本發(fā)明涉及圖像分析技術(shù)領(lǐng)域，尤其涉及一種保持邊緣的圖像超像素分割方法。

背景技術(shù)：

計算機(jī)和互聯(lián)網(wǎng)的興起帶來的數(shù)據(jù)膨脹不可避免，照相機(jī)等設(shè)備的更新?lián)Q代使得圖片的尺寸越來越大，處理起來也越來越困難。假如逐像素點(diǎn)的去分析，會造成的信息的冗余和計算的浪費(fèi)。如果存在一種方法，提前把顏色相似且位置相近的像素分類到一起，作為一個整體，作為后續(xù)圖像分析中的一個基本單元，這將會極大的減少圖像分析的計算量和運(yùn)行時間。

超像素分割，就是這樣一種預(yù)處理方法，其目的是提前將圖像分成顏色相似的若干個區(qū)域，減少像素之間的冗余。在對圖像做超像素分割之后，我們可以把分割后的每一塊分割區(qū)域當(dāng)做一個整體去處理，用逐塊的分析來代替以前逐像素的分析，從而極大減少了特征的數(shù)量，節(jié)約了計算的時間；如圖1所示，左側(cè)為輸入圖像，中間為傳統(tǒng)的超像素分割方式對輸入圖像進(jìn)行分割，右側(cè)為分割結(jié)果。然而，傳統(tǒng)的超像素分割方式并不能完全保持圖像的信息，當(dāng)超像素分割數(shù)量減少時，圖像信息或多或少的會被丟失。所以，該研究目的在于用盡量小的分割數(shù)量，盡可能好的保持原圖的細(xì)節(jié)信息。

超像素方法主要分成兩種：基于圖分割的算法和基于梯度的算法。對于基于圖分割的算法，它們往往先從圖像中獲取一個無向圖結(jié)構(gòu)，再通過優(yōu)化基本圖分割能量方程，不斷的對無向圖進(jìn)行分割，直到生成最后的超像素分割結(jié)果為止。不同的算法有不同的圖分割能量方程定義，以及不同的優(yōu)化方法。然而，即使是最簡單的能量方程，在求解過程中也是一個NP-hard的問題，并且是在整個全局圖像去求解的，需要占用很高的時間復(fù)雜度。對于基于梯度的方法，一般先選取一定數(shù)量的像素點(diǎn)作為種子點(diǎn)，然后利用其它像素到種子點(diǎn)的距離(差異性)對其它的像素點(diǎn)進(jìn)行聚類。然而，不管是使用基于顏色和坐標(biāo)的歐式距離，還是基于路徑的測地距離，它們對圖像中邊緣信息的保護(hù)并不理想。而且，往往需要多次相同的迭代計算，才能將超像素分割結(jié)果在保護(hù)圖像邊緣上收斂到好的效果，這導(dǎo)致了基于梯度的算法運(yùn)行效率十分低下。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種保持邊緣的圖像超像素分割方法，能夠保護(hù)圖像邊緣，同時，還提高了處理效率。

本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的：

一種保持邊緣的圖像超像素分割方法，包括：

將輸入的圖像轉(zhuǎn)換為無向圖結(jié)構(gòu)，再利用線性復(fù)雜度的方法從無向圖結(jié)構(gòu)中提取出圖像的最小生成樹MST，并定義MST中用于衡量圖像空間信息的基本樹距離和用于衡量圖像顏色信息的加權(quán)樹距離；

對圖像進(jìn)行單層超像素分割，其步驟包括：以基本樹距離為均勻性衡量標(biāo)準(zhǔn)，在MST上均勻采取種子點(diǎn)，作為類中心點(diǎn)；以加權(quán)樹距離作為差異性衡量標(biāo)準(zhǔn)，用最近鄰的策略對MST中除去類中心點(diǎn)之外的剩余的結(jié)點(diǎn)做聚類；

對圖像進(jìn)行高層超像素分割：從單層超像素分割的結(jié)果中提取出一個新的MST，作為下一層超像素分割的輸入，并重復(fù)單層超像素分割的步驟；同時，隨著層數(shù)的增加逐漸的減少分割數(shù)量，從而在最后一層超像素分割后生成期望的超像素分割數(shù)量。

