專利名稱：魯棒的自然圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像分割和圖像理解技術(shù)領(lǐng)域，特別是一種魯棒的自然圖像分割方法。
背景技術(shù)：
室內(nèi)和室外不規(guī)整的應(yīng)用環(huán)境是機器人視覺導(dǎo)航遇到的普遍情況。為了適應(yīng)這些環(huán)境，導(dǎo)航時可設(shè)置一些專用的人工目標(biāo)。采用人工目標(biāo)作為陸標(biāo)導(dǎo)航的方式其應(yīng)用受到一定的限制，因為在很多應(yīng)用場合難以設(shè)置人工目標(biāo)。相比之下，基于自然目標(biāo)檢測與識別的導(dǎo)航方式具有更普遍的適用性，它適用于隨機場景下的機器人導(dǎo)航。在自然目標(biāo)檢測與識別中，自然圖像的分割以及分割性能的穩(wěn)定性(魯棒性)是關(guān)鍵。因此，魯幫的自然圖像分割方法在移動機器人視覺導(dǎo)航中具有重要的應(yīng)用價值。
現(xiàn)有的自然圖像分割方法包括傳統(tǒng)分割方法、基于區(qū)域競爭的分割方法、基于目標(biāo)模型的方法、基于均值漂移的分割方法、基于圖論(Graphic theory)的分割方法、基于學(xué)習(xí)的分割方法等。在以上自然圖像分割方法中，同時融合顏色、輪廓和紋理特征的分割方法是符合實際圖像結(jié)構(gòu)的，代表了自然圖像分割的發(fā)展趨勢。在這些方法中，基于區(qū)域競爭、目標(biāo)模型、圖論的分割方法是全局的遞歸的優(yōu)化過程，紋理特征的提取和處理需要較大的計算量，因此計算復(fù)雜，難以用于實時環(huán)境。然而，基于均值漂移的分割方法由于僅從顏色上分割圖像，從數(shù)據(jù)分析的角度來描述分割，在漸近積分均方誤差(AMISE)意義下選擇帶寬，保持?jǐn)?shù)據(jù)的原始分布，失真小，計算速度快，魯棒性好，已被用于運動目標(biāo)跟蹤。均值漂移方法的缺點也正是因為在分割中沒有考慮紋理信息，導(dǎo)致它容易過分割圖像，特別是紋理圖像。同時，均值漂移方法是一種自下而上的分割方法，它從數(shù)據(jù)本身的分布出發(fā)進行聚類，然而實際的視覺任務(wù)往往需要自上而下的處理方式，希望分割結(jié)果隨上層需要而變化。因此，以上方法還不能滿足實際視覺處理任務(wù)的需要。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種魯棒的自然圖像分割方法。
魯棒的自然圖像分割方法就是能穩(wěn)定分割不同光照條件下任意采集的自然圖像的方法，其主要任務(wù)是對隨機采集的圖像進行分割，都將獲得穩(wěn)定的分割結(jié)果，并根據(jù)上層的視覺任務(wù)控制分割結(jié)果。
魯棒的自然圖像分割方法首先采集一幀圖像到內(nèi)存，然后對采集的圖像依次進行顏色帶寬估計、濾波、密度估計、局部模式檢測、局部模式融合、消除紋理特征等，最后消除面積小于100個象素點的區(qū)域，并輸出分割結(jié)果。
帶寬選擇帶寬包括空間帶寬和顏色帶寬?？臻g帶寬就是用于估計密度和搜索局部模式的窗口尺寸，空間帶寬的大小決定了算法的處理速度。隨著空間帶寬的增大，算法消耗的時間將快速增加。同時，空間帶寬的大小還會影響檢測到的局部模式數(shù)。并不是空間帶寬越大分割結(jié)果就越好，空間帶寬要根據(jù)相應(yīng)的視覺任務(wù)確定。顏色帶寬是從數(shù)據(jù)分析的角度并根據(jù)Plug-in規(guī)則計算得到的，它使估計的顏色概率密度分布和真實的顏色概率密度分布之間的漸進積分均方誤差最小。然而，實際的視覺任務(wù)并不是要保持圖像的每一個細(xì)節(jié)，有時只需要將圖像分割成幾個主要部分而忽略大多數(shù)細(xì)節(jié)，因此需要在一定的范圍內(nèi)調(diào)整顏色帶寬。通常，顏色帶寬越大，檢測到的局部模式數(shù)就越少，但是當(dāng)顏色帶寬超過一定值時，檢測到的局部模式數(shù)就不再變化。顏色帶寬越大，圖像中越多的細(xì)節(jié)將被忽略，從這個意義上說，顏色帶寬可以看作是分割分辨率。大的顏色帶寬相當(dāng)于用一個放大倍數(shù)較小的放大鏡看遠處的建筑物，只能看到一個模糊的輪廓；小的顏色帶寬相當(dāng)于一個放大倍數(shù)較高的放大鏡，能看到目標(biāo)的細(xì)節(jié)部分。
