基于相似性相互作用机理的图像分割方法

摘要

本发明提出了一种基于相似性相互作用机理的图像分割方法，主要解决现有分割算法分割效率低、区域一致性不好以及细节信息缺失的问题。其实现步骤是：(1)提取待分割图像每个象素点的特征；(2)获得区域块特征；(3)计算区域块与区域块之间的相似度；(4)获得区域块相位值；(5)归类区域块；(6)输出图像分割结果。本发明具有分割效率高、分割结果区域一致性强、细节信息多和边缘效果好的优点，能够有效地对纹理图像和SAR图像进行分割，可用于图像目标识别。

说明书

技术领域

本发明属于计算机技术领域，更进一步涉及图像处理技术领域中的基于相似性相 互作用机理的图像分割方法。本发明通过将图像分割成区域块，对区域块进行归类， 实现纹理图像及SAR图像的分割，可应用于目标识别。

背景技术

图像分割就是按照图像的某些特征把图像中具有特殊涵义的不同区域分开来，且 每一个区域具有特定区域的一致性，而相邻区域间的属性特征有明显的差别。图像分 割是图像处理中的一个重要问题，在对图像分析研究中起着承前启后的作用，它既是 对所有图像预处理效果的一个检验，也是后续进行图像分析与解译的基础，具有十分 重要的意义。

目前，常用的图像分割技术有阈值法、聚类法、基于形态学的方法、基于区域的 方法、基于图论的方法等等。但是到目前为止，还不存在一个通用的方法，也不存在 一个判断分割是否成功的客观标准。阈值法虽然简单，但是它仅仅考虑了图像的灰度 信息，没有考虑图像像素的邻域信息，忽略了图像的空间信息，因此难以得到准确的 结果。目前已经有很多聚类算法用到图像分割中，k-means聚类是最简单、使用最普 遍的方法之一，它利用迭代优化寻找最优解，在紧凑的超球形分布的数据集合上表现 出很好的性能，然而当数据结构是非凸的，或者数据点彼此交叠严重时，算法往往会 失效，而且算法不能保证收敛到全局最优解。FCM算法同样没有考虑图像的空间信 息，仅仅将所有样本作为分散的样本点进行聚类，导致最后的分割结果在区域一致性 上很差，区域内部存在杂点，同时FCM算法对初始值和噪声比较敏感，容易陷入局 部最优，导致分割效果较差。基于图论的图像分割技术通常是将图像映射为带权无向 图，本质上是将图像分割问题转化为图的最优化问题，而图的最优划分问题是一个 NP难问题，这使得图论在图像处理方面不能得到很好的应用；同时，基于图论的分 割方法仅仅利用相邻像素点或区域的信息，而忽略了图像的全局信息。

西北工业大学申请的专利“一种基于多尺度特征融合的SAR图像分割方法”(专 利申请号201010564706.2，公布号CN 102081791A)。该方法的实现过程为，首先利 用快速离散变换提取图像的纹理特征，并利用平稳小波变换提取图像的统计特征，然 后将两种多尺度特征融合成高维的特征向量，最后采用模糊C均值聚类的方法进行分 割。该方法存在不足之处是，虽然在图像的特征方面抑制了噪声的影响，但是后续采 用的模糊C均值聚类的方法，没有考虑图像的空间信息，同时，对初始值比较敏感， 容易陷入局部最优，导致分割的结果在区域一致性上很差。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于相似性相互作用机理 的图像分割方法，将图像分割为区域块，对区域块进行归类，充分考虑了图像的全局 信息和局部信息，从而很好的保证了图像分割的区域一致性和细节完整性，提高了图 像分割的效果。

本发明的具体步骤如下：

(1)提取每个像素点特征

采用滑窗法逐像素点提取待分割图像的灰度共生矩阵，对待分割图像进行3层非 下采样小波分解，提取待分割图像每个像素点的小波能量特征，将提取的灰度共生矩 阵和小波能量特征合并到一起，得到待分割图像每个像素点的特征；

