CN110349160B - 一种基于超像素与模糊c均值聚类sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法，首先生成超像素，之后对图像中每一子区域提取灰度和纹理特征作为基础特征，并在稀疏表示理论基础上根据SAR图像不同地物类别散射特性差异提出稀疏自表示矩阵校正处理办法，以得到准确的判别特征，最终实现对SAR图像中相干斑噪声具有较强鲁棒性且运行效率高的图像分割处理；由于在超像素层面进行相应图像处理可在保留图像内部信息和边界信息的基础上，通过像素集合的整体性，减弱相干斑噪声的影响，同时通过整合相邻像素信息使提取的特征更为稳定。

Description

一种基于超像素与模糊C均值聚类SAR图像分割方法

技术领域

本发明属于图像处理技术领域，更为具体地讲，涉及一种基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法。

背景技术

随着遥感技术的发展，SAR成像技术已进入高分辨率时代。与中低分辨率SAR相比，高分辨率技术增强了其传感器获取地物信息的能力，能够提供更为复杂精细的场景和丰富的散射信息。但与此同时，有关SAR图像的解析与自主识别领域却进展缓慢。因此，如何高效分析处理大量SAR图像数据，对其中包含的信息进行有效提取，已经成为当前SAR技术研究的一大重心。

SAR图像分割作为图像预处理阶段的关键步骤，本质是将整幅图像划分为多个内部具有相似特性的图像块，块与块之间边界区分明显，互不相交，同时所有图像块的并集可重构原图像。图像分割的目的在于区分出人们关注的特定区域和不感兴趣区域，因此之后的解析研究可只在切割出的感兴趣区域进行。要获取这样可被明显区分且内部特征一致的像素簇，常见的算法有以下三大类：

(1)基于阈值的图像分割算法。此方法常常用于双分割区域，且目标区域与背景不相关区域在某项特征上有明显区分的情况。通过划定阈值，将每一个像素点进行归类，提取出目标区域。当然此法也可拓展到多分割区域。阈值分割法最明显的缺陷是其受噪声干扰较大，尽管在处理过程中已考虑到噪声影响并做以抑制处理，但在噪声严重区的分割精度依然不理想。

(2)基于边缘检测的图像分割算法。图像分割的最终目的是使图像形成数个互不干扰的子区域，所以准确定位边缘以及各子域的边界相当重要。其基本思想是检测图像中的特征点或边缘点，根据无数点的确定来划分不同子区域的边界。基于边缘检测法进行图像分割的关键在于识别出完整且准确的子区域轮廓，但这只是理想情况，大多数边缘检测的结果中各个区域的轮廓都是一条断断续续未全连接的“虚线”，故一般还需要加入边缘补全以及剔除伪边缘的步骤。此外，该类算法在处理细节较多，变化比较复杂的图像时难以检测出可靠的边缘，降低了图像分割的准确率。

(3)基于区域的图像分割算法。该类方法主要是通过区域内部特征的一致性来完成分割。大致可分为区域生长合并法、随机场法以及聚类法。其中基于聚类的分割算法则通过提取出不同像素间的相关性，并由迭代使特征相关性达到最大完成分割，在图像分割领域中大放异彩。将模糊划分知识与聚类算法相结合，采用隶属度平方加权的方法，构成类内加权误差平方和，避免平凡解。再引入模糊指数m，数次迭代，通过最小化目标函数对样本点进行最优c类划分，这就是大众熟知的FCM算法。也由于其优越性，众多的学者们对其做了很多的研究与改进。例如改进后的FCM_S1，FCM_S2，EnFCM，FGFCM，NS_FCM以及QICA_FCM等等。

显而易见，最为重要的步骤为构建目标函数，或者可以说找到图像内部特征的相关性。不同于普通的光学图像，SAR图像中由于独特的雷达成像机理，含有复杂的相干斑噪声，在进行分割时要着重考虑此种乘性噪声的影响。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法，通过对图像中每一子区域提取灰度和纹理特征作为基础特征，并在稀疏表示理论基础上根据SAR图像不同地物类别散射特性差异，提出稀疏自表示矩阵校正处理方法，以得到准确的判别特征实现图像分割。