所述將輸入的圖像轉(zhuǎn)換為無向圖結(jié)構(gòu)包括：

以輸入圖像的像素為無向圖結(jié)構(gòu)的結(jié)點(diǎn)，以像素之間的四鄰域關(guān)系為無向圖結(jié)構(gòu)的邊，則無向圖結(jié)構(gòu)表示為G＝(V,E)；其中的V為結(jié)點(diǎn)集合，E為邊集合；

每一條邊的權(quán)重為四鄰域相鄰兩結(jié)點(diǎn)的RGB通道最大顏色差，表示為：e(p_i,p_i+1)＝max_e∈{R,G,B}||I_c(p_i)-I_c(p_i+1)||；其中，e(p_i,p_i+1)為鄰接結(jié)點(diǎn)p_i與p_i+1的顏色差，I_c為顏色值。

所述基本樹距離記為D_S(p,q)，表示結(jié)點(diǎn)p和結(jié)點(diǎn)q在MST上路徑的長度；如果結(jié)點(diǎn)p和結(jié)點(diǎn)q是相鄰的結(jié)點(diǎn)則D_S(p,q)＝1；

所述加權(quán)樹距離記為D_C(p,q)，表示結(jié)點(diǎn)p和結(jié)點(diǎn)q在MST的路徑上所有邊權(quán)重的求和；如果p和q是相鄰的結(jié)點(diǎn)則D_S(p,q)＝e(p,q)；其中，e(p,q)為結(jié)點(diǎn)p和結(jié)點(diǎn)q的顏色差。

所述以基本樹距離為均勻性衡量標(biāo)準(zhǔn)，在MST上均勻采取種子點(diǎn)的步驟為：

初始化：預(yù)設(shè)采點(diǎn)距離D_Seed，創(chuàng)建兩個空的隊列L_Seed和L_Candidate分別存儲已采的種子點(diǎn)和未確定的備選種子點(diǎn)，并將MST的根結(jié)點(diǎn)放入L_Candidate中；

確定已采種子點(diǎn)和新增備選種子點(diǎn)：從L_Candidate中取出一個結(jié)點(diǎn)p，如果L_Seed非空，則檢查結(jié)點(diǎn)p是否滿足和L_Seed中已存在的種子點(diǎn)距離小于一個設(shè)定值L_Seed的條件；如果滿足，則將結(jié)點(diǎn)p作為種子點(diǎn)插入L_Seed隊列中，并以結(jié)點(diǎn)p為起點(diǎn)做固定深度的深度優(yōu)先遍歷，在MST中去尋找新的備選種子點(diǎn)；

在深度優(yōu)先遍歷過程中，任何遍歷結(jié)點(diǎn)q到起始結(jié)點(diǎn)p的基本樹距離D_S(p,q)是隨著深度的增加而逐步累加計算的；一旦滿足D_S(p,q)＞D_Seed，則把結(jié)點(diǎn)q放入到備選種子點(diǎn)隊列L_Candidate中，并停止在結(jié)點(diǎn)q所在枝干的深度優(yōu)先遍歷；通過以上方式進(jìn)行深度優(yōu)先遍歷之后，所有以結(jié)點(diǎn)p為起點(diǎn)找到的備選種子點(diǎn)均放入備選種子點(diǎn)隊列L_Candidate中；

再從L_Candidate取出一個備選種子點(diǎn)重復(fù)上述確定已采種子點(diǎn)和新增備選種子點(diǎn)的步驟，直至L_Candidate為空集。

所述以加權(quán)樹距離作為差異性衡量標(biāo)準(zhǔn)，用最近鄰的策略對MST中除去類中心點(diǎn)之外的剩余的結(jié)點(diǎn)做聚類包括：

為每個類中心點(diǎn)賦予一個標(biāo)簽值，標(biāo)簽值等于類中心點(diǎn)在種子點(diǎn)隊列L_Seed中的序列號值；

設(shè)定聚類距離D_Cluster(p,q)，該聚類距離D_Cluster(p,q)利用一對臨接點(diǎn)對的加權(quán)樹距離進(jìn)行計算：

D_Cluster(p,q)＝Σmax(D_C(p_a，p_b),1)；

其中，p_a，p_b是連接節(jié)點(diǎn)p和q的路徑上任意一對臨接點(diǎn)對，D_C(p_a,p_b)為臨接點(diǎn)對p_a與p_b的加權(quán)樹距離；