(2)获得区域块特征

2a)对待分割图像采用分水岭进行预分割，得到不规则的区域块；

2b)对属于同一区域块内的已提取的所有像素点特征计算算术平均值，将计算得 到的特征的算术平均值作为该区域块的特征，获得该区域块特征；

(3)按照下式计算区域块与区域块之间的相似度：

$w_{\mathrm{ij}}=e^{\frac{{\left|\right|x_i-x_j\left|\right|}^2}{{2\sigma }^2}}$

其中，w_ij为区域块i和区域块j之间的相似度值，i和j为分水岭分割后的任意 一个区域块；||·||为求取欧式距离的运算符；x_i为区域块i的特征；x_j为区域块j的 特征；σ为控制区域块与区域块之间相似度的尺度参数，取值范围为(0，1)；

(4)获得区域块相位值

4a)将每个区域块迭代前的相位代入下列方程，获得该区域块迭代后的一个新的 相位：

θ′＝θ+C1×(M-θ)+C2×(θ-N)

其中，θ′为区域块迭代后的相位；θ为区域块迭代前的相位；C1为衡量控制相 同类别内区域块相位的接近速度的控制参数，C2为衡量控制不同类别内区域块相位 的远离速度的控制参数，C1、C2在(0，1]范围内选取；M代表与区域块之间的相似度 大于所有相似度算术平均值的全部区域块在迭代前的算术平均相位；N代表与区域块 之间的相似度小于等于所有相似度算术平均值的全部区域块在迭代前的算术平均相 位；初始相位在[-a，a]相位值范围内随机产生；

4b)处理迭代后的相位

如果迭代后的所有区域块相位中存在相位值大于a的相位时，选取迭代后区域块 相位值中为正的相位，将相位值为正的每一个区域块相位分别与压缩比r1相乘，使 相位值为正的每一个区域块相位都分布在[-a，a]相位值之间；如果迭代后的所有区 域块相位中存在相位值小于-a的相位时，选取迭代后区域块相位值中为负的相位， 将相位值为负的每一个区域块相位分别与压缩比r2相乘，使相位值为负的每一个区 域块相位都分布在[-a，a]相位值之间；

4c)判断迭代后区域块的相位是否稳定

将每个区域块迭代后的相位与迭代前的相位相减，得到一个差值，若该差值小于 0，对该差值求反，在所有区域块的差值中选取其中差值最大的一个差值，若该最大 差值小于阈值ε，则认为所有区域块的相位趋于稳定，进入下一步骤，否则，将每个 区域块迭代后的相位作为该区域块下一次迭代前的相位，返回步骤4a)；

(5)归类区域块

5a)将[-a，a]相位值均匀划分为每个子区间长度为l的子区间；

5b)对每个子区间，统计区域块相位值介于该子区间范围内区域块的像素个数；

5c)将子区间内区域块的像素个数大于阈值T的相邻子区间内的所有区域块归为 一类，并依次赋以类标；对子区间内区域块的像素个数小于等于阈值T的相邻子区间 内的所有区域按相位从小到大排序，将相位相邻的两个区域块的相位求差值，找出相 位差绝对值最大的两个区域块，以这两个区域块的中心相位为分界线，将相位大于该 分界线的区域块划分到相位大于该分界线中已归类的区域块的最小相位所对应的区 域块的类别中，将相位小于该分界线的区域块划分到相位小于该分界线中已归类的区 域块的最大相位所对应的区域块的类别中，得到每个区域块的类标；

