图像分割方法和图像集分割方法

摘要

本发明提供了一种图像分割方法，包括如下步骤：CPU读取一图像，初始化图像的参数，分配CPU和GPU所需要的内存空间，并将图像传给GPU；GPU根据均值漂移算法对图像进行计算，以获得最初RGB颜色信息和最初坐标信息，并将其传回CPU；CPU根据最初RGB颜色信息和最初坐标信息对图像的像素进行聚类，从而形成多个区域，统计区域的参数，并将其传送到GPU；GPU根据模糊C均值算法对区域的参数进行计算，以获得图像的最终分割结果，并将其传送到CPU；CPU输出图像的最终分割结果。本方法具有通用性好、分割速度快、可将图像分割成用户需要的区域数的特点。

说明书

技术领域

本发明涉及一种图像分割方法，具体涉及一种基于均值漂移算法和模 糊C均值算法的混合图像分割方法。

背景技术

图像分割技术是计算机图像处理和视觉学的重要研究内容之一，且为 研究的热点和难点。它是模式识别和图像分析的重要关键步骤，分割效果 的好坏直接影响着后续图像的处理。现今所广泛使用的各种图像分割方法， 都具有耗时长、分割效率低、分割效果差的缺点，因此不能广泛用于需要 实时处理的系统，例如基于图像内容的图像搜索引擎等。

发明内容

有鉴于此，本发明的一个目的在于提供一种图像分割方法，其具有耗 时短、分割效率高、分割效果好的优点。

本发明的另一个目的在于提供一种图像集分割方法，其具有耗时短、 分割效率高、分割效果好的优点。

一种图像分割方法，包括如下步骤：

CPU读取一图像，初始化图像的参数，分配CPU和GPU所需要的内 存空间，并将图像传给GPU；

GPU根据均值漂移算法对图像进行计算，以获得最初RGB颜色信息和 最初坐标信息，并将其传回CPU；

CPU根据最初RGB颜色信息和最初坐标信息对图像的像素进行聚类， 从而形成多个区域，统计区域的参数，并将其传送到GPU；

GPU根据模糊C均值算法对区域的参数进行计算，以获得图像的最终 分割结果，并将其传送到CPU；

CPU输出图像的最终分割结果。

CPU根据最初RGB颜色信息和最初坐标信息将RGB颜色信息相同且 相邻的像素聚为一类。

区域的参数包括区域的个数、区域内像素点数以及区域的颜色均值。

图像的最终分割结果包括最终RGB颜色信息及最终坐标信息。

一种图像集分割方法，包括如下步骤：

CPU接收多个图像，并确定多个图像的数量；

CPU读取第i个图像，初始化图像的参数，分配CPU和GPU所需要 的内存空间，并将第i个图像传给GPU；

CPU判断i+1是否小于或等于多个图像的数量；

如果是，则GPU根据均值漂移算法对第i个图像进行计算，以获得最 初RGB颜色信息和最初坐标信息，并将其传回CPU，同时CPU读取第i+1 个图像，初始化第i+1个图像的参数，分配CPU和GPU所需要的内存空间， 并将第i+1个图像传给GPU；

CPU根据最初RGB颜色信息和最初坐标信息对第i个图像的像素进行 聚类，从而形成多个区域，统计区域的参数，并将其传送到GPU，同时GPU 根据均值漂移算法对第i+1个图像进行计算，以获得最初RGB颜色信息和 最初坐标信息，并将其传回CPU；

GPU根据模糊C均值算法对区域的参数进行计算，以获得第i个图像 的最终分割结果，并将其传送到CPU，同时CPU根据最初RGB颜色信息 和最初坐标信息对第i+1个图像的像素进行聚类，从而形成多个区域，统计 区域的参数，并将其传送到GPU；

CPU判断i+2是否小于或等于多个图像的数量；

如果是，则CPU输出第i个图像的最终分割结果，读取第i+2个图像， 初始化第i+2个图像的参数，分配CPU和GPU所需要的内存空间，并将第 i+2个图像传给GPU，同时GPU根据模糊C均值算法对区域的参数进行计 算，以获得第i+1个图像的最终分割结果，并将其传送到CPU，