为实现上述发明目的，本发明一种基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法，其特征在于，包括以下步骤：

(1)、获取SAR图像

获取待观测区域内包含合适且丰富地物类型的单极化合成孔径雷达SAR图像；

(2)、使用PILS算法生成超像素

(2.1)、初始化聚类中心

设SAR图像共计N个像素点，初始化k个聚类中心，每个聚类中心为一个超像素，相邻的聚类中心的距离为

将每个聚类中心用三维特征表示为：[i,x,y]，其中，i表示聚类中心的像素强值，x与y表示聚类中心的横纵坐标值；

(2.2)、聚类中心重定位

以某一聚类中心为中心，找到n×n邻域内梯度最小位置处，将该聚类中心重定位至该位置处；

(2.3)、图像聚类

以某一像素点为中心，建立搜索域S×S；遍历整幅SAR图像，确定该像素点在搜索域S×S内距离最近的聚类中心，并将该像素点划分为该聚类中心的同一类；

(2.4)、迭代更新

分配完所有像素点的类别属性后，计算各类别的聚类中心的三维特征[i,x,y]的均值，并以该均值更新该类别的聚类中心，并迭代至收敛；

(3)、超像素特征提取

在搜索域S×S内计算灰度共生矩阵GLCM提取出超像素纹理特征，包括：角二阶矩、对比度、相关性、逆差矩、方差、和均值、和熵、和方差、熵、差分熵、差分方差、相关性信息测度和最大相关系数；

提取超像素内的灰度直方图作为超像素灰度特征；

将超像素纹理特征和灰度特征构成图像基本特征集X＝(x₁,x₂,…,x_n)，x_n表示第n个特征；

(4)、创建稀疏自表示模型

(4.1)、初始化Z＝G＝Ψ＝0，Z为稀疏自表示矩阵，G为对角矩阵，Ψ为拉格朗日乘子矩阵；初始化当前迭代次数t＝1；

(4.2)、判断第t次迭代后是否满足||Z^(t)-G^(t)||_∞＜η，η为收敛阈值，如果满足，则进入步骤(4.3)，否则，输出第t次迭代后得到稀疏自表示矩阵Z；

(4.3)、逐列更新G^(t)：

其中，j＝1,2,…,J，g_j＝(g_1j,g_2j,…,g_(j-1)j,0,…,g_Jj)，μ为惩罚系数，z_j为稀疏自表示矩阵Z^(t)的第j列，l_j为矩阵Ψ^(t)的第j列；将g_jj设置为0，以满足约束条件diag(G^(t))＝0，因而在逐列更新时，当遇到G^(t)的对角线元素时，不予更新；

更新Z^(t)：

其中，X为图像基本特征集，I为单位矩阵，γ为设置参数；

对更新后的Z^(t)进行校正：

对Z^(t)中的元素z_ij按如下公式进行处理，得到元素z_ij的估计值

将所有元素的估计值构成矩阵

遍历

计算每一超像素集合的后向散射均值，令超像素i和j的后向散射值的均值差为Δσ_ij，得到校正后Z^(t)的元素为：

更新Ψ^(t)：

Ψ^(t)＝Ψ^(t-1)+μ(Z^(t)-G^(t))

更新惩罚系数μ：

μ＝min(εμ,10¹⁰)

其中，ε为常数；

(4.4)、待步骤(4.3)完成后，输出稀疏自表示矩阵Z^(t)，并将迭代次数t自加1，返回步骤(4.2)；

(5)、图像分割

(5.1)、定义SSR_FCM算法的目标函数J_m：

其中，m表示模糊指数，v_k、

分别表示矩阵X和Z的第k类聚类中心，β为用于控制稀疏判别特征在目标函数J_m中所占权重值，u_ki为引入的模糊隶属度参数，表示超像素i对于第k个类别的隶属度值；

(5.2)、对目标函数J_m进行最小化：

其中，ξ表示拉格朗日乘子的微分；

(5.3)、求解最小化后的目标函数J_m，得到：

(5.4)、代入约束

可求解出：

进而得到更新后的u_ki：

(5.5)、利用更新后的u_ki构建隶属度矩阵U^(k)，再判断是否满max(U^(k)-U^(k-1))＜η^*，η^*为预设阈值，如果满足则进入步骤(5.6)；否则，令k自加1，再返回步骤(5.1)；