(6)输出图像分割结果

根据步骤2a)中分水岭分割结果，找到每个区域块对应的像素点，将每个区域块 的类标对应到相应像素点上，得到图像的最终分割结果并输出。

本发明与现有技术相比具有如下优点：

第一、本发明具体步骤的实现过程中是在区域块上进行操作，克服了现有技术在 像素点上进行操作，所需的数据量大，运算时间长的问题。本发明首先将待分割图像 采用分水岭进行预分割，得到不规则的区域块，然后在各个区域块上进行操作，得到 区域块的类标，最后把区域块的类标对应到像素点上，所需的运算数据量小，提高了 图像分割的效率。

第二、本发明具体步骤的实现过程中在计算区域块之间相似度值时，对任意两个 区域块都计算了两者之间的相似度值，计算了空间上相邻的两个区域块之间的相似度 值以及不相邻的两个区域块之间的相似度值，克服了现有技术中没有利用图像的空间 信息，只利用图像的局部信息，易陷入局部最优的问题。本发明计算区域块之间相似 度值的方法，充分考虑了空间上相邻的两个区域块之间的信息以及不相邻的两个区域 块之间的信息，充分利用了图像的空间信息，使图像的区域一致性和细节完整性保持 较好。

附图说明

图1为本发明的流程图；

图2为本发明对一幅两类纹理图像与现有技术两种算法的仿真实验对比图；

图3为本发明对一幅三类纹理图像与现有技术两种算法的仿真实验对比图；

图4为本发明对一幅两类SAR图像与现有技术两种算法的仿真实验对比图；

图5为本发明对一幅三类SAR图像与现有技术两种算法的仿真实验对比图。

具体实施方式

下面结合图1对本发明的具体实施步骤做进一步的详细描述。

步骤1.提取每个像素点特征

采用滑窗法逐像素点提取待分割图像的灰度共生矩阵，对待分割图像进行3层非 下采样小波分解，提取待分割图像每个像素点的小波能量特征，将提取的灰度共生矩 阵和小波能量特征合并到一起，得到待分割图像每个像素点的特征。

在本发明实施例中，待分割的图像采用一幅两类纹理图像，如图2(a)中，相同 的纹理代表同一区域，不同的纹理代表不同的区域，采用大小为16*16的滑窗逐像素 点提取两类纹理图像的对比度、一致性、能量在[0°，45°，90°，135°]四个方向上的灰度 共生矩阵共12维特征；对两类纹理图像进行3层非下采样小波分解，提取两类纹理 图像每个像素点的小波能量的10维特征；将两类纹理图像每个像素点的灰度共生矩 阵的12维特征和小波能量的10维特征合并到一起，构成22维特征，得到两类纹理 图像每个像素点的特征。

步骤2.获得区域块特征

2a)对待分割图像采用分水岭进行预分割，得到不规则的区域块；

对待分割图像采用分水岭进行预分割，主要是为了减少聚类数据量，降低算法的 运算复杂度，由于区域块数如果过多，会增加算法的时间复杂度，如果过少会导致区 域块内的特征一致性较差，因此应合理控制分水岭分割的区域块数，对于不同特征的 图像，区域块数是不固定的。在本发明实施例中，对图2(a)中的两类纹理图像采用 分水岭进行预分割，分水岭分割的区域块数为1359块。

2b)对属于同一区域块内的已提取的所有像素点特征计算算术平均值，将计算得 到的特征的算术平均值作为该区域块的特征，获得该区域块特征。

在本发明实施例中，对属于同一区域块内的已提取的所有像素点的每一维特征计 算算术平均值，将计算得到的每一维特征的算术平均值作为该区域块每一维的特征， 获得该区域块特征。

步骤3.计算区域块与区域块之间的相似度

按照下式计算区域块与区域块之间的相似度：

$w_{\mathrm{ij}}=e^{\frac{{\left|\right|x_i-x_j\left|\right|}^2}{{2\sigma }^2}}$

其中，w_ij为区域块i和区域块j之间的相似度值，i和j为分水岭分割后的任意 一个区域块；||·||为求取欧式距离的运算符；x_i为区域块i的特征；x_j为区域块j的 特征；σ为控制区域块与区域块之间相似度的尺度参数，取值范围为(0，1)。在本发明 实施例中，σ＝0.2。

