(guān)系計算親和關(guān)系矩陣aff，按照如下公式進行：式中，f(i)代表超像素i的密度特征，σ設(shè)為0. 6。6.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟（2e)所述的根據(jù)超像素的親和關(guān)系 計算模糊連接度矩陣M，使用如下方法： 將超像素視作圖論中圖的節(jié)點，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。隨機選取根節(jié)點調(diào)用最大生成樹算法，得到一棵最大生成樹。用深度優(yōu)先的方式遍 歷最大生成樹，在遍歷過程中用以下公式計算本次遍歷的節(jié)點u與每一個已遍歷過的節(jié)點 v的模糊連接度： M(u,v) =min{aff[u,parent(u) ],M[parent(u),v]} 式中，parent(u)代表節(jié)點u在最大生成樹中的父節(jié)點。
【專利摘要】本發(fā)明公開一種基于模糊連接度的近鄰傳播聚類圖像分割方法，主要用于解決其他同類方法由于目標(biāo)跨度較大而出現(xiàn)過分割、分割精度低的問題。其實現(xiàn)步驟為：(1)對圖像進行超像素分割；(2)提取超像素的空間特征和密度特征；(3)根據(jù)超像素的空間特征計算鄰近關(guān)系；(4)根據(jù)超像素的密度特征和鄰近關(guān)系計算親和關(guān)系；(5)根據(jù)親和關(guān)系計算所有超像素間的模糊連接度；(6)根據(jù)模糊連接度和空間特征關(guān)系計算超像素間的相似度；(7)用近鄰傳播聚類完成超像素的聚類，并生成分割結(jié)果。本發(fā)明是一種全自動分割方法，分割的目標(biāo)一致性好，分割精度高，解決了現(xiàn)有AP聚類圖像分割方法偏向參數(shù)難確定的問題，對自然彩色圖像有很好的分割能力。
【IPC分類】G06T7/00, G06F17/30
【公開號】CN105303546
【申請?zhí)枴緾N201410280957
【發(fā)明人】葛洪偉, 杜艷新, 楊金龍, 蘇樹智, 袁運浩
【申請人】江南大學(xué)
【公開日】2016年2月3日
【申請日】2014年6月20日