(5.6)、根据隶属度值u_ki对图像聚类，从而实现图像分割。

本发明的发明目的是这样实现的：

本发明基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法，首先生成超像素，之后对图像中每一子区域提取灰度和纹理特征作为基础特征，并在稀疏表示理论基础上根据SAR图像不同地物类别散射特性差异提出稀疏自表示矩阵校正处理办法，以得到准确的判别特征，最终实现对SAR图像中相干斑噪声具有较强鲁棒性且运行效率高的图像分割处理；由于在超像素层面进行相应图像处理可在保留图像内部信息和边界信息的基础上，通过像素集合的整体性，减弱相干斑噪声的影响，同时通过整合相邻像素信息使提取的特征更为稳定。

附图说明

图1是本发明基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法流程图；

图2是原始SAR图像；

图3是超像素生成图；

图4是对比算法EnFCM算法分割结果；

图5是对比算法FLICM算法分割结果图；

图6是基于超像素与稀疏表示的模糊C均值SAR图像分割结果图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法流程图；

在本实施例中，如图1所示，本发明一种基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法，包括以下步骤：

S1、获取SAR图像

获取待观测区域内包含合适且丰富地物类型的单极化合成孔径雷达SAR图像；

本实施例中，选择X波段TerraSAR于2014年5月获取的方位向×距离向为0.167m×0.455m某地区SAR图像，图像大小为300×300，如图2所示。,

S2、使用PILS(Pixel Intensity and Location Similarity)算法生成超像素

S2.1、初始化聚类中心

设SAR图像共计N个像素点，初始化k个聚类中心，每个聚类中心为一个超像素，相邻的聚类中心的距离为

在本实施例中，SAR图像共有90000个像素点，初始化为1200个聚类中心。

将每个聚类中心用三维特征表示为：[i,x,y]，其中，i表示聚类中心的像素强值，x与y表示聚类中心的横纵坐标值；

S2.2、聚类中心重定位

由于在初始化时，聚类中心有可能定位在图像边界处。为避免这种情况，以某一聚类中心为中心，找到n×n＝3×3邻域内梯度最小位置处，将该聚类中心重定位至该位置处，同时也避免了定位至噪声点的影响。

S2.3、图像聚类

以某一像素点为中心，建立搜索域S×S＝5×5；遍历整幅SAR图像，确定该像素点在搜索域S×S内距离最近的聚类中心，并将该像素点划分为该聚类中心的同一类；在该步中相比于需要进行全局搜索的K-means算法，该算法的搜索域为S×S，大大缩减了距离测度耗时，分割更为快速。

下面我们对图像聚类的具体过程进行详细描述，具体为：

S2.3.1、针对传统的适用于光学图像的超像素算法中相似性度量步骤无法用于SAR图像中，该算法采取了一种新的度量方式即像素强度比距离来定义SAR图像中像素相关性。具体公式如下：

其中，K表示搜索域图块个数，N_i(k)表示以i为中心的S×S搜索域的图块强度，N_j(k)表示以j为中心的S×S搜索域的图块强度；

根据上述公式并针对SAR图像中乘性噪声对于超像素生成的影响，PILS算法使用概率密度函数定义了超像素生成时的像素间的强度相似性测度；

其中，I表示强度，S_I(i,j)表示像素点j在搜索域S×S内距离最近的聚类中心i的强度相似性测度，K表示搜索域图块个数，N_i(k)表示以i为中心的S×S搜索域的图块强度，N_j(k)表示以j为中心的S×S搜索域的图块强度；r_ij为图块强度参数；

概率密度函数P(r_ij)满足：

其中，L为SAR图像视数Γ(·)代表gamma函数；

S2.3.2、将像素间的空间距离度量经过标准高斯核函数转变为像素空间相似性测度；

其中，xy表示空间，d_xy(i,j)表示空间中聚类中心i与像素点j的空间距离；

S2.3.3、最终，相似性度量公式可由像素强度相似性和空间位置相似性二者联合得到相似性测度参数：

S(i,j)＝S_I(i,j)+αS_xy(i,j)