步骤4.获得区域块相位值

4a)将每个区域块迭代前的相位代入下列方程，获得该区域块迭代后的一个新的 相位：

θ′＝θ+C1×(M-θ)+C2×(θ-N)

其中，θ′为区域块迭代后的相位；θ为区域块迭代前的相位；C1为衡量控制相 同类别内区域块相位的接近速度的控制参数，C2为衡量控制不同类别内区域块相位 的远离速度的控制参数，C1、C2在(0，1]范围内选取；M代表与区域块之间的相似度 大于所有相似度算术平均值的全部区域块在迭代前的算术平均相位；N代表与区域块 之间的相似度小于等于所有相似度算术平均值的全部区域块在迭代前的算术平均相 位；初始相位在[-a，a]相位值范围内随机产生。在本发明实施例中，C1＝0.5，C2＝0.1， 相位值的上界a＝50。

4b)处理迭代后的相位

如果迭代后的所有区域块相位中存在相位值大于a的相位时，选取迭代后区域块 相位值中为正的相位，将相位值为正的每一个区域块相位分别与压缩比r1相乘，使 相位值为正的每一个区域块相位都分布在[-a，a]相位值之间；如果迭代后的所有区 域块相位中存在相位值小于-a的相位时，选取迭代后区域块相位值中为负的相位， 将相位值为负的每一个区域块相位分别与压缩比r2相乘，使相位值为负的每一个区 域块相位都分布在[-a，a]相位值之间；其中，压缩比r1和r2按照下式取得：压缩比 r1＝a/b，压缩比r2＝-a/c，其中，a为相位值的上界，b为迭代后所有区域块相位中的 最大相位，c为迭代后所有区域块相位中的最小相位。在本发明实施例中，相位值的 上界a＝50。

4c)判断迭代后区域块的相位是否稳定

将每个区域块迭代后的相位与迭代前的相位相减，得到一个差值，若该差值小于 0，对该差值求反，在所有区域块的差值中选取其中差值最大的一个差值，若该最大 差值小于阈值ε，则认为所有区域块的相位趋于稳定，进入下一步骤，否则，将每个 区域块迭代后的相位作为该区域块下一次迭代前的相位，返回步骤4a)；其中，阈值ε 的取值范围为0＜ε＜1。在本发明实施例中，阈值ε＝0.01，当迭代135次时，相位差 值的最大值小于0.01，所有区域块的相位趋于稳定。

步骤5.归类区域块

5a)将[-a，a]相位值均匀划分为每个子区间长度为l的子区间；

在本发明实施例中，将[-50，50]相位值均匀划分为每个子区间长度5的子区间， 子区间个数为20个。

5b)对每个子区间，统计区域块相位值介于该子区间范围内区域块的像素个数；

5c)将子区间内区域块的像素个数大于阈值T的相邻子区间内的所有区域块归为 一类，并依次赋以类标1，2，……，k，k为图像的类别数；对子区间内区域块的像素个 数小于等于阈值T的相邻子区间内的所有区域按相位从小到大排序，将相位相邻的两 个区域块的相位求差值，找出相位差绝对值最大的两个区域块，以这两个区域块的中 心相位为分界线，将相位大于该分界线的区域块划分到相位大于该分界线中已归类的 区域块的最小相位所对应的区域块的类别中，将相位小于该分界线的区域块划分到相 位小于该分界线中已归类的区域块的最大相位所对应的区域块的类别中，得到每个区 域块的类标；其中阈值T的取值范围为0≤T≤1500。在本发明实施例中，阈值T＝1000， 归类后得到图像的类别数k＝2。