濾波采用了自適應(yīng)平滑濾波，在保持目標(biāo)邊界的同時消除噪聲的影響。
密度估計用于密度估計的核函數(shù)選擇多變量獨立高斯分布函數(shù)。在帶寬確定以后，密度估計值只受象素間顏色差變化的影響。而顏色差值在YUV空間中的變化范圍是0到512之內(nèi)，因此，可以根據(jù)選擇的帶寬，事先列出一個顏色差值在0到512之間變化的密度值表格，進行密度估計時只需查表累加即可，這樣大大降低了核函數(shù)密度估計的計算代價。
局部模式檢測局部模式檢測可分為直接密度搜索方式和均值漂移搜索方式，本發(fā)明采用了直接密度搜索方式。直接密度估計搜索方法分兩步完成首先以空間帶寬為窗口的尺寸估計每個象素點的概率密度，然后以相同大小的窗口搜索局部模式。均值漂移方法則直接利用窗口內(nèi)的象素計算漂移向量進行搜索。顯然，直接密度估計搜索分兩步完成搜索，它的計算量要比均值漂移的計算量大。但是直接密度估計搜索利用了2倍窗口范圍內(nèi)的象素信息進行搜索，而均值漂移搜索只依賴于空間帶寬帶尺寸的窗口范圍內(nèi)的象素信息，因此它的搜索結(jié)果將比均值漂移搜索方法更好。
局部模式融合采用了基于全局標(biāo)準(zhǔn)的局部模式融合方式，即以整個圖像的信息作為局部模式融合的依據(jù)。采用全局標(biāo)準(zhǔn)下的局部模式融合還有利于根據(jù)上層視覺任務(wù)控制最終的分割區(qū)域數(shù)目。
消除紋理特征在檢測到的局部模式基礎(chǔ)之上，消除圖像紋理特征帶來的過分割的影響。
消除面積小于100個象素點的區(qū)域用于消除一些小的區(qū)域。
綜上所述，與其他自然圖像分割方法相比，本發(fā)明提出的魯棒的自然圖像分割方法具有以下不同之處●是自上而下和自下而上相結(jié)合的視覺處理方法，計算速度快。
●采用了直接局部模式搜索方式，全局標(biāo)準(zhǔn)下的局部模式融合，在檢測到的局部模式下消除紋理特征的影響。
●對不同光照條件下和具有紋理的自然圖像，能獲得穩(wěn)定的分割結(jié)果，魯棒性能較好。
●根據(jù)上層視覺任務(wù)的需要調(diào)整分割參數(shù)，來獲得所需的分割結(jié)果。


圖1是本發(fā)明的魯棒的自然圖像分割方法過程圖。
具體實施例方式
魯棒的自然圖像分割過程如圖1所示。整個分割過程由七部分組成顏色帶寬估計、濾波、密度估計、局部模式檢測、局部模式融合、消除紋理特征、消除小于100個象素的區(qū)域。
具體步驟包括步驟S1，采集一幀圖像到內(nèi)存；步驟S2，根據(jù)多變量非參數(shù)核密度估計中的最優(yōu)帶寬的選擇方法，由圖像的YUV分量統(tǒng)計出顏色帶寬，并根據(jù)上層視覺任務(wù)確定空間帶寬；步驟S3，對圖像進行雙邊濾波；步驟S4，用估計出的顏色帶寬進一步估計每一象素點處的概率密度；步驟S5，局部模式檢測，在估計的概率密度之上，采用局部直接密度搜索方式，搜索局部密度最大值點，每一局部密度最大值點對應(yīng)一個局部模式，這一過程也是象素聚類的過程，屬于同一局部模式的象素點聚類到同一類中，對應(yīng)一局部塊；步驟S6，局部模式融合，對聚類后的局部模式再次進行融合，合并圖像中顏色相近的塊；步驟S7，消除紋理特征對分割結(jié)果的影響；步驟S8，消除面積小于100個象素點的區(qū)域；步驟S9，輸出結(jié)果。
首先，采集一幀圖像到內(nèi)存，由圖像的YUV分量統(tǒng)計出plug-in意義下的最優(yōu)顏色帶寬，并根據(jù)實際視覺任務(wù)確定空間帶寬。
利用估計的顏色帶寬和自適應(yīng)濾波方法，對圖像進行濾波。
用于密度估計的核函數(shù)選擇多變量獨立高斯分布函數(shù)。由于在核函數(shù)已選定和帶寬已估計的前提下，密度值只受象素間顏色差的影響，并且，象素間顏色差值在YUV空間中的變化范圍是0到2×256之內(nèi)，因此，在密度估計前列出一個顏色差從0到2×256之間變化的密度值表格，進行密度估計時只需查表累加即可，這樣降低了核函數(shù)密度估計的計算代價。
