本發明專利技術公開了一種基于加權割合并的圖像層次分割方法：步驟1：以圖像的像素為頂點構造賦權圖，構建無向權圖的加權割合并的代價函數；步驟2：選取種子點，定義稀疏插值矩陣，更新與合并種子點所代表類的權值，層次迭代得到優化的相似矩陣，使原始圖像在不同層次粗化，直至得到突顯興趣區域停止迭代，求解優化代價函數所表示的特征系統，得到無向賦權圖中突顯興趣區域的粗分割；步驟3：針對突顯興趣區域進行從上到下掃描邊界，采用的逆插值方法進行邊界合并，得到圖像的最優分割。本發明專利技術改進了歸一化割的圖像分割方法，采用了歸一化割框架體系的思想，大大的提高了圖像的分割效果，在子圖邊緣處分割效果的改進尤為明顯。
【技術實現步驟摘要】
本專利技術涉及圖像分割的方法，具體是，該方法應用了圖譜理論。
技術介紹
圖像分割是把圖像分成各具特性的子區域并提取出感興趣區域的技術。圖像分割是圖像處理和計算機視覺中的重點和難點。目前提出的圖像分割算法非常繁多，傳統的圖像分割方法主要分為三類邊緣檢測分割、設置閾值進行分割、基于區域的分割方法。邊緣檢測分割通常是檢測圖像灰度的不連續性，將檢測到的不連續邊緣曲線合并為邊界，這種方法非常直觀有效，但由于邊緣和噪聲均為灰度不連續點，所以邊緣檢測不能區分出噪聲；設置閾值進行分割是通過圖像灰度直方圖信息獲取閾值，再將閾值與像素點的灰度逐一進行比較，分離出興趣區域的分割方法，該方法計算簡單、運算速度快，適用于興趣區域和背 景灰度級別不同的圖像，但是閾值的選擇沒有特定的公式依據；區域分割考慮了圖像的空間性質，以區域內像素點之間的相似性質為依據進行圖像的分割。基于區域的分割方法包括分割聚合分割以及分裂分割兩種，兩種區域分割均采用迭代的方法，運行速度比較低。基于圖論的圖像分割算法是近幾年研究的熱點，該算法考慮了圖像局部特征與全局特征的關系，相比于傳統的分割方法有著獨特的優勢。圖論是離散數學的一個分支，具體以圖為研究對象，研究頂點和邊組成圖形的數學問題。基于圖論的圖像分割是將圖像映射為一幅無向權圖G = (￥3，吣，其中￥= {1，2，...稱為頂點集，V中的元素i稱為頂點，i對應于圖像中的每個像素點；E = {eij}稱為邊集,E中的元素eu稱為邊,eu表示V中任意兩頂點i，j之間的連線；W = (WijI稱為權集，W中的元素Wu稱為邊eu的權，Wij表示頂點i，j之間的相似程度。對無向賦權圖G = (V, E, W)的分割，有三類不同的分割準則1)基于特征向量代數圖論中的譜聚類應用于圖像分割時采用基于特征向量的分割標準，定義給定圖的相似權值矩陣，通過求解相似權值矩陣的特征值與特征向量，對其聚類使圖的頂點分簇，實現分割圖像；但當圖的相似權值矩陣維數比較大或聚類數目不能確定時，這種分割標準將無法對圖像進行較好地分割處理，因此該方法僅適應于維數小的圖像分割。2)區域合并將圖的每個像素點看成一類，通過相應的合并準則將相似度高的類進行合并以達到圖像分割的目的。區域合并分割準則想法簡單，容易操作；但分割圖像的效果不理想，精確度不高。3)基于歸一化割基于圖割的分割準則基本思想是使所劃分的子圖間相似性最小，將傳統的圖像分割問題轉變為求圖論中的圖割最優化問題。基于圖割的分割準則有很多，如最小分割(Minimum cut)、歸一化分割(Normalized cut)、平均分割(Average cut)、比例分割(Ratiocut)、網巢分割(Nested cut)等,其中具有代表性的兩種分割準則為最小割(Minimum cut)準則和歸一化割(Normalized cut)準則。最小割(Minimum cut)準則是由Wu和Leahy共同提出的。這種方法僅僅考慮了子圖間相似性最小原則，常常會將孤立點單獨的分為一類，使得圖像產生過分割。所以最小割(Minimum cut)準則沒有得到廣泛的應用。歸一化割(Normalized cut)準則是由Shi和Malik提出的,這種方法在最小割(Minimum cut)準則的基礎上考慮了子區局內的自相似性，因而采用了“歸一化”方法。使得分割出的子圖既滿足類間相似度最小，同時滿足類內相似度最大。這樣,歸一化割(Normalized cut)既考慮了圖像的局部特征，也考慮了圖像的全局特征，使分割效果大大的改善。基于歸一化割的圖像分割步驟包括(I)對于一幅圖像，構造無向賦權圖G = (V，E，W)。其中，V是頂點集，元素i稱為頂點，對應于圖像中的每個像素點，V= {I, 2,... i, ... N} ；E為邊集,元素eu稱為邊,對應于圖中任意兩頂點i, j之間的連線，E = {eij} ;W為權集,元素Wij稱為邊eu的權,表示頂點i,j之間的相似程度，W = (WijI。(2)將無向賦權圖G分割為不相交的兩個區域A和B,且區域A和B中的頂點滿足AUB = V和ΑΠΒ = Φ，其中，V是所有頂點的集合，Φ是空集。若i e A，則令Xi = I ；若i e B，則令Xi = -I。區域A和B之間的最小割cut (A, B)定義為 cut (A, B)= I Wif /'G/f./e//其中，Wij表示頂點i，j之間的相似程度，cut (A, B)反映區域A和B之間總體的相關程度。