以聚類距離D_Cluster(p,q)為像素之間顏色差異性衡量標(biāo)準(zhǔn)的最近鄰原則；對于MST中每個尚未被分類的結(jié)點(diǎn)p，將其分類到離它最近的類中心結(jié)點(diǎn)，即把離結(jié)點(diǎn)p最近的類中心點(diǎn)的標(biāo)簽值賦予給結(jié)點(diǎn)p：

$L\left(p\right)=L\left({\arg \min }_{{q\∈L}_{\mathrm{Seed}}}{D}_{\mathrm{Cluster}}(p,q)\right);$

其中，L_Seed為設(shè)定值。

所述從單層超像素分割的結(jié)果中提取出一個新的MST，作為下一層超像素分割的輸入包括：

假設(shè)圖像I的寬和高分別為W和H，圖像I被分割成K₀＝W·H個區(qū)域，每一個分割區(qū)域s包含的像素數(shù)量N₀(p)＝1；

則第r-1層超像素分割后圖像被分割成K_r-1個區(qū)域，每一個分割區(qū)域s包含的像素數(shù)量為N_r-1(s)；

對于第r層超像素分割，將第r-1層超像素分割的結(jié)果中每一塊分割區(qū)域s視為一個結(jié)點(diǎn)，在鄰接的區(qū)域之間構(gòu)建邊來連接各個結(jié)點(diǎn)，從而構(gòu)建出一個新的無向圖結(jié)構(gòu)，邊的權(quán)重為相鄰兩個分割區(qū)域的平均顏色差：

$e_r(s,s^{\′})=\left|\right|{\stackrel{\‾}{I}}_{r-1}\left(s\right)-{\stackrel{\‾}{I}}_{r-1}\left(s^{\′}\right)\left|\right|$

其中，分別為r-1層超像素分割結(jié)果中區(qū)域s與s'的平均顏色；

再從新的無向圖結(jié)構(gòu)中提取出新的MST作為第r層超像素分割的輸入。

所述隨著層數(shù)的增加逐漸的減少分割數(shù)量，從而在最后一層超像素分割后生成期望的超像素分割數(shù)量包括：

超像素分割的數(shù)量隨著采點(diǎn)距離D_Seed的增加而單調(diào)減少；對任意一層r，定義D_Seed＝kd^r-1，其中，d控制D_Seed的增長速度，即超像素分割的減少速度；k控制D_Seed的初始大小，即從原圖中第一次分割后的分割數(shù)量；

假設(shè)期望的超像素分割數(shù)量為當(dāng)層數(shù)增加時，D_Seed的值增加，則存在某一層l使得且

由上述本發(fā)明提供的技術(shù)方案可以看出，基于最小生成樹的保邊的超像素分割算法先確定了快速有效的單層分割方法，再通過多層分割提高最終的超像素分割效果。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域的普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他附圖。

圖1為本發(fā)明背景技術(shù)提供的傳統(tǒng)圖像超像素分割示意圖；

圖2為本發(fā)明實施例提供的一種保持邊緣的圖像超像素分割方法的流程圖。

具體實施方式

下面結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明的保護(hù)范圍。

本發(fā)明實施例提供一種保持邊緣的圖像超像素分割方法，如圖2所示，其主要包括：

步驟21、將輸入的圖像轉(zhuǎn)換為無向圖結(jié)構(gòu)，再利用線性復(fù)雜度的方法從無向圖結(jié)構(gòu)中提取出圖像的最小生成樹MST，并定義MST中用于衡量圖像空間信息的基本樹距離和用于衡量圖像顏色信息的加權(quán)樹距離。

本發(fā)明實施例中，將圖像視為一個無向圖結(jié)構(gòu)，結(jié)點(diǎn)由像素組成，邊由像素之間的四鄰域關(guān)系組成，邊的權(quán)重是鄰接像素的顏色差。從無向圖當(dāng)中，可以提取一個MST(minimum spanning tree，最小生成樹)，因為大權(quán)重的邊(往往在邊緣部分)在建樹過程中會被去除，所以最小生成樹結(jié)構(gòu)可以突出圖像中的邊緣信息。樹距離，是定義在MST中的距離，由MST上的兩個結(jié)點(diǎn)之間相連接的路徑?jīng)Q定。由于路徑是通過一系列權(quán)重最小的邊所連接的，所以可以避開權(quán)值大的邊(已被去除的邊)，使得定義在MST上的樹距離能夠更好的描述邊緣兩測(不同區(qū)域)像素之間的差異性，在保邊性圖像平滑，立體視覺匹配領(lǐng)域得到了廣泛的應(yīng)用。