步骤6.根据步骤2a)中分水岭分割结果，找到每个区域块对应的像素点，将每 个区域块的类标对应到相应像素点上，得到图像的最终分割结果并输出。

在本发明实施例中，对图2(a)中的两类纹理图像，根据步骤2a)中的分水岭分割 结果，找到每个区域块对应的像素点，将每个区域块的类标对应到相应像素点上，得 到图像的最终分割结果如图2(c)，图中，黑色的区域为一类，白色的区域为一类。

下面结合附图2附图3附图4附图5对本发明的仿真效果做进一步的描述。

1.仿真条件：

在CPU为core 2 2.4GHZ、内存2G、WINDOWS XP系统上使用Matlab 2009a进 行仿真。

2.仿真内容：

用本发明方法和现有的K-means聚类方法、FCM聚类方法分别对两幅纹理图像 和两幅SAR图像进行了仿真，并比较其效果。

3.仿真实验结果：

A.纹理图像的仿真结果

对纹理图像，有分割结果的标准图，通过与标准分割图进行比较，可以得到分 割结果的正确率，用本发明方法和现有的K-means聚类方法、FCM聚类方法分别对 两类、三类纹理图像进行分割，每种方法独立运行30次，对分割结果的正确率求平 均，得到的正确率的统计结果如下表所示：

  图像类型   本发明  K-means聚类方法  FCM聚类方法   两类纹理图像   0.9550   0.9521   0.9374   三类纹理图像   0.9690   0.7355   0.6013

从表中可以看出：本发明比其他两种方法能够获得更高的分割正确率。

两类纹理图像的分割结果如图2所示，其中图2(a)为两类纹理图像；图2(b)为该 纹理图像分割结果的标准图；图2(c)为本发明的分割结果；图2(d)为K-means聚类方 法的分割结果；图2(e)为FCM聚类方法的分割结果。从图2可见，K-means聚类方 法和FCM聚类方法在区域内部都存在杂点，区域一致性较差，而本发明方法在区域 一致性上明显优于其他两种方法；三类纹理图像的分割结果如图3所示，其中图3(a) 为两类纹理图像；图3(b)为该纹理图像分割结果的标准图；图3(c)为本发明的分割结 果；图3(d)为K-means聚类方法的分割结果；图3(e)为FCM聚类方法的分割结果。 从图3可见，本发明的区域一致性保持最优，而且边缘也更清晰、光滑，而K-means 聚类方法在区域内部存在斑点，而且边缘较模糊，FCM聚类方法错分了图像。

B.SAR图像的仿真结果

对于SAR图像，由于没有分割结果的标准图，所以我们只能从视觉上进行比较， 主要从区域的一致性、细节信息的完整性以及图像边界的清晰性等方面来进行比较。 用本发明方法和现有的K-means聚类方法、FCM聚类方法分别对两类、三类SAR图 像进行分割。

两类地物背景SAR图像的分割结果如图4所示，其中图4(a)为两类SAR图像； 图4(b)为本发明的分割结果；图4(c)为K-means聚类方法的分割结果；图4(d)为FCM 聚类方法的分割结果。从图4可见，本发明能够检测出部分细节信息，边缘效果较光 滑，在区域一致性上明显优于其他两种方法，且其他两种方法检测到的细节信息都少 于本发明；三类河域地物背景SAR图像的分割结果如图5所示，其中图5(a)为两类 SAR图像；图5(b)为本发明的分割结果；图5(c)为K-means聚类方法的分割结果；图 5(d)为FCM聚类方法的分割结果。从图5可见，本发明和K-means聚类方法正确划 分了植被、河流和农作物，但是K-means聚类方法丢失了桥梁信息，且河流和植被的 分界线比较模糊，而FCM聚类方法混淆了河流和农作物。

从以上仿真结果可以看出，采用基于相似性相互作用机理的图像分割方法，区域 内部杂点较少，区域一致性保持较好，图像边缘更清晰、光滑，并且能够检测出图像 的细节信息，从而有效地提高图像分割的效果。