其中，α为权衡两种不同相似性测量的权重系数；

S2.3.4、各像素点点类别划分

确定各像素点在搜索域内相似性测度参数值最高的聚类中心，并将该像素点划分为该聚类中心的同一类。

S2.4、迭代更新

分配完所有像素点的类别属性后，计算各类别的聚类中心的三维特征[i,x,y]的均值，并以该均值更新该类别的聚类中心，并迭代至收敛，最终生成的超像素结果如图3所示。

S3、超像素特征提取

特征提取作为图像解析的的基础，也是进行图像分割前的重要环节。提取出的特征一般以向量形式所表示，要求其具备可靠性、区别性和独立性，能够准确无误的反映出像素点或像素区域的信息。一般情况下，在搜索域S×S内计算灰度共生矩阵GLCM提取出超像素纹理特征，包括：角二阶矩、对比度、相关性、逆差矩、方差、和均值、和熵、和方差、熵、差分熵、差分方差、相关性信息测度和最大相关系数；

提取超像素内的灰度直方图作为超像素灰度特征；

将超像素纹理特征和灰度特征构成图像基本特征集X＝(x₁,x₂,…,x_n)，x_n表示第n个特征；

S4、创建稀疏自表示模型

稀疏表示的基本思想是使用少量基本信号的线性组合来表达大部分乃至全部的原始信号。在图像中体现为在特征向量维数较少且向量中大部分系数为0的情况下，反映出图像的主要结构与性质，具体创建过程为：

S4.1、初始化Z＝G＝Ψ＝0，Z为稀疏自表示矩阵，G为对角矩阵，Ψ为拉格朗日乘子矩阵；初始化当前迭代次数t＝1；

S4.2、判断第t次迭代后是否满足||Z^(t)-G^(t)||_∞＜η，η为收敛阈值，如果满足，则进入步骤S4.3，否则，输出第t次迭代后得到稀疏自表示矩阵Z；

S4.3、逐列更新G^(t)：

其中，j＝1,2,…,J，g_j＝(g_1j,g_2j,…,g_(j-1)j,0,…,g_Jj)，μ为惩罚系数，z_j为稀疏自表示矩阵Z^(t)的第j列，l_j为矩阵Ψ^(t)的第j列；将g_jj设置为0，以满足约束条件diag(G^(t))＝0，因而在逐列更新时，当遇到G^(t)的对角线元素时，不予更新；

更新Z^(t)：

其中，X为图像基本特征集，I为单位矩阵，γ为设置参数；

对更新后的Z^(t)进行校正：

对Z^(t)中的元素z_ij按如下公式进行处理，得到元素z_ij的估计值

使用样本基本特征集X求解稀疏自表示矩阵时，无论是其中的灰度直方图特征亦或是纹理特征，均未直接利用SAR图像中反映地物差别的本质特征——后向散射值。对高分辨率SAR图像，由于不同地物对电磁脉冲的穿透及反射能力不同，导致返回的回波信号表现出的散射特征也各不相同。有效利用后向散射值可增加地物分辨的准确度。由文献和经验值得出，当两样本间的后向散射值相差10dB以上时，两处地物为同一类的可能性极低。当两样本间的后向散射值相差15dB以上时，两处地物分属于差别极大的两类。因而将所有元素的估计值构成矩阵

遍历

计算每一超像素集合的后向散射均值，令超像素i和j的后向散射值的均值差为Δσ_ij，得到校正后Z^(t)的元素为：

通过结合SAR图像的后向散射值可将不同地物间的差异性进一步扩大，使不同特征区分更为明显，增加后续处理的准确性。由算法得到的稀疏自表示矩阵中的任一元素z_ij代表着样本i和样本j之间的相似性。z_ij值越大，则相似性越高，反之则两个样本间的相似性越低，甚至分属于两类。对角线元素表示样本与自身的相似性，不参与计算，设为0值。这样的稀疏自表示矩阵体现了样本之间的内联关系，可作为像素特征用于后续分割。

