CN105205485A - 基于多类类间最大方差算法的大尺度图像分割算法 - Google Patents

Abstract

本发明公开了一种基于多类类间最大方差算法的大尺度图像分割算法，本发明公开的基于多类类间最大方差算法的大尺度图像分割算法，采用多类类间最大方差算法对灰度图像进行分析，获得感兴趣的灰度图像区域，并将感兴趣的灰度图像区域划分为互不重叠的子块，采用区域生长法对当前灰度图像进行分割，综合考虑了所有像素，提高了像素分割的准确性，避免了现有分割方法的不足；本发明分割算法能够有效分割大尺度图像，分割效果明显，可提高图像分割精度。

Description

基于多类类间最大方差算法的大尺度图像分割算法

技术领域

本发明属于图像处理领域，具体涉及一种基于多类类间最大方差算法的大尺度图像分割算法。

背景技术

图像分割是指利用图像信息中某些特征，从图像中提取用户感兴趣目标。对待分割图像进行信息分析，对重要的信息进行特征提取。在进行初始化分割之前，先对图像中各像素提取特征，特征提取后，可以得到一个相应的特征图像，这个特征图像包含三个通道，每个通道对应着一组特征值。但是对不同场景的图像，其特征图像具有不同的特性，例如具有强烈纹理特性的图像，其方向特征会较其他两个特征有更大的对比度；而对于自然场景图像，其颜色和方向的对比度会比较大。概括地说，给定某种一致性属性准则(度量)P，将图像X正确地划分成为互不交迭的区域集{S₁，S₂，…，S_n}的过程称之为分割，正确分割应满足下列条件：

(3)P(S_i)＝1(true)

(4)P(S_i∪S_j)＝0(false)

用作图像分割的度量准则不是唯一的，它与应用场景图像及应用目的有关，用于图像分割的场景图像特征信息有亮度、色彩、纹理、结构、温度、频谱、运动、形状、位置、梯度和模型等。

利用类间最大方差处理图像的基本思想是假设一副灰度图像由亮、暗两个部分组成，如果需要将两部分区域分割开来，则将整幅图像的灰度值的统计直方图分为两部分，求该两部分的方差而获得最优阈值。

两类类间最大方差描述如下：设灰度图灰度级为L，对其进行直方图统计，然后将其根据阈值t分为ξ₁，ξ₂两类，其分别出现的概率如下式所示：

$P_{{\mathrm{\ξ}}_1}={\mathrm{\Σ}}_{i=0}^t{p}_i,P_{{\mathrm{\ξ}}_2}={\mathrm{\Σ}}_{i=t+1}^{L-1}{p}_i=1-P_{{\mathrm{\ξ}}_1}$

ξ₁，ξ₂两类的均值分别是，可得：

${\mathrm{\μ}}_{{\mathrm{\ξ}}_1}={\mathrm{\Σ}}_{i=0}^t{\mathrm{ip}}_i/P_{{\mathrm{\ξ}}_1},{\mathrm{\μ}}_{{\mathrm{\ξ}}_2}={\mathrm{\Σ}}_{i=t+1}^{L-1}{\mathrm{ip}}_i{P}_{{\mathrm{\ξ}}_2}$

因此，全局图像像素均值为：

${\mathrm{\μ}}_0={\mathrm{\Σ}}_{i=0}^{L-1}{\mathrm{ip}}_i$

ξ₁，ξ₂两类之间的方差为：

${\mathrm{\σ}}_{{\mathrm{\ξ}}_1,{\mathrm{\ξ}}_2}^2=P_{{\mathrm{\ξ}}_1}{({\mathrm{\μ}}_{{\mathrm{\ξ}}_1}-{\mathrm{\μ}}_0)}^2+P_{{\mathrm{\ξ}}_2}{({\mathrm{\μ}}_{{\mathrm{\ξ}}_2}-{\mathrm{\μ}}_0)}^2$

类间最大方差可以做多类推广，然而对多类求最大方差时有两个关键问题，其一是如何确定分类的个数，其二是多类求最大方差的复杂度较大。受上述两个关键问题的限制，现有利用类间最大方差处理图像的分割算法难以完成对图像关键特征信息的适度提取，同时其分割算法复杂，造成分割的图像的分辨率低，清晰度不高。

发明内容

本发明所要解决的技术问题是：针对现有技术的不足，提供一种对大尺度图像分割精度高的基于多类类间最大方差算法的大尺度图像分割算法。

本发明解决上述技术问题所采用的技术方案为：基于多类类间最大方差算法的大尺度图像分割算法，包括以下步骤：

(1)获取一幅来源于高清摄像头或者CCD相机的待分割的大尺度扫描图像，然后将该待分割的大尺度扫描图像转换成灰度图像，再采用多类类间最大方差算法对灰度图像进行分析，得到初始感兴趣的轮廓{A1,A2,A3,…,An}，其中A1,A2,A3,…,An定义为构成初始感兴趣的轮廓的所有轮廓点；

