[發(fā)明專利]一種基于SLIC的自適應圖像目標區(qū)域分割方法

在審

• 申請?zhí)枺?/td>: 201811258689.2
• 申請日: 2018-10-26
• 公開（公告）號: CN109598726A
• 公開（公告）日: 2019-04-09
• 發(fā)明（設計）人: 于天河;王成棟
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/187
• 代理公司: 哈爾濱市偉晨專利代理事務所(普通合伙) 23209
• 代理人: 張偉

一種基于SLIC的自適應圖像目標區(qū)域分割方法，涉及超像素分割技術。目的是為了解決傳統(tǒng)的超像素分割方法在對包含多個目標的主體圖像進行超像素分割時，需要人工輸入參數(shù)導致分割效率低的問題。本發(fā)明首先利用SLIC對圖像進行超像素預分割處理，然后以預分割好的超像素點為中心點建立超像素單位，超像素度量單位包括灰度、位置、哈希值。用此度量單位作為超像素點參數(shù)，通過自適應參數(shù)基于距離的聚類算法，最后再將分割出過小區(qū)域進行合并，進而將超像素聚類成確定主體和明顯的主體分割邊界。該方法不需要用戶進行設置輸入、通過計算圖像復雜程度的方法確定需要分割超像素種類的個數(shù)。適用于目標識別、模式識別、人工智能等領域。

技術領域

本發(fā)明涉及圖像處理技術，尤其涉及超像素分割技術。

背景技術

最近幾年，人們對超像素的研究日益火爆，特別是在機器視覺的很多方面，都掀起了一股對超像素研究的風潮，圖像分割在實際的處理中有著非常廣泛的應用，已在目標識別、模式識別、人工智能等眾多領域得到了普遍的應用。但隨著圖像尺寸越來越大，直接在像素粒度層面上對圖像進行處理的計算效率較低，這就要求減少像素數(shù)量，擴大像素所代表的含義，所以就需要在原像素的基礎上使用超像素來代替，超像素分割就是把像素聚類成超像素的過程。它通過像素的聚合保存了圖像的邊界信息，降低了后續(xù)圖像處理的復雜度。超像素分割算法加速了圖像處理的速度，并很好地保留了邊界信息。這樣可以加快處理的速度，在保證處理精度的基礎上也要保證處理的速度。在它基礎上的圖像處理成為了很好的研究方向，目前在圖像分割、目標檢測、特征提取、目標跟蹤、人體姿勢估計等方面都有了很好的發(fā)展。但是，對于包含多個目標的主體圖像，在超像素分割時需要人工輸入參數(shù)，設定分割數(shù)目，限制了分割效率。

發(fā)明內容

本發(fā)明的目的是為了解決傳統(tǒng)的超像素分割方法在對包含多個目標的主體圖像進行超像素分割時，由于需要人工輸入參數(shù)，設定分割數(shù)目，導致分割效率低的問題，提供一種基于SLIC(簡單線性迭代聚類)的自適應圖像目標區(qū)域分割方法。

該基于SLIC的自適應圖像目標區(qū)域合并的分割方法包括以下步驟：

步驟一、讀取原始圖像，對該原始圖像進行下采樣處理，下采樣步長為S個像素單位，即將原始圖像在S*S的滑動窗口內的所有像素點合并為一個超像素點，在該超像素點內的所有像素點中，將灰度值為該超像素點內所有像素點的平均灰度值的像素點作為該超像素點的代表；

步驟二、對下采樣過后的圖像種子點個數(shù)進行初始化，按照初始化后的種子點個數(shù)，將種子點均勻分配到圖像的各個部分上；

步驟三、在以種子點為中心的n*n的范圍內計算各個像素點的灰度梯度(一般取n＝2)，然后找出灰度梯度最小的像素點，將該像素點的位置作為種子點的最終位置；

步驟四、對步驟四中的種子點周圍的像素點進行分類標記，具體包括：

步驟四一、對種子點周圍的像素點進行搜索，搜索過程中使用的移動步長為Step＝sqrt(N/K)+q，其中，N為原始圖像中像素點的數(shù)量，K為分割后超像素點的數(shù)量，q為正整數(shù)；

步驟四二、計算搜索范圍內每個像素點與種子點的距離，該距離包括灰度距離d₁、空間距離d₂和感應哈希距離d₃，

其中m、n分別是對應超像素塊中的像素點個數(shù)，k為像素點的灰度值；

其中x、y分別是對應像素點的橫坐標及縱坐標；

其中，X表示種子點與其上下左右四個方向上相鄰超像素點在灰度上的差異；

步驟四三、計算搜索范圍內每個像素點與種子點的總差異值D：