基于分块相似性度量的图像分割方法

摘要

本发明属于聚类技术的图像分割领域，具体涉及一种基于分块相似性度量的图像分割方法。本发明读入一幅自然场景图像，图像大小为M×N，确定欲分割的类别数目K，根据固定划分方式将图像划分为若干个面积相等的矩形区块，每个区块的大小为m×n；在固定划分的基础上对图像进行重叠划分，即将固定划分的块边界线，每次向右并向下移动过l个像素点，直到与原来的固定划分的块边界线重合为止；使每个像素点属于原来的固定划分中的一个区块，包含于不同的区块。本发明提出了一种基于分块相似性度量的图像分割方法，将像素之间的位置关系考量隐含在小区块中，对重叠划分出来的区块进行聚类分割，有效地改善了对像素进行聚类的分割效果。

说明书

技术领域

本发明属于聚类技术的图像分割领域，具体涉及一种基于分块相似性度量的图像分割方 法。

背景技术

图像分割可以看做是图像中物体识别的一个关键的预处理步骤，它的目的是将数字图象 中的不同事物以图像区域的方式提取分离出来，便于对某些感兴趣的目标区域进行处理。图 像分割是图像自动语义内容分析的基础，分割结果的好坏将严重影响后续的分类与识别应用 的效果。

在众多的分割方法中，基于像素视觉特征的聚类分割方法因其突出的分割效果而占有重 要地位。基于视觉空间聚类的分割方法首先对像素的视觉特征(如颜色、纹理)进行聚类， 利用视觉描述空间中的相似性测度来判断像素的区域归属，对于简单噪声较小的图像可取得 良好的分割效果。通常情况下，基于聚类技术的图像分割都是建立在像素独立假设基础上的， 在像素的聚类过程中只考虑了像素在视觉空间中的统计分布特性，而没有考虑到图像像素之 间的空间位置相关性，这往往会影响分割后图像区域的平滑性。

而受像素空间位置限制的混合模型相比于独立混合模型，可以有效改善分割结果的平滑 性。但是，空间限制混合模型的模型参数耦合性过高，使模型求解难度过高，从而增大了算 法的复杂度。

发明内容

本发明的目的在于提供一种基于分块相似性度量的图像分割方法。

本发明的内容是这样实现的：

(1)读入一幅自然场景图像，图像大小为M×N，确定欲分割的类别数目K，根据固定 划分方式将图像划分为若干个面积相等的矩形区块，每个区块的大小为m×n；

(2)在固定划分的基础上对图像进行重叠划分，即将固定划分的块边界线，每次向右并 向下移动过l个像素点，直到与原来的固定划分的块边界线重合为止；使每个像素点属于原来 的固定划分中的一个区块，包含于不同的区块；

(3)对重叠划分过程中产生的所有区块，计算其视觉特征，灰度均值和方差，利用K均 值算法或EM算法对所有这些区块进行聚类，判断每个分块的类别归属；

(4)对图像中每个像素点，采用熵值的倒数来确定每个像素点的权值，

$H=-\underset{i=1}{\overset{K}{\Sigma }}{p}_i{\log }_2{p}_i$

对每个像素点计算熵值，p_i为该像素点属于第i类的概率，p_i可通过统计该像素点属于 不同的分块的类别情况来获得；

(5)考察每个分块内像素点的权值，如果权值像素点超过给定阈值，则认为该分块的区 域一致性好，否则，对该分块进行分裂，分为四等分；如果本次没有需要分裂的分块，转步 骤(6)，否则，转步骤(3)；

步骤(6)利用每个像素点的类别标示，输出分割图像。

本发明的有益效果在于：

本发明提出了一种基于分块相似性度量的图像分割方法，将像素之间的位置关系考量隐 含在小区块(可以理解为“超级像素”)中，对重叠划分出来的区块进行聚类分割，有效地 改善了对像素进行聚类的分割效果。

附图说明

本发明的算法流程图。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明所提出的图像分割方法的具体步骤如下：

步骤1：读入一幅自然场景图像，图像大小为M×N，确定欲分割的类别数目K，根据固 定划分方式将图像划分为若干个面积相等的矩形区块，每个区块的大小为m×n；

步骤2：在固定划分的基础上对图像进行重叠划分，即将固定划分的块边界线，每次向右 并向下移动过l个像素点，直到与原来的固定划分的块边界线重合为止。这样，使每个像素点 不止属于原来的固定划分中的一个区块，而是可以包含于不同的区块。

步骤3：对重叠划分过程中产生的所有区块，计算其视觉特征(灰度均值和方差等)，利 用K均值算法或EM算法对所有这些区块进行聚类，判断每个分块的类别归属。

步骤4：对图像中每个像素点，考察其属于不同分块时的归类情况，采用熵值(熵的计算 公式参见公式(1))的倒数来确定每个像素点的权值，这样可以使得一个像素点在属于不同 分块的条件下，如果这些分块归属某一类的概率趋于一致，该像素点就获得一个较高的权值； 如果这些分块都趋向于归属不同的类别，则该像素就获得一个较低的权值。

$H=-\underset{i=1}{\overset{K}{\Sigma }}{p}_i{\log }_2{p}_i---\left(1\right)$

对每个像素点都按公式(1)计算熵值，p_i为该像素点属于第i类的概率，p_i可通过统计 该像素点属于不同的分块的类别情况来获得。

步骤5：考察每个分块内像素点的权值，如果权值较高像素点超过给定阈值，则认为该分 块的区域一致性较好，否则，对该分块进行分裂，分为四等分。如果本次没有需要分裂的分 块，转步骤6，否则，转步骤3。

步骤6：利用每个像素点的类别标示，输出分割图像。

本发明提出一种新的图像分割方法，首先将图像划分成矩形小区块，我们采取重叠划分 方式，获取每个区块的视觉属性的描述(颜色或纹理)；然后对分块的视觉空间利用K均值 或EM算法进行聚类，利用分块聚类的结果，构造像素的权值；自动找出若干个具有典型颜色 (或纹理)的小区块作为类别标记，然后将其他区块和这些区块进行相似性度量来确定每个 区块的类别归属。对于像素权值难以趋于一致的区块，进行分裂后，重复上述过程。由于事 先并没有提供任何指导性信息，该方法本质上还属于非监督学习算法。