[發明專利]基于Node2Vec算法的超像素圖像邊緣檢測方法

有效

• 申請號: 201810320566.0
• 申請日: 2018-04-11
• 公開（公告）號: CN108682017B
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 陳晉音;劉靚穎;鄭海斌
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06T7/90;G06K9/62
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于Node2Vec算法的超像素圖像邊緣檢測方法，其特征在于，所述方法包括以下步驟：

1)對圖片進行超像素分割，過程如下：

1.1)初始化超像素中心：基于k-means++的聚類算法，根據樣本隨機選擇k個初始聚類中心；

1.2)計算所有像素點到達初始超像素中心的歐式距離：

計算顏色空間的距離：

計算坐標空間的距離：

將式(1)和式(2)進行正則化，得到式(3)：

圖片讀入的色彩空間為RGB顏色空間；

式(1)中，j和i表示不同的像素點，R表示紅色亮度等級，G表示綠色亮度等級，B表示藍色亮度等級；式(2)中，x表示坐標中的水平距離，y表示坐標中垂直距離；式子(3)中，d_c表示顏色距離，d_s表示空間距離，N_s是類內最大距離空間，定義為最遠兩像素點之間的距離，記為s；由于不同顏色空間的N_c值相差較大，因此用常數m代替，得到式(4)：

計算每個像素點到種子中心的D'值，找出距離像素點最近的種子中心，作為它的聚類中心，并打上相應類標；

1.3)迭代優化，重復步驟1.2)，計算每個像素中心到新聚類中心點的歐氏距離，找到最近的聚類中心后，打上新的類標值，并更新相關數據，計算新的超像素中心，直至超像素中心不再變化，則完成超像素提取，迭代次數達到設定次數時，獲得最終超像素中心，否則，繼續重復步驟1.2)；

2)計算超像素中心屬性值，建立全連接稠密網絡，過程如下：

2.1)將圖片灰度化；

Gray＝0.299R+0.587G+0.114B (5)

2.2)計算超像素中心的屬性值，建立相應連邊關系：

由步驟1.2)可知超像素劃分存在一定區域性，因此計算超像素中心所在區塊的內切圓、外切圓的半徑，在每個超像素區域范圍內，距離超像素中心最遠的像素點距超像素中心的距離作為該超像素中心外切圓的半徑D_imax，i＝1，2，…，N，距離超像素中心最近的像素點距超像素中心的距離作為該超像素中心內切圓的半徑D_imin，i＝1，2，…，N；

2.3)用高斯濾波器平滑圖片，獲得超像素中心梯度值：

基于步驟1)中所提取的超像素，采用超像素中心代替局部區域策略降低圖片處理復雜度，超像素中心代替局部區域策略是利用超像素的中心點含有豐富的表征該區域內像素特征信息的特點，以中心點代替局部區域；

首先通過二維高斯平滑算子平滑圖片f(x,y)，

則平滑后的圖片F(x,y)表示為G(x,y)*f(x,y)，式(6)中表示x和y方向上的位置值均為超像素中心點的位置值；

然后計算各個超像素中心梯度的大小和方向，為使梯度的計算更加準確，采用一階計算x方向、y方向的偏微分；

梯度大小的計算：

梯度方向的計算：

2.4)基于步驟1.2)中所得到的顏色距離、坐標距離，步驟2.2)中得到的超像素中心內切圓半徑、外切圓半徑，步驟2.3)中計算的各超像素中心梯度值，建立全連接稠密網絡；將超像素區塊作為全連接網絡的節點，將各個超像素中心點間的相似度作為連邊關系，其中中心點相似度的計算基于每條連邊的權重值w，其中D_imax、D_imin、D'分別代表超像素中心點外切圓半徑、內切圓的半徑，以及正則化后的歐式距離，將任意兩個節點i、j的相似度大小自定義為

3)全連接稠密網絡的稀疏化，過程如下：

3.1)為使剩下的連邊更具特征性，使用雙閾值對全連接網絡進行粗稀疏化：

3.1.1)對梯度進行非最大抑制：

由于圖像進行超像素分割后，聚類中心不均勻分布，因此以超像素中心作為圓心，長為半徑作圓，其中s為步驟1.2)中提到的兩點最遠超像素中心距離，k為聚類中心個數，該圓作為中心點的鄰域；

遍歷各個超像素中心，將超像素中心梯度值M(x,y)與鄰域內沿著梯度方向的其余超像素中心的梯度值進行比較，若偏小，則令M(x,y)＝0；

3.1.2)運用雙閾值算法檢測并減少連邊數目：

基于步驟3.1.1)，設定兩個閾值T₁和T₂處理梯度響應，設置方法為：將各個中心點按照梯度相應由大到小排列，根據二八準則，將位于20％的點對應的梯度值作為高閾值T₁，取位于50％的點對應的梯度值作為低閾值T₂；

