[發(fā)明專利]一種基于數據挖掘的圖像特征分割方法

有效

• 申請?zhí)枺?/td>: 202010119665.X
• 申請日: 2020-02-26
• 公開（公告）號: CN111340824B
• 公開（公告）日: 2022-07-12
• 發(fā)明（設計）人: 李凱勇
• 申請（專利權）人: 青海民族大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136;G06T7/187;G06T7/90;G06V10/762;G06K9/62;G06T5/00;G06T5/40
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 楊浩林

1.一種基于數據挖掘的圖像特征分割方法，其特征在于，包括以下步驟：

S1、采集待分割的初始圖像；

S2、采用改進的K-means聚類算法對初始圖像進行圖像去噪預處理；

S3、采用數據挖掘技術對預處理后的圖像進行顏色特征分析，得到區(qū)域約束，具體包括以下分步驟：

S31、提取圖像的局部特征

定義B(x,y)為背景圖像，F(xiàn)(x,y)為加入目標后的場景圖像，D(x,y)為差分圖像，I(x,y)為二值化圖像，將預處理后的圖像進行RGB三通道分離，對各通道分別進行背景差分，對每個像素選取各通道差值的最大值，進行閾值二值化處理，表示為

D_i(x,y)＝|F_i(x,y)-B_i(x,y)|

其中i＝r,g,b表示三個顏色分量，F(xiàn)_i(x,y)為場景圖像F(x,y)分離出的第i通道的圖像，B_i(x,y)為背景圖像B(x,y)分離出的第i通道的圖像，D_i(x,y)為第i通道的差分圖像，θ^B為設定的二值化閾值；

S32、將局部特征與深度信息、位置信息結合生成新的特征向量

基于深度信息對目標區(qū)域進行細化處理，細化后的圖像V(x,y)表示為：

其中I_D(x,y)為預處理后的深度圖像；

對細化后的圖像V(x,y)中值不為0的區(qū)域進行連通域分析，按照四鄰接規(guī)則將值相同的像素標記在同一連通域中，獲得的n個連通域分別為O_k,K＝1、2、....、n，得到區(qū)域約束L(x,y)表示為

S4、采用數據挖掘技術對預處理后的圖像進行紋理特征分析，得到提取目標輪廓的基準面；

S5、建立區(qū)域分割模型進行聚類分割，得到圖像特征分割結果。

2.如權利要求1所述的基于數據挖掘的圖像特征分割方法，其特征在于，所述步驟S2具體為：

采用K-means聚類算法對初始圖像進行濾波處理，并依次采用柔化處理、中值濾波處理和銳化處理進行圖像去噪預處理。

3.如權利要求1所述的基于數據挖掘的圖像特征分割方法，其特征在于，所述步驟S4具體包括以下分步驟：

S41、利用直方圖均衡化算法對圖像進行對比度增強，繪制二維灰度直方圖曲線，表示為

其中，D_B為轉換后的灰度值，f(D_A)為變換函數，D_A為轉換前的灰度值，D_max為灰度最大值，H_i為第i級灰度的像素個數，A₀為像素總數；

S42、設f(x,y)為進行紅外圖像直方圖均衡化后的二維灰度直方圖曲線，其中x表示灰度級別，y表示具體各個灰度級別像素出現(xiàn)的次數，對f(x,y)在點(x,y)處求取梯度，表示為

其中G_x,G_y分別為x,y方向的梯度；

梯度的幅值作為變化率大小的度量，表示為

S43、計算步驟S42中獲得的灰度梯度均值，表示為

其中k為所求取灰度梯度值編號；

舍棄灰度梯度值小于梯度均值的部分，保留灰度梯度值大于灰度梯度均值的部分，表示為

其中m為舍棄灰度梯度小于平均灰度梯度值后的灰度梯度值編號；

將灰度梯度值大于灰度均值的像素點灰度組合成一個集合，構成全局閾值面，作為提取目標輪廓的基準面。

4.如權利要求3所述的基于數據挖掘的圖像特征分割方法，其特征在于，所述步驟S4中采用均值和方差作為紋理特征挖掘的評價參量，計算圖像特征評價值，表示為：

其中V_A表示目標圖像的方差，V_B表示背景類的方差，D_M代表二者之間的均值差，V_E表示特征評價值。