(2)根据初始感兴趣的轮廓{A1,A2,A3,…,An}经包络得到灰度图像中的感兴趣区域，根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域，定义该方形区域的宽度为W、高度为H，如果W×H能够被u×u整除，则将该方形区域定义为当前灰度图像，然后直接将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块；如果W×H不能够被u×u整除，则扩展该方形区域使其尺寸大小能够被u×u整除，将扩展后的方形区域定义为当前灰度图像，然后将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块，其中，W'和H'对应表示扩展后的方形区域的宽度和高度，W'＝＝W且H'>H或W'>W且H'＝＝H或W'>W且H'>H，u取4、5或6；

(3)采用区域生长法对当前灰度图像进行分割，得到当前灰度图像中的多个初步目标区域；

(4)将当前灰度图像中当前待处理的初步目标区域定义为当前初步目标区域；

(5)从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为u×u的子块，按序对当前初步目标区域对应的每个尺寸大小为u×u的子块进行处理，将当前待处理的尺寸大小为u×u的子块定义为当前子块；

(6)将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化，该非线性优化模型为：

$\frac{ds}{dt}=A\×sin(2\mathrm{\π}\×f_0\×t+\mathrm{\ψ})+m\×g\left(t\right)+n\×s-m\×s^3+\sqrt{2\mathrm{\α}}\×\mathrm{\ξ}\left(t\right)$

其中：表示非线性优化模型输出的信噪比，A为固定周期信号的幅度，f₀为固定周期信号的频率，t为布朗粒子的运动时间，ψ为固定周期信号的初相位，m、n均为双稳态势垒实参数，g(t)表示非线性优化模型的输入参数，s为布朗粒子的运动坐标，α为噪声强度，ξ(t)为均值为0的高斯白噪声；

将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化后，非线性优化模型输出当前子块中的所有像素点各自的信噪比，如果当前子块中的每个像素点的信噪比与事先存储于数据库中的大尺度扫描图像的灰度图像中对应像素点的信噪比的误差小于10％，则确定当前子块优化成功，其中，事先存储于数据库中的大尺度扫描图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同；

(7)将下一个待处理的尺寸大小为u×u的子块作为当前子块，然后返回步骤(6)继续执行，直至当前初步目标区域对应的所有尺寸大小为u×u的子块处理完毕，得到对应的最终目标区域；

(8)将当前灰度图像中下一个待处理的初步目标区域作为当前初步目标区域，然后返回步骤(5)继续执行，直至当前灰度图像中的所有初步目标区域处理完毕，得到当前灰度图像中的多个最终目标区域，至此完成大尺度图像的分割。

作为优选，步骤(6)中事先存储于数据库中的大尺度扫描图像的灰度图像中的每个像素点的信噪比的具体获取过程为：

(6.1)选取一幅来源于高清摄像头或者CCD相机的具有代表性的大尺度扫描图像，然后将该大尺度扫描图像转换为灰度图像；

(6.2)定义该灰度图像的宽度为W、高度为H，如果W×H能够被u×u整除，则将该灰度图像作为待处理灰度图像，然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块；如果W×H不能够被u×u整除，则扩展该灰度图像使其尺寸大小能够被u×u整除，将扩展后的灰度图像作为待处理灰度图像，然后将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块，其中，W'和H'对应表示扩展后的灰度图像的宽度和高度，W'＝＝W且H'>H或W'>W且H'＝＝H或W'>W且H'>HW'>W且H'>H，u取4、5或6；

(6.3)手动圈定待处理灰度图像中的每个目标区域；

(6.4)计算待处理灰度图像中的每个目标区域对应的每个尺寸大小为u×u的子块中的每个像素点的信噪比。

与现有技术相比，本发明的优点在于：本发明公开的基于多类类间最大方差算法的大尺度图像分割算法，采用多类类间最大方差算法对灰度图像进行分析，获得感兴趣的灰度图像区域，并将感兴趣的灰度图像区域划分为互不重叠的子块，采用区域生长法对当前灰度图像进行分割，综合考虑了所有像素，提高了像素分割的准确性，避免了现有分割方法的不足；本发明分割算法能够有效分割大尺度图像，分割效果明显，可提高图像分割精度。

