[發明專利]利用空間信息約束的稀疏子空間模糊聚類的圖像分割方法

有效

• 申請號: 202011429248.1
• 申請日: 2020-12-09
• 公開（公告）號: CN112465837B
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 白相志;王子涵
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/187;G06V10/762;G06K9/62
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 李娜;王順榮

本發明公開一種利用空間信息約束的稀疏子空間模糊聚類的圖像分割方法，1)利用超像素分割將圖像預分割為超像素塊，并計算每一個超像素塊的Gabor特征描述子以及通道特征描述子；2)設計算法模型，將模糊聚類中的隸屬度約束加入到基于稀疏子空間聚類方法，將稀疏自相關系數同隸屬度一起交替更新，同時完成尋優；3)設計空間信息約束形式，將鄰域約束加至上述算法設計模型中。本發明方法可獲得更精確的自表示系數；可有效地解決灰度不均勻的影響；可同時根據兩種不同的特征對圖像進行分割；提高了圖像分割的準確率；在紅外圖像、可見光圖像上均獲得較好效果，可廣泛應用于各類基于圖像的應用系統，具有廣闊的市場前景與應用價值。

(一)技術領域

本發明涉及一種利用空間信息約束的稀疏子空間模糊聚類的圖像分割方法，屬于數字圖像處理領域，主要涉及圖像分割技術。在各類基于圖像的應用系統中有廣闊的應用前景。

(二)背景技術

聚類方法通過利用像素間信息進行相似性分析在圖像分割中得到了良好的效果，被廣泛應用。聚類分析由于其無監督的特性，成本較低，得到了廣泛的應用與研究，而無監督的方法的關鍵在于如何利用圖像中的信息。當前應用較為廣泛的聚類方法大多是基于圖像像素點的相似性以及空間相似性。然而由于真實世界的復雜性，像素點中表達的信息同區域內信息表達不一定一一匹配，例如：紅外圖像通常存在對比度低、信噪比低、視覺效果模糊以及灰度分布與目標反射無線性關系等問題。如何對含噪圖像、灰度不均圖像進行有效地分割是基于聚類分割方法的重要問題。為了更好地解決復雜場景的聚類問題，基于模糊的聚類方法以及基于子空間的聚類方法收到了學術界的廣泛關注。基于模糊C均值聚類方法(參見文獻：貝茲德克等，模式分類中的模糊數學，康奈爾大學博士論文，1973.(J.C.Bezdek.Fuzzy Mathematics in Pattern Classification[D].Ph.D.New York,1973.))是一種經典的基于模糊理論的圖像分割方法，通過求解像素隸屬度來判斷像素的歸屬問題，但是由于該方法只考慮像素的灰度特征，使得其對含噪圖像的分割表現結果較差。近年來在基于模糊C均值聚類方法的基礎上有三個方面改進：第一個是針對模糊C均值聚類方法在聚類時可能受到噪聲等數據模糊現象影響的改進，主要思路是引入更多的約束來限制噪聲的干擾，代表方法有：基于鄰域約束的模糊聚類算法(參見文獻：艾哈邁德等，一種改進的模糊C均值算法用于核磁共振圖像數據的偏置估計和分割，電氣與電子工程師協會醫學成像學報，2002,21(3).(Ahmed M N,Yamany S M,Mohamed N,et al.A modifiedfuzzy C-means algorithm for bias field estimation and segmentation of MRIdata.[J].IEEE Transactions on Medical Imaging,2002,21(3):193-199.))，該算法對于噪聲比較嚴重的圖像的分割具有較好的效果，但是該方法比較依賴參數的選擇和調節，不同噪聲等級的圖像需要調節不同的參數去實現分割，而且該算法容易損失圖像重要細節。無聚類中心的算法(參見文獻：丁俊迪等人.模糊C均值重審：一種無聚類中心的形式.中國模式識別會議，2010:1-5.(J.Ding,R.Ma,X.Hu,J.Yang,and S.Chen,“Fuzzy c-MeansRevisited:Towards A Cluster-Center-Free Reformulation”,.in Proc.ChineseConf.Pattern Recognit.,Chongqing,China,pp.1-5,2010.))，該算法將所有數據點的都利用起來去算數據點與類別之間的相似性，利用了圖像中更多隱含的信息。第二個是針對模糊C均值算法在聚類中出現的確定問題的改進，代表方法有基于直覺信息的模糊C均值聚類算法(琪婭拉等，一種新的直覺模糊C均值聚類算法及其在醫學圖像中的應用，應用軟計算期刊，2011,11(2):1711-1717.(Chaira T.A novel intuitionistic fuzzy C meansclustering algorithm and its application to medical images[J].Applied SoftComputing,2011,11(2):1711-1717.))通過將猶豫度和直接模糊熵引入到聚類的迭代流程中，能夠得到更加準確的聚類中心；該算法在CT腦圖像分割中表現較好，但是，該算法并沒有顯式、隱式地考慮任何空間信息，對于噪聲或者異常值仍然比較敏感。第三個是針對模糊C均值算法中使用特征單一，歐式距離無法全面衡量類別差異的改進，代表方法有中性核C均值聚類算法(亞曼等，KNCM：中性核C均值聚類算法，應用軟計算期刊，2016:S1568494616305117.(Akbulut Y,Abdulkadir,Guo Y,et al.KNCM:KernelNeutrosophic c-Means Clustering[J].Applied Soft Computing,2016:S1568494616305117.))，該方法的主要思想是將類別分為“決定類”和“邊緣區域類”和“噪聲”類，每一類都有相應的隸屬度的值。基于稀疏空間的聚類算法(伊桑等，稀疏子空間聚類:算法、理論和應用，電氣與電子工程師協會模式分析與機器智能學報，2012，2765-2781.(Elhamifar E,Member S,Sparse Subspace Clustering:Algorithm,Theory,andApplications[J].IEEE Transactions on Pattern Analysis and MachineIntelligence 35(11),pp.2765-2781,2012.))可以有效地利用高維信息，將低維子空間信息從高維信息中抽取出來，目前常應用于人臉識別等領域。一般來講，由于圖像中場景復雜性，在圖像分割中會遇到各種各樣的問題，例如信噪比低、灰度不均、特征非線性等等，為了解決圖像分割中噪聲、灰度不均、非線性特征等問題，本發明提出了一種利用空間信息約束的稀疏子空間模糊聚類的圖像分割方法。