更新Ψ^(t)：

Ψ^(t)＝Ψ^(t-1)+μ(Z^(t)-G^(t))

更新惩罚系数μ：

μ＝min(εμ,10¹⁰)

其中，ε为常数；

S4.4、待步骤S4.3完成后，输出稀疏自表示矩阵Z^(t)，并将迭代次数t自加1，返回步骤S4.2；

S5、图像分割

基于超像素与稀疏表示的模糊C均值聚类(Fuzzy C-Means Clustering Based onSuperpixel and Sparse Representation,SSR_FCM)SAR图像分割算法，在进行图像分割时主要使用了不同维数的两类特征。第一类为图像自身特征，表示为特征矩阵X＝(x₁,x₂,…,x_n)，反映每一个超像素各自的基本纹理和散射特性，称为基本特征。第二类为通过稀疏模型，得到的超像素间的内联关系，表示为特征矩阵Z，称为稀疏判别特征。两个特征矩阵中n表示超像素个数，但其维数不同。

下面我们对分割的具体过程进行说明：

S5.1、定义SSR_FCM算法的目标函数J_m：

其中，m表示模糊指数，v_k、

分别表示矩阵X和Z的第k类聚类中心，β为用于控制稀疏判别特征在目标函数J_m中所占权重值，u_ki为引入的模糊隶属度参数，表示超像素i对于第k个类别的隶属度值；

S5.2、对目标函数J_m进行最小化：

其中，ξ表示拉格朗日乘子的微分；

S5.3、求解最小化后的目标函数J_m，得到：

S5.4、代入约束

可求解出：

进而得到更新后的u_ki：

S5.5、利用更新后的u_ki构建隶属度矩阵U^(k)，再判断是否满max(U^(k)-U^(k-1))＜η^*，η^*为预设阈值，如果满足则进入步骤S5.6；否则，令k自加1，再返回步骤S5.1；

S5.6、根据隶属度值u_ki对图像聚类，从而实现图像分割。

图4是对比算法EnFCM算法分割结果，从图中可以看出其去噪能力弱，对于建筑和草坪区域无法做到准确区分；

图5是对比算法FLICM算法分割结果图，从图中可以看出，该算法能将建筑和草坪进行有效区分，且草坪与道路区域内部的一致性较好，但依旧存在大量误分点；

图6是基于超像素与稀疏表示的模糊C均值SAR图像分割结果图，和其余算法进行对比，该算法在分割时，能对图像中小面积的建筑进行很好地区分，有效识别建筑物边缘部分，未发生边缘膨胀，保证了边界的清晰度。此外，道路与草坪分割效果良好，仅存在少量误分像素点，区域一致性最好。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法，其特征在于，包括以下步骤：

(1)、获取SAR图像

获取待观测区域内包含合适且丰富地物类型的单极化合成孔径雷达SAR图像；

(2)、使用PILS算法生成超像素

(2.1)、初始化聚类中心

设SAR图像共计N个像素点，初始化k个聚类中心，每个聚类中心为一个超像素，相邻的聚类中心的距离为

将每个聚类中心用三维特征表示为：[i,x,y]，其中，i表示聚类中心的像素强值，x与y表示聚类中心的横纵坐标值；

(2.2)、聚类中心重定位

以某一聚类中心为中心，找到n×n邻域内梯度最小位置处，将该聚类中心重定位至该位置处；

(2.3)、图像聚类

以某一像素点为中心，建立搜索域S×S；遍历整幅SAR图像，确定该像素点在搜索域S×S内距离最近的聚类中心，并将该像素点划分为该聚类中心的同一类；

(2.4)、迭代更新

分配完所有像素点的类别属性后，计算各类别的聚类中心的三维特征[i,x,y]的均值，并以该均值更新该类别的聚类中心，并迭代至收敛；

(3)、超像素特征提取

在搜索域S×S内计算灰度共生矩阵GLCM提取出超像素纹理特征，包括：角二阶矩、对比度、相关性、逆差矩、方差、和均值、和熵、和方差、熵、差分熵、差分方差、相关性信息测度和最大相关系数；