局部模式檢測采用直接密度搜索方式。首先以空間帶寬為搜索窗口的尺寸，搜索窗口內(nèi)的密度極大值點。然后以搜索到的窗口內(nèi)的密度極值點再次進行搜索，直到收斂到局部密度極大值點。所有收斂到同一局部密度極大值點的象素點構(gòu)成一個局部模式。經(jīng)局部沒模式檢測后，一幅圖像可分解為若干局部模式，每一局部模式對應(yīng)一局部塊。
局部模式融合是在整個圖像的散度極小化的規(guī)則下進行融合的，或者根據(jù)融合后的區(qū)域數(shù)目進行融合，由具體的視覺任務(wù)而定。融合時，使顏色差值在閾值之內(nèi)的相鄰的局部模式進行合并，直到達到散度最小化或者預(yù)期的區(qū)域數(shù)目。
消除紋理區(qū)域是在檢測到的局部模式之上進行處理的。通過統(tǒng)計每一個局部模式與相鄰局部模式之間的顏色差異，估計出每一局部模式的顏色獨立性，依據(jù)顏色獨立性進行局部模式的合并，消除大多數(shù)紋理特征對分割結(jié)果的影響。
消除面積小于100個象素點的區(qū)域，并輸出結(jié)果。
本發(fā)明的特點與效果有●與基于遞歸的自然圖像分割方法相比，計算速度快。
●采用了直接局部模式搜索方式，全局標(biāo)準(zhǔn)下的局部模式融合，在檢測到的局部模式下消除紋理特征的影響。因此，對不同光照條件下和具有紋理的自然圖像，能獲得穩(wěn)定的分割結(jié)果，魯棒性能較好。
●根據(jù)上層視覺任務(wù)的需要調(diào)整分割參數(shù)，來獲得所需的分割結(jié)果。
●分割效果優(yōu)于均值漂移方法，計算時間與均值漂移相當(dāng)。
●對自然目標(biāo)檢測與識別的研究與發(fā)展具有重要的指導(dǎo)意義和應(yīng)用價值。
權(quán)利要求
1.一種魯棒的自然圖像分割方法，整個分割過程由七部分步驟組成顏色帶寬估計、濾波、密度估計、局部模式檢測、局部模式融合、消除紋理特征、消除小于100個象素的區(qū)域。
2.根據(jù)權(quán)利要求1的魯棒的自然圖像分割方法，其步驟如下步驟S1，采集一幀圖像到內(nèi)存；步驟S2，根據(jù)多變量非參數(shù)核密度估計中的最優(yōu)帶寬的選擇方法，由圖像的YUV分量統(tǒng)計出顏色帶寬，并根據(jù)上層視覺任務(wù)確定空間帶寬；步驟S3，對圖像進行雙邊濾波；步驟S4，用估計出的顏色帶寬進一步估計每一象素點處的概率密度；步驟S5，局部模式檢測，在估計的概率密度之上，采用局部直接密度搜索方式，搜索局部密度最大值點，每一局部密度最大值點對應(yīng)一個局部模式，這一過程也是象素聚類的過程，屬于同一局部模式的象素點聚類到同一類中，對應(yīng)一局部塊；步驟S6，局部模式融合，對聚類后的局部模式再次進行融合，合并圖像中顏色相近的塊；步驟S7，消除紋理特征對分割結(jié)果的影響；步驟S8，消除面積小于100個象素點的區(qū)域；步驟S9，輸出結(jié)果。
全文摘要
本發(fā)明涉及圖像分割和圖像理解技術(shù)領(lǐng)域，一種魯棒的自然圖像分割方法。方法步驟S1，采集一幀圖像到內(nèi)存；S2，根據(jù)多變量非參數(shù)核密度估計中的最優(yōu)帶寬的選擇方法，由圖像的YUV分量統(tǒng)計出顏色帶寬，并根據(jù)上層視覺任務(wù)確定空間帶寬；S3，對圖像進行雙邊濾波；S4，用估計出的顏色帶寬進一步估計每一象素點處的概率密度；S5，局部模式檢測，這一過程也是象素聚類的過程，屬于同一局部模式的象素點聚類到同一類中；S6，局部模式融合，對聚類后的結(jié)果再次進行融合，合并圖像中顏色相近的塊；S7，消除紋理特征對分割結(jié)果的影響；S8，消除面積小于100個象素點的區(qū)域；S9，輸出結(jié)果。
文檔編號G06K9/34GK1873657SQ200510075540
公開日2006年12月6日 申請日期2005年6月3日 優(yōu)先權(quán)日2005年6月3日
發(fā)明者易建強, 洪義平, 趙冬斌 申請人:中國科學(xué)院自動化研究所