若超像素中心點的梯度值M(x,y)＞T₁則將其梯度置為0，去除該超像素中心點的所有連邊；若超像素中心點的梯度值M(x,y)＜T₁并且M(x,y)＞T₂則考察其鄰域，此鄰域是半徑為的圓，若存在梯度已被置為零的點，則也將其連邊去除；

3.2)采用軟閾值來進一步減少連邊數量，對全連接網絡做細稀疏化，軟閾值函數的運用，基于如下公式：

式(9)中，w表示變量，λ表示所設閾值，w的取值為步驟2.4)中所得到的權重值w，將所有超像素中心的權重值由大到小排列，取最大權重的60％作為λ的值，即λ＝0.6|w|_max，|w|若大于λ，那么將其值置零，去除該中心點的連邊；

4)將網絡節點轉化為向量，找出邊緣點，過程如下：

4.1)針對稀疏化后的全連接網絡中的每個節點進行二階隨機游走，由步驟1)可知，對圖片進行超像素提取后，共有k個超像素區塊，則有k個節點，任意選定一個節點作為初始頭結點T，并定義游走長度為l_randomwalk，用C_i表示游走時的第i個節點，并以C₀＝T開始，進行隨機游走；C_i的生成滿足以下概率分布：

式(10)中，x表示下一步可能游走的節點，v表示當前停留的節點，π_vx表示節點v與x間未歸一化的轉移概率，Z表示歸一化常數；定義π_vx＝f_(t,x)，其中t表示已游走的上一個節點，即C_i-2＝t，其計算公式為：

式(11)中，f_(t,x)可作為權重系數，d_tx表示上一節點t與下一節點x間的最短直線路徑，且規定d_tx∈(0,1,2)；基于步驟2.4)取1.2|w|_max和0.2|w|_min，最大權重值的1.2倍和最小權重值的0.2倍，控制游走方向及范圍；若π_vx相等，則隨機選擇一個節點進行游走；

4.2)獲得向量矩陣：根據步驟4.1)游走一個節點后將得到k條長度為l_randomwalk的游走序列，訓練神經網絡模型，調整參數；

先用特征向量表示全連接網絡中的超像素節點，并使用該特征向量來表示網絡節點間的連接概率函數；由于隨機游走不一定會遍歷所有節點，因此為了保證每條游走序列的初始頭節點都不同，需要對整個網絡進行k次重復游走；而對于每一條游走序列來說，僅保留第一個重復游走的節點，將得到新的節點序列表示為{U₁,U₂,...,U_T}，U_T∈A，其中A是大小為k的節點集合；為使得該模型滿足需滿足唯一約束條件如下所示：

式(12)中，|V|為向量模長，函數f(i,U_t-1,…,U_t-n+1)分解為映射H(·)和函數g(·)兩個部分：第一部分映射H(·)，H(i)表示節點集合中的每個節點的分布式特征向量，第二部分函數g(·)，該函數將輸入的節點特征向量θ，映射為節點θ前面n-1個節點的條件概率分布，即：

f(i,U_t,...,U_t-n+1)＝g(i,H(U_t),…,H(U_t-n+1)) (13)

訓練結束的標志為尋找得到滿足帶懲罰項的訓練序列的對數似然率最大的節點特征向量θ，即：

完成訓練后，當U＝0時，得到首尾相連的特征向量(H(U_t-1),H(U_t-2),···,H(U_t-n+1))，該矩陣H就是需要的節點特征向量，每一行代表該位置的節點的向量；

4.3)計算每個節點向量之間的距離值和密度值：將向量矩陣(H(U_t-1),H(U_t-2),···,H(U_t-n+1))定義為其中x_i表示矩陣的每一行，即步驟4.2)位置節點的向量；

計算任意兩行向量x_i和x_j之間的歐式距離δ_i：

式(15)中，m表示向量的維度；

接著計算H中的任一向量x_i的密度值，定義節點的密度是矩陣H中與x_i之間的距離小于d_c的向量的個數，d_c＞0，記為ρ_i，其中d_c為模長最大與模長最小的兩個向量x_max與x_min之間歐式距離絕對值的0.05，

4.4)基于步驟4.3)得到的H中每個向量的密度值和距離值(ρ_i,δ_i)，i∈(1,2,...,k)，將其密度值和向量值均由大到小排列，按照二八法則，取ρ₀為中第0.8k個密度值的大小，取δ₀為中第0.2k個距離值的大小，將密度值小于ρ₀，或距離值大于δ₀的節點均標記為邊緣點，將其相連，最終獲得圖像邊緣。