(3)定義歸一化割 Ncut (A，B)為Nmt(AB)= CUt{AB) + CUt{AB)assoc(A, V) associB，V)OSSOC(Ay)= Yj Wif = Y^di Xi >0 Sm YrWljViVjNcut(A, B) = -+ - Ld- IAXj >0Xi <0令I為NX I維矩陣，其元素都為I ;D為N維對角矩陣，其對角線上元素。.1 Σ4=k X為NXl維矩陣，其元素為Xi;y=(I+X)-b(I-X)。進而歸一化割表Ui i b =-- I-殼示為~W 愈 “Η-H ' 'hi DlNcut(A，B) = y ^D~W^y y Dy但是，采用歸一化割準則對圖像分割時，運算復雜度高，特別是頂點數目多的圖，復雜度更是以幾何倍數遞增。上述兩種分割方法均是將一副圖分離成多個類，以達到分割的目的
技術實現思路
針對上述現有技術存在的缺陷或不足，本專利技術的目的在于，提出了一種加權割合并的圖像多尺度層次分割方法，該方法改進了歸一化割的圖像分割方法，采用了歸一化割框架體系的思想，大大的提高了圖像的分割效果，在子圖邊緣處分割效果的改進尤為明顯。為了達到上述目的，本專利技術采用如下的技術解決方案，具體包括如下步驟步驟I :以圖像的像素為頂點構造賦權圖，構建無向權圖的加權割合并的代價函數；步驟2 :圖像粗化過程選取種子點，定義頂點與種子點所代表類之間的稀疏插值矩陣，利用其更新與合并種子點所代表類的權值，層次迭代得到優化的相似矩陣，使原始圖像在不同層次粗化，直至得到突顯興趣區域停止迭代，求解基于加權割合并的優化代價函 數所表示的特征系統，得到無向賦權圖中突顯興趣區域的粗分割；步驟3 :針對突顯興趣區域，利用步驟2所得到的狀態向量進行從上到下掃描邊界，采用的逆插值方法進行邊界合并，得到圖像的最優分割。進一步的，所述的步驟I具體包括如下步驟I)對一幅圖像構造無向賦權圖G= (V, E, W);其中，V是頂點集，其元素i (i =1，2，... N)稱為頂點，對應于圖像中的每個像素點，V= {1,2,... i,...N} ;E為邊集，其元素e^j (i = 1，2,. . . N, j = 1，2,. . . N)稱為邊,對應于圖像中任意兩頂點間的連線,E = {θ^·}；W為權集,其元素Wij (i = I, 2,. . . N, j = I, 2,. . . N)稱為邊eu的權,表示頂點i, j之間的相似程度，W = (WijI ,其中Wij的表達式如下[Oi = j其中，gi為頂點i的灰度值，Wij e ((Tl) ； μ為提前設定的常數,通常μ = 10。2)定義基于本文檔來自技高網...
【技術保護點】
一種基于加權割合并的圖像層次分割方法，其特征在于，具體包括如下步驟：步驟1：以圖像的像素為頂點構造賦權圖，構建無向權圖的加權割合并的代價函數；步驟2：圖像粗化過程：選取種子點，定義頂點與種子點所代表類之間的稀疏插值矩陣，利用其更新與合并種子點所代表類的權值，層次迭代得到優化的相似矩陣，使原始圖像在不同層次粗化，直至得到突顯興趣區域停止迭代，求解基于加權割合并的優化代價函數所表示的特征系統，得到無向賦權圖中突顯興趣區域的粗分割；步驟3：針對突顯興趣區域，利用步驟2所得到的狀態向量進行從上到下掃描邊界，采用的逆插值方法進行邊界合并，得到圖像的最優分割。
【技術特征摘要】
1.一種基于加權割合并的圖像層次分割方法，其特征在于，具體包括如下步驟 步驟I :以圖像的像素為頂點構造賦權圖，構建無向權圖的加權割合并的代價函數； 步驟2 圖像粗化過程選取種子點，定義頂點與種子點所代表類之間的稀疏插值矩陣，利用其更新與合并種子點所代表類的權值，層次迭代得到優化的相似矩陣，使原始圖像在不同層次粗化，直至得到突顯興趣區域停止迭代，求解基于加權割合并的優化代價函數所表示的特征系統，得到無向賦權圖中突顯興趣區域的粗分割； 步驟3 :針對突顯興趣區域，利用步驟2所得到的狀態向量進行從上到下掃描邊界，采用的逆插值方法進行邊界合并，得到圖像的最優分割。2.如權利要求I所述的基于加權割合并的圖像層次分割方法，其特征在于，所述的步驟I具體包括如下步驟 O對一幅圖像構造無向賦權圖G = (V, E, W);其中，V是頂點集，其元素i (i =1，2，... N)稱為頂點，對應于圖像中的每個像素點，V= {1,2,... i,... N} ;E為邊集，其元素eij (i = 1，2,. . . N, j = 1，2,. . . N)稱為邊,對應于圖像中任意兩頂點間的連線,E = {θ^·}；W為權集,其元素Wij (i = I, 2,. . . N, j = I, 2,. . . N)稱為邊eu的權,表示頂點i, j之間的相似程度，W = (WijI ,其中Wij的表達式如下3.如權利要求I所述的基于加權割合并的圖像層次分割方法，其特征在于，所述的步驟2具體包括如下步驟步驟 200 :令 k = O...
【專利技術屬性】
技術研發人員：趙祥模，劉占文，林杉，楊瀾，史昕，強軻楠，周經美，白國柱，
申請(專利權)人：長安大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。