CPU判断i+3是否小于或等于多个图像的数量；

如果是，则CPU输出第i+1个图像的最终分割结果，读取第i+3个图 像，初始化第i+3个图像的参数，分配CPU和GPU所需要的内存空间，并 将第i+3个图像传给GPU，GPU根据均值漂移算法对第i+2个图像进行计 算，以获得最初RGB颜色信息和最初坐标信息，并将其传回CPU；

设置i＝i+2；

重复CPU根据最初RGB颜色信息和最初坐标信息对第i个图像的像素 进行聚类，从而形成多个区域，统计区域的参数，并将其传送到GPU，同 时GPU根据均值漂移算法对第i+1个图像进行计算，以获得最初RGB颜 色信息和最初坐标信息，并将其传回CPU的步骤。

本发明的图像集分割方法，还包括步骤：

如果i+1不是小于或等于多个图像的数量，则GPU根据均值漂移算法 对第i个图像进行计算，以获得最初RGB颜色信息和最初坐标信息，并将 其传回CPU；

CPU根据最初RGB颜色信息和最初坐标信息对第i个图像的像素进行 聚类，从而形成多个区域，统计区域的参数，并将其传送到GPU；

GPU根据模糊C均值算法对区域的参数进行计算，以获得第i个图像 的最终分割结果，并将其传送到CPU；

CPU输出第i个图像的最终分割结果。

本发明的图像集分割方法，还包括步骤：

若i+2不是小于或等于多个图像的数量，则CPU输出第i个图像的分 割结果，同时GPU根据模糊C均值算法对区域的参数进行计算，以获得第 i+1个图像的最终分割结果，并将其传送到CPU；

设置i＝i+1；

CPU输出第i个图像的最终分割结果。

本发明的图像集分割方法，还包括步骤：

若i+3不是小于或等于多个图像的数量，则CPU输出第i+1个图像的 最终分割结果，同时GPU根据均值漂移算法对第i+2个图像进行计算，以 获得最初RGB颜色信息和最初坐标信息，并将其传回CPU；

设置i＝i+2；

CPU根据最初RGB颜色信息和最初坐标信息对第i个图像的像素进行 聚类，从而形成多个区域，统计区域的参数，并将其传送到GPU；

GPU根据模糊C均值算法对区域的参数进行计算，以获得第i个图像 的最终分割结果，并将其传送到CPU；

CPU输出第i个图像的最终分割结果。

CPU根据最初RGB颜色信息和最初坐标信息将RGB颜色信息相同且 相邻的像素聚为一类。

区域的参数包括区域的个数、区域内像素点数以及区域的颜色均值， 图像的最终分割结果包括最终RGB颜色信息及最终坐标信息。

本发明的方法具有以下优点：(1)均值漂移算法与模糊C均值算法的 结合，使得本发明对图像以及图像集都能达到较好的分割效果；(2)分割 速度快，采用CPU与GPU相结合的异步并发执行模式，充分利用GPU的 并行计算能力以及CPU的控制能力，合理分配任务，最大化利用硬件；(3) 将图像分割成用户需要的区域数，模糊C均值算法聚类时输入聚类中心参 数，便将图像分割成此数目的区域数，这对需要提取固定数目的图像区域 特征应用很重要。

附图说明

图1为本发明图像分割方法的流程图；

图2为本发明图像集分割方法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

如图1所示，本发明的图像分割方法，包括以下步骤：

(1)CPU读取一图像，初始化图像的参数，分配CPU和GPU所需要的 内存空间，并将图像传给GPU；

(2)GPU根据均值漂移算法对图像进行计算，以获得最初RGB颜色信 息和最初坐标信息，并将其传回CPU；

(3)CPU根据最初RGB颜色信息和最初坐标信息对图像的像素进行聚 类，从而形成多个区域，统计区域的参数，并将其传送到GPU；

(4)GPU根据模糊C均值算法对区域的参数进行计算，以获得图像的最 终分割结果，并将其传送到CPU；

(5)CPU输出图像的最终分割结果。

在步骤(1)中，将图像的RGB数据转换成LUV空间型数据，存储到内 存空间中。

初始化图像的参数包括：颜色空间半径、坐标空间半径以及区域最小 像素数，传输的图像包括原始的图像数据和权重数据。

在步骤(2)中，一个图像块的线程数设置为nThread(取值64，128或256)， 每个线程处理一个像素点的计算，根据图像大小动态地分配图像块数目。 图像块数目为：(width*height)/nThread+1，其中width代表图像宽度，height 代表图像高度。