步驟22、對圖像進(jìn)行單層超像素分割，其步驟包括：以基本樹距離為均勻性衡量標(biāo)準(zhǔn)，在MST上均勻采取種子點(diǎn)，作為類中心點(diǎn)；以加權(quán)樹距離作為差異性衡量標(biāo)準(zhǔn)，用最近鄰的策略對MST中除去類中心點(diǎn)之外的剩余的結(jié)點(diǎn)做聚類。

本發(fā)明實施例中，單層超像素分割主要分為采點(diǎn)和聚類兩個步驟，在采點(diǎn)步驟中，使用基本樹距離作為衡量標(biāo)準(zhǔn)，用一種類似于泊松采點(diǎn)的方法，在MST中均勻采取種子點(diǎn)，作為類中心點(diǎn)。

在聚類步驟中，基于加權(quán)樹距離用最近鄰策略，根據(jù)已選擇的類中心點(diǎn)對MST中剩余的樹結(jié)點(diǎn)做聚類。在聚類過程中，計算每個類中心結(jié)點(diǎn)的附屬結(jié)點(diǎn)時，都是局部的尋找，所以單層分割的時間復(fù)雜度和圖像大小成線性關(guān)系。

步驟23、對圖像進(jìn)行高層超像素分割：從單層超像素分割的結(jié)果中提取出一個新的MST，作為下一層超像素分割的輸入，并重復(fù)單層超像素分割的步驟；同時，隨著層數(shù)的增加逐漸的減少分割數(shù)量，從而在最后一層超像素分割后生成期望的超像素分割數(shù)量。

由于通過單層分割生成的超像素分割，很容易受到圖像紋理的影響。因為采點(diǎn)距離過大，使得加權(quán)樹距離的會累加得很大，甚至超過真正邊界的顏色差。所以，提出高層的分割的方法，改變了一步獲取給定超像素分割數(shù)量的策略，而是逐層的去減少超像素分割的數(shù)量，并在分割數(shù)量減少的過程中逐漸平滑分割的每一塊區(qū)域，到達(dá)抑制紋理噪聲的目的。在每一層分割中，使用和單層分割類似的方法，對這一層的圖結(jié)構(gòu)進(jìn)行分割。而當(dāng)前層分割結(jié)果的每一塊區(qū)域，都將作為下一層圖結(jié)構(gòu)的一個圖結(jié)點(diǎn)。由于超像素分割的數(shù)量隨著層數(shù)增加而并指數(shù)下降，所以，多層分割算法主要集中的前幾層，因此，時間復(fù)雜度也是和圖像的大小成線性關(guān)系的。

本發(fā)明實施例提出的多層超像素分割算法，在英特爾I7主頻為4.0HZ的CPU上計算，運(yùn)行時間大約為25FPS。遠(yuǎn)遠(yuǎn)快于其它現(xiàn)有的流行的超像素分割算法都要快的，并且還擁有更好的保護(hù)圖像邊緣的效果。

為了便于理解，下面針對上述各個步驟做詳細(xì)說明。

1、提取MST(最小生成樹)，并定義兩種樹距離。

本發(fā)明實施例中，將輸入的圖像轉(zhuǎn)換為無向圖結(jié)構(gòu)；其中，以輸入圖像的像素為無向圖結(jié)構(gòu)的結(jié)點(diǎn)，以像素之間的四鄰域關(guān)系為無向圖結(jié)構(gòu)的邊，則無向圖結(jié)構(gòu)表示為G＝(V,E)；其中的V為結(jié)點(diǎn)集合，E為邊集合；

每一條邊的權(quán)重為鄰接結(jié)點(diǎn)的顏色差，可以定義為四鄰域相鄰兩像素的RGB通道最大顏色差，表示為：e(p_i,p_i+1)＝max_e∈{R,G,B}||I_c(p_i)-I_c(p_i+1)||；其中，e(p_i,p_i+1)為鄰接結(jié)點(diǎn)p_i與p_i+1的顏色差，I_c為顏色值。