提取超像素内的灰度直方图作为超像素灰度特征；

将超像素纹理特征和灰度特征构成图像基本特征集X＝(x₁,x₂,…,x_n)，x_n表示第n个特征；

(4)、创建稀疏自表示模型

(4.1)、初始化Z＝G＝Ψ＝0，Z为稀疏自表示矩阵，G为对角矩阵，Ψ为拉格朗日乘子矩阵；初始化当前迭代次数t＝1；

(4.2)、判断第t次迭代后是否满足||Z^(t)-G^(t)||_∞＜η，如果满足，则进入步骤(4.3)，否则，输出第t次迭代后得到稀疏自表示矩阵Z；

(4.3)、逐列更新G^(t)：

其中，j＝1,2,…,J，g_j＝(g_1j,g_2j,…,g_(j-1)j,0,…,g_Jj)，μ为惩罚系数，z_j为稀疏自表示矩阵Z^(t)的第j列，l_j为矩阵Ψ^(t)的第j列；将g_jj设置为0，以满足约束条件diag(G^(t))＝0，因而在逐列更新时，当遇到G^(t)的对角线元素时，不予更新；

更新Z^(t)：

其中，X为图像基本特征集，I为单位矩阵，γ为设置参数；

对更新后的Z^(t)进行校正：

对Z^(t)中的元素z_ij按如下公式进行处理，得到元素z_ij的估计值

将所有元素的估计值构成矩阵

遍历

计算每一超像素集合的后向散射均值，令超像素i和j的后向散射值的均值差为Δσ_ij，得到校正后Z^(t)的元素为：

更新Ψ^(t)：

Ψ^(t)＝Ψ^(t-1)+μ(Z^(t)-G^(t))

更新惩罚系数μ：

μ＝min(εμ,10¹⁰)

其中，ε为常数；

(4.4)、待步骤(4.3)完成后，输出稀疏自表示矩阵Z^(t)，并将迭代次数t自加1，返回步骤(4.2)；

(5)、图像分割

(5.1)、定义SSR_FCM算法的目标函数J_m：

其中，m表示模糊指数，v_k、

分别表示矩阵X和Z的第k类聚类中心，β为用于控制稀疏判别特征在目标函数J_m中所占权重值，u_ki为引入的模糊隶属度参数，表示超像素i对于第k个类别的隶属度值；

(5.2)、对目标函数J_m进行最小化：

其中，ξ表示拉格朗日乘子的微分；

(5.3)、求解最小化后的目标函数J_m，得到：

(5.4)、代入约束

可求解出：

进而得到更新后的u_ki：

(5.5)、利用更新后的u_ki构建隶属度矩阵U^(k)，再判断是否满max(U^(k)-U^(k-1))＜η^*，η^*为预设阈值，如果满足则进入步骤(5.6)；否则，令k自加1，再返回步骤(5.1)；

(5.6)、根据隶属度值u_ki对图像聚类，从而实现图像分割。

2.根据权利要求1所述的基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法，其特征在于，所述步骤(2.3)中，图像聚类的具体过程为：

(2.3.1)、利用PILS算法计算超像素生成时的像素间的强度相似性测度

其中，I表示强度，S_I(i,j)表示像素点j在搜索域S×S内距离最近的聚类中心i的强度相似性测度，K表示搜索域图块个数，N_i(k)表示以i为中心的S×S搜索域的图块强度，N_j(k)表示以j为中心的S×S搜索域的图块强度；r_ij为图块强度参数；

概率密度函数P(r_ij)满足：

其中，L为SAR图像视数Γ(·)代表gamma函数；

(2.3.2)、计算超像素生成时的像素间的空间相似性测度

其中，xy表示空间，d_xy(i,j)表示空间中聚类中心i与像素点j的空间距离；

(2.3.3)、计算相似性测度参数

S(i,j)＝S_I(i,j)+αS_xy(i,j)

其中，α为权衡两种不同相似性测量的权重系数；

(2.3.4)、各像素点的 类别划分

确定各像素点在搜索域内相似性测度参数值最高的聚类中心，并将该像素点划分为该聚类中心的同一类。

Images