附图说明

图1为经本发明分割算法分割前的实施例的大尺度图像；

图2为经本发明分割算法分割后的实施例的大尺度图像。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

对于图1所示的大尺度图像，是一幅高清摄像头拍摄的实际道路图像的灰度图，采用本发明的基于多类类间最大方差算法的大尺度图像分割算法，包括以下步骤：

(1)获取图1的扫描图像，然后将该扫描图像转换成灰度图像，再采用多类类间最大方差算法对灰度图像进行分析，得到初始感兴趣的轮廓{A1,A2,A3,…,An}，其中A1,A2,A3,…,An定义为构成初始感兴趣的轮廓的所有轮廓点；

(2)根据初始感兴趣的轮廓{A1,A2,A3,…,An}经包络得到灰度图像中的感兴趣区域，根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域，定义该方形区域的宽度为W、高度为H，如果W×H能够被5×5整除，则将该方形区域定义为当前灰度图像，然后直接将当前灰度图像划分成个互不重叠的尺寸大小为5×5的子块；如果W×H不能够被5×5整除，则扩展该方形区域使其尺寸大小能够被5×5整除，将扩展后的方形区域定义为当前灰度图像，然后将当前灰度图像划分成个互不重叠的尺寸大小为5×5的子块，其中，W'和H'对应表示扩展后的方形区域的宽度和高度，W'＝＝W且H'>H或W'>W且H'＝＝H或W'>W且H'>H；

(3)采用区域生长法对当前灰度图像进行分割，得到当前灰度图像中的多个初步目标区域；

(4)将当前灰度图像中当前待处理的初步目标区域定义为当前初步目标区域；

(5)从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为5×5的子块，按序对当前初步目标区域对应的每个尺寸大小为5×5的子块进行处理，将当前待处理的尺寸大小为5×5的子块定义为当前子块；

(6)将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化，该非线性优化模型为：

$\frac{ds}{dt}=A\×sin(2\mathrm{\π}\×f_0\×t+\mathrm{\ψ})+m\×g\left(t\right)+n\×s-m\×s^3+\sqrt{2\mathrm{\α}}\×\mathrm{\ξ}\left(t\right)$

其中：表示非线性优化模型输出的信噪比，A为固定周期信号的幅度，f₀为固定周期信号的频率，t为布朗粒子的运动时间，ψ为固定周期信号的初相位，m、n均为双稳态势垒实参数，g(t)表示非线性优化模型的输入参数，s为布朗粒子的运动坐标，α为噪声强度，ξ(t)为均值为0的高斯白噪声；

将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化后，非线性优化模型输出当前子块中的所有像素点各自的信噪比，如果当前子块中的每个像素点的信噪比与事先存储于数据库中的大尺度扫描图像的灰度图像中对应像素点的信噪比的误差小于10％，则确定当前子块优化成功，其中，事先存储于数据库中的大尺度扫描图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同；

(7)将下一个待处理的尺寸大小为5×5的子块作为当前子块，然后返回步骤(6)继续执行，直至当前初步目标区域对应的所有尺寸大小为5×5的子块处理完毕，得到对应的最终目标区域；

(8)将当前灰度图像中下一个待处理的初步目标区域作为当前初步目标区域，然后返回步骤(5)继续执行，直至当前灰度图像中的所有初步目标区域处理完毕，得到当前灰度图像中的多个最终目标区域，至此完成图1所示的大尺度图像的分割。

以上实施例的步骤(6)中，事先存储于数据库中的大尺度扫描图像的灰度图像中的每个像素点的信噪比的具体获取过程为：

(6.1)选取一幅来源于高清摄像头的具有代表性的道路图像的扫描图像，然后将扫描图像转换为灰度图像；

(6.2)定义该灰度图像的宽度为W、高度为H，如果W×H能够被5×5整除，则将该灰度图像作为待处理灰度图像，然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为5×5的子块；如果W×H不能够被5×5整除，则扩展该灰度图像使其尺寸大小能够被5×5整除，将扩展后的灰度图像作为待处理灰度图像，然后将待处理灰度图像划分成个互不重叠的尺寸大小为5×5的子块，其中，W'和H'对应表示扩展后的灰度图像的宽度和高度，W'＝＝W且H'>H或W'>W且H'＝＝H或W'>W且H'>H；

(6.3)手动圈定待处理灰度图像中的每个目标区域；

(6.4)计算待处理灰度图像中的每个目标区域对应的每个尺寸大小为5×5的子块中的每个像素点的信噪比。

本发明分割算法中，用到的多类类间最大方差算法、区域生长法以及扩展灰度图像的方法均采用现有技术。例如，多类类间最大方差算法可以参考“基于多峰分布最大类间方差的垩白米粒检测方法”，徐建东等，光电子·激光，第23卷第5期，2012年5月。

对于图1，非线性优化模型的具体参数选择为：保持固定周期信号的幅度A＝4、固定周期信号的频率f₀＝1Hz、固定周期信号的初相位ψ＝0不变，并使得噪声强度α取值范围为[0,400]，此时令双稳态势垒实参数n＝1，并使双稳态势垒实参数m在[1,10]之内进行步进为0.1的变化，同时监控***输出信噪比，当输出信噪比曲线产生特征峰并且峰值为最大值时，即可以确定m＝6.5，此时各项参数为最优化选择。