之后，我們可以用線性復(fù)雜度的方法從無向圖結(jié)構(gòu)中提取出圖像的MST。

本發(fā)明實施例中，在MST中，本發(fā)明實施基于兩種樹距離：基本樹距離(用于衡量圖像空間信息)和加權(quán)樹距離(用于衡量圖像顏色信息)。

所述基本樹距離記為D_S(p,q)，表示結(jié)點(diǎn)p和結(jié)點(diǎn)q在MST上路徑的長度；如果結(jié)點(diǎn)p和結(jié)點(diǎn)q是相鄰的結(jié)點(diǎn)則D_S(p,q)＝1；基本樹距離一定程度上反映了兩個結(jié)點(diǎn)在圖像上的位置差異性。

所述加權(quán)樹距離記為D_C(p,q)，表示結(jié)點(diǎn)p和結(jié)點(diǎn)q在MST的路徑上所有邊權(quán)重的求和；如果p和q是相鄰的結(jié)點(diǎn)則D_S(p,q)＝e(p,q)；其中，e(p,q)為結(jié)點(diǎn)p和結(jié)點(diǎn)q的顏色差。加權(quán)樹距離反映了兩個結(jié)點(diǎn)在圖像上的顏色差異性。

2、對圖像進(jìn)行單層超像素分割。

對圖像進(jìn)行單層超像素分割，分成采點(diǎn)和聚類。在采點(diǎn)中，以基本樹距離為均勻性衡量標(biāo)準(zhǔn)，在MST上均勻采點(diǎn)；在聚類中，以加權(quán)樹距離作為差異性衡量標(biāo)準(zhǔn)，用最近領(lǐng)的策略對MST上其它的結(jié)點(diǎn)進(jìn)行聚類。具體過程如下：

1)采點(diǎn)：在單層超像素分割算法中，為了讓種子點(diǎn)(即類中心點(diǎn))均勻的分布在最小生成樹上，本發(fā)明實施例使用一種類似于泊松采點(diǎn)的方法在樹結(jié)構(gòu)中均勻的采取種子點(diǎn)。由于基本樹距離在圖像中更能體現(xiàn)圖像的空間信息，所以，我們以基本樹距離為衡量均勻性的標(biāo)準(zhǔn)，在樹結(jié)構(gòu)中均勻的采取種子點(diǎn)。假設(shè)D_Seed為采點(diǎn)距離(類似于泊松采點(diǎn)過程中采點(diǎn)半徑r的定義和作用)，通過一系列基于特定的采點(diǎn)距離D_Seed的迭代計算，可以通過以下方法從樹結(jié)構(gòu)中均勻的采取種子點(diǎn)：

初始化：預(yù)設(shè)采點(diǎn)距離D_Seed，創(chuàng)建兩個空的隊列L_Seed和L_Candidate分別存儲已采的種子點(diǎn)和未確定的備選種子點(diǎn)，并將MST的根結(jié)點(diǎn)放入L_Candidate中；

確定已采種子點(diǎn)和新增備選種子點(diǎn)：從L_Candidate中取出一個結(jié)點(diǎn)p，如果L_Seed非空，則檢查結(jié)點(diǎn)p是否滿足和L_Seed中已存在的種子點(diǎn)距離小于一個設(shè)定值L_Seed的條件；如果滿足，則將結(jié)點(diǎn)p作為種子點(diǎn)插入L_Seed隊列中，并以結(jié)點(diǎn)p為起點(diǎn)做固定深度的深度優(yōu)先遍歷，在MST中去尋找新的備選種子點(diǎn)；

在深度優(yōu)先遍歷過程中，任何遍歷結(jié)點(diǎn)q到起始結(jié)點(diǎn)p的基本樹距離D_S(p,q)是隨著深度的增加而逐步累加計算的；一旦滿足D_S(p,q)＞D_Seed，則把結(jié)點(diǎn)q放入到備選種子點(diǎn)隊列L_Candidate中，并停止在結(jié)點(diǎn)q所在枝干的深度優(yōu)先遍歷；通過以上方式進(jìn)行深度優(yōu)先遍歷之后，所有以結(jié)點(diǎn)p為起點(diǎn)找到的備選種子點(diǎn)均放入備選種子點(diǎn)隊列L_Candidate中；