每个线程执行一个像素点y_i，j的飘移计算，计算公式为：

$y_{(i,j)+d}=\frac{{\Sigma }_{k=1}^m\left\{g\left({\left|\frac{y_{(i,j),s}-x_{k,s}}{h_s}\right|}^2\right)g\left({\left|\frac{y_{(i,j),r}-x_{k,r}}{h_r}\right|}^2\right)w\left(x_k\right)x_k\right\}}{{\Sigma }_{k=1}^m\left\{g\left({\left|\frac{y_{(i,j),s}-x_{k,s}}{h_s}\right|}^2\right)g\left({\left|\frac{y_{(i,j),r}-x_{k,r}}{h_r}\right|}^2\right)w\left(x_k\right)\right\}}$

其中d为已经进行过飘移计算的次数，m为模糊指数，y_(i，j)，s表示像素 点y_i，j的空间分量，y_(i，j)，r表示像素点y_i，j的颜色分量，x_k是落入以y_i，j为中心 的、空间半径为h_s的范围的点，h_s，h_r空间分量和颜色分量的窗体半径，x_k，r表示像素点k的颜色分量，x_k，s表示像素点k的空间分量，w(x_k)表示权重。 循环用此公式进行计算，只到|y_(i，j)+d-y_(i，j)+d-1|＜ε便终于循环。当所有线程均 完成循环计算后，GPU将数据传回CPU。

在步骤(3)中，CPU根据RGB颜色信息和坐标信息将RGB颜色信息相 同且相邻的像素聚为一类。

区域的参数包括区域的个数、区域内像素点数以及区域的颜色均值， 图像的分割结果包括RGB颜色信息及坐标信息。

在本步骤中，CPU递归搜索每个像素的八邻域，将颜色信息相同像素 点标记为同一区域。统计区域的个数，重新组织数据，每个区域作为一个 整体取其颜色值进行下一步的计算。GPU分别分配隶属矩阵、聚类中心、 原始数据、距离矩阵等内存空间，将数据从CPU端拷贝到GPU。

在步骤(4)中，模糊C均值算法主要包括以下过程：

(i)初始化隶属度矩阵

隶属度矩阵大小为c*n的二维浮点型数组，其中c为聚类中心数目，n 为像素点个数。设置每个图像块的线程数目为nThread(取64，128或256)，图 像块的数目为n/256+1。每个线程首先为每个像素点随机生成c个0-1之间 的浮点数。接着进行归一化操作，先求c个数的累加和sum_c，用sum_c除每个 数则完成初始化隶属度矩阵工作。

(ii)根据隶属度矩阵计算聚类中心

计算公式为：其中0＜i＜c，u为隶属度矩阵，n为像素点个数， m为模糊指数，x_j为第j个像素点。

隶属度矩阵的指数运算，设置每个图像块的线程数目为nThread(取 64，128或256)，图像块的数目为n/nThread+1，每个线程负责一个像素点 的指数运算。

矩阵乘法运算，为减少分子的重复乘法操作，先对指数运算后的隶属 度矩阵和数据矩阵做矩阵乘法操作。

累加缩减运算，设置每个图像块的线程数目为nThread(取64，128或 256)，图像块的初始数目为n/(2*nThread)+1，每个线程执行一次加法后，线 程数缩减，最终只有一个图像块计算出最终的结果。为提高效率，当线程 小于等于32时，对其循环展开。

将分子与分母做除法，即可更新聚类中心。

(iii)价值计算，判断其是否小于一阈值。若小于则转(v)，否则转(iv)。

计算公式为：其中U为隶属度矩阵，C为 聚类中心，d为距离矩阵，m为模糊指数。

(iv)距离计算，更新隶属度矩阵，然后转(ii)

计算每个像数点到c个聚类中心的欧基几德距离，设置每个图像块的 线程数目为nThread(取64，128或256)，图像块的初始数目为 n/(2*nThread)+1，每个线程负责计算一个像素点到c个聚类中心的距离，其 值保存到距离矩阵中。

更新隶属度矩阵，计算公式为：其中d为距离，m为 模糊指数。设置每个图像块的线程数目为nThread(取64，128或256)，图像块 的初始数目为n/(2*nThread)+1，每个线程负责计算一个像素点的c个矩离值 的计算。