利用本发明分割算法并结合上述具体参数对图1进行分割，分割后的图像见图2，从图2可以明显看出，经本发明算法分割后，图1中地面上的路标从路面中得到有效分割，分割精度高。

Claims (2)

1.基于多类类间最大方差算法的大尺度图像分割算法，其特征在于，包括以下步骤：

(1)获取一幅来源于高清摄像头或者CCD相机的待分割的大尺度扫描图像，然后将该待分割的大尺度扫描图像转换成灰度图像，再采用多类类间最大方差算法对灰度图像进行分析，得到初始感兴趣的轮廓{A1,A2,A3,…,An}，其中A1,A2,A3,…,An定义为构成初始感兴趣的轮廓的所有轮廓点；

(2)根据初始感兴趣的轮廓{A1,A2,A3,…,An}经包络得到灰度图像中的感兴趣区域，根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域，定义该方形区域的宽度为W、高度为H，如果W×H能够被u×u整除，则将该方形区域定义为当前灰度图像，然后直接将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块；如果W×H不能够被u×u整除，则扩展该方形区域使其尺寸大小能够被u×u整除，将扩展后的方形区域定义为当前灰度图像，然后将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块，其中，W'和H'对应表示扩展后的方形区域的宽度和高度，W'＝＝W且H'>H或W'>W且H'＝＝H或W'>W且H'>H，u取4、5或6；

(3)采用区域生长法对当前灰度图像进行分割，得到当前灰度图像中的多个初步目标区域；

(4)将当前灰度图像中当前待处理的初步目标区域定义为当前初步目标区域；

(5)从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为u×u的子块，按序对当前初步目标区域对应的每个尺寸大小为u×u的子块进行处理，将当前待处理的尺寸大小为u×u的子块定义为当前子块；

(6)将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化，该非线性优化模型为：

$\frac{ds}{dt}=A\×sin(2\mathrm{\π}\×f_0\×t+\mathrm{\ψ})+m\×g\left(t\right)+n\×s-m\×s^3+\sqrt{2\mathrm{\α}}\×\mathrm{\ξ}\left(t\right)$

其中：表示非线性优化模型输出的信噪比，A为固定周期信号的幅度，f₀为固定周期信号的频率，t为布朗粒子的运动时间，ψ为固定周期信号的初相位，m、n均为双稳态势垒实参数，g(t)表示非线性优化模型的输入参数，s为布朗粒子的运动坐标，α为噪声强度，ξ(t)为均值为0的高斯白噪声；

将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化后，非线性优化模型输出当前子块中的所有像素点各自的信噪比，如果当前子块中的每个像素点的信噪比与事先存储于数据库中的大尺度扫描图像的灰度图像中对应像素点的信噪比的误差小于10％，则确定当前子块优化成功，其中，事先存储于数据库中的大尺度扫描图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同；

(7)将下一个待处理的尺寸大小为u×u的子块作为当前子块，然后返回步骤(6)继续执行，直至当前初步目标区域对应的所有尺寸大小为u×u的子块处理完毕，得到对应的最终目标区域；

(8)将当前灰度图像中下一个待处理的初步目标区域作为当前初步目标区域，然后返回步骤(5)继续执行，直至当前灰度图像中的所有初步目标区域处理完毕，得到当前灰度图像中的多个最终目标区域，至此完成大尺度图像的分割。

2.根据权利要求1所述的基于多类类间最大方差算法的大尺度图像分割算法，其特征在于：步骤(6)中事先存储于数据库中的大尺度扫描图像的灰度图像中的每个像素点的信噪比的具体获取过程为：

(6.1)选取一幅来源于高清摄像头或者CCD相机的具有代表性的大尺度扫描图像，然后将该大尺度扫描图像转换为灰度图像；

(6.2)定义该灰度图像的宽度为W、高度为H，如果W×H能够被u×u整除，则将该灰度图像作为待处理灰度图像，然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块；如果W×H不能够被u×u整除，则扩展该灰度图像使其尺寸大小能够被u×u整除，将扩展后的灰度图像作为待处理灰度图像，然后将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块，其中，W'和H'对应表示扩展后的灰度图像的宽度和高度，W'＝＝W且H'>H或W'>W且H'＝＝H或W'>W且H'>HW'>W且H'>H，u取4、5或6；

(6.3)手动圈定待处理灰度图像中的每个目标区域；

(6.4)计算待处理灰度图像中的每个目标区域对应的每个尺寸大小为u×u的子块中的每个像素点的信噪比。