(v)根据隶属度矩阵计算数据的最终归属

设置每个图像块的线程数目为nThread(取64，128或256)，图像块的初 始数目为n/(2*nThread)+1，每个线程负责比较一个像素点隶属于哪个聚类中 心的值最大，将该像素点标记最终归属于此类。

如图2所示，本发明的图像集分割方法，包括以下步骤：

1.CPU接收多个图像，并确定多个图像的数量；

2.CPU读取第i个图像，初始化图像的参数，分配CPU和GPU所需 要的内存空间，并将第i个图像传给GPU；

3.CPU判断i+1是否小于或等于多个图像的数量；如果是，则进入步 骤4，如果不是，则进入步骤16；

4.GPU根据均值漂移算法对第i个图像进行计算，以获得最初RGB颜 色信息和最初坐标信息，并将其传回CPU，同时CPU读取第i+1个图像， 初始化第i+1个图像的参数，分配CPU和GPU所需要的内存空间，并将第 i+1个图像传给GPU；

5.CPU根据最初RGB颜色信息和最初坐标信息对第i个图像的像素进 行聚类，从而形成多个区域，统计区域的参数，并将其传送到GPU，同时 GPU根据均值漂移算法对第i+1个图像进行计算，以获得最初RGB颜色信 息和最初坐标信息，并将其传回CPU；

6.GPU根据模糊C均值算法对区域的参数进行计算，以获得第i个图 像的最终分割结果，并将其传送到CPU，同时CPU根据最初RGB颜色信 息和最初坐标信息对第i+1个图像的像素进行聚类，从而形成多个区域，统 计区域的参数，并将其传送到GPU；

7.CPU判断i+2是否小于或等于多个图像的数量，如果是，则转入步 骤8，如果不是，则转入步骤12；

8.CPU输出第i个图像的最终分割结果，读取第i+2个图像，初始化第 i+2个图像的参数，分配CPU和GPU所需要的内存空间，并将第i+2个图 像传给GPU，同时GPU根据模糊C均值算法对区域的参数进行计算，以 获得第i+1个图像的最终分割结果，并将其传送到CPU，

9.CPU判断i+3是否小于或等于多个图像的数量，如果是，则转入步 骤10，如果不是，则转入步骤14；

10.CPU输出第i+1个图像的最终分割结果，读取第i+3个图像，初始 化第i+3个图像的参数，分配CPU和GPU所需要的内存空间，并将第i+3 个图像传给GPU，GPU根据均值漂移算法对第i+2个图像进行计算，以获 得最初RGB颜色信息和最初坐标信息，并将其传回CPU；

11.设置i＝i+2，然后转到步骤5；

12.CPU输出第i个图像的最终分割结果，同时GPU根据模糊C均值 算法对区域的参数进行计算，以获得第i+1个图像的最终分割结果，并将其 传送到CPU；

13.设置i＝i+1，然后转到步骤19；

14.CPU输出第i+1个图像的最终分割结果，同时GPU根据均值漂移 算法对第i+2个图像进行计算，以获得最初RGB颜色信息和最初坐标信息， 并将其传回CPU；

15.设置i＝i+2，然后转到步骤17。

16.GPU根据均值漂移算法对第i个图像进行计算，以获得最初RGB 颜色信息和最初坐标信息，并将其传回CPU；

17.CPU根据最初RGB颜色信息和最初坐标信息对第i个图像的像素 进行聚类，从而形成多个区域，统计区域的参数，并将其传送到GPU；

18.GPU根据模糊C均值算法对区域的参数进行计算，以获得第i个图 像的最终分割结果，并将其传送到CPU；

19.CPU输出第i个图像的最终分割结果；

实例：

为了验证本发明的可行性和有效性，在下列表1所示的实验配置环境 下执行编写的计算机程序，对发明进行测试，运行结果如表2所示。

表1：实验配置环境

在表2中，均值漂移算法的参数为(x，y)，其中x表示位置空间半径，y 表示颜色空间半径。通过测试100幅图像的运行时间，发现加速比可达多 于150倍，可见本发明具有良好的运行效率。

表2：运行结果

以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的 普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干的改 进和润饰，这些改进和润饰也应视为本发明的保护范围。