再從L_Candidate取出一個備選種子點(diǎn)重復(fù)上述確定已采種子點(diǎn)和新增備選種子點(diǎn)的步驟，直至L_Candidate為空集。

2)聚類：為每個類中心點(diǎn)賦予一個標(biāo)簽值，標(biāo)簽值等于類中心點(diǎn)在種子點(diǎn)隊列L_Seed中的序列號值；

設(shè)定聚類距離D_Cluster(p,q)，該聚類距離D_Cluster(p,q)利用一對臨接點(diǎn)對的加權(quán)樹距離進(jìn)行計算：

D_Cluster(p,q)＝∑max(D_C(p_a，p_b),1)；

其中，p_a，p_b是連接節(jié)點(diǎn)p和q的路徑上任意一對臨接點(diǎn)對，D_C(p_a,p_b)為臨接點(diǎn)對p_a與p_b的加權(quán)樹距離；

上述聚類距離D_Cluster(p,q)可以克服加權(quán)樹距離在圖像平坦區(qū)域累加值為零而導(dǎo)致無法用最近鄰分類的缺點(diǎn)。

以聚類距離D_Cluster(p,q)為像素之間顏色差異性衡量標(biāo)準(zhǔn)的最近鄰原則；對于MST中每個尚未被分類的結(jié)點(diǎn)p，將其分類到離它最近的類中心結(jié)點(diǎn)，即把離結(jié)點(diǎn)p最近的類中心點(diǎn)的標(biāo)簽值賦予給結(jié)點(diǎn)p：

$L\left(p\right)=L\left({\arg \min }_{{q\∈L}_{\mathrm{Seed}}}{D}_{\mathrm{Cluster}}(p,q)\right);$

其中，L_Seed為設(shè)定值，L為相應(yīng)的標(biāo)簽值。

此外，由于MST中兩個結(jié)點(diǎn)的基本樹距離和加權(quán)樹距離是累加計算的并且基于相同的路徑，所以可以在同一個固定深度的深度優(yōu)先遍歷同時計算D_S(p,q)(用于采點(diǎn))和D_C(p,q)(用于聚類)。

3、對圖像進(jìn)行多層超像素分割。

如果采樣點(diǎn)之間相距較遠(yuǎn)，加權(quán)樹距離在圖像紋理區(qū)域可能會累加過大，大于真正的邊界顏色差而導(dǎo)致單層分割中錯誤的最近鄰分類。所以本發(fā)明將單層分割的算法擴(kuò)展到多層分割中，在每一層分割中用到我們單層的算法，并利用當(dāng)前層的分割結(jié)果平滑圖像，作為下一層的輸入。在多層超像素分割結(jié)構(gòu)中，本發(fā)明取代了直接一步計算出期望的分割數(shù)量，而是隨著層數(shù)的增加逐漸的減少分割數(shù)量，并在最后一層生成期望的超像素分割數(shù)量。

因為每一層的分割都基于單層分割的方法，即利用采點(diǎn)和聚類對樹結(jié)構(gòu)進(jìn)行分割。所以擴(kuò)展到多層分割的重點(diǎn)在于如何連接層與層之間的關(guān)系，即如何從當(dāng)前層的分割結(jié)果，提取出一個新的無向圖結(jié)構(gòu)，作為下一層的輸入；具體過程如下：

a、假設(shè)圖像I的寬和高分別為W和H，圖像I被分割成K₀＝W·H個區(qū)域，每一個分割區(qū)域s包含的像素數(shù)量N₀(p)＝1；

b、則第r-1層超像素分割后圖像被分割成K_r-1個區(qū)域，任意一個該層分割區(qū)域s包含的像素數(shù)量為N_r-1(s)；

c、對于第r層超像素分割，將第r-1層超像素分割的結(jié)果中每一塊分割區(qū)域s視為一個結(jié)點(diǎn)，在鄰接的區(qū)域之間構(gòu)建邊來連接各個結(jié)點(diǎn)，從而構(gòu)建出一個新的無向圖結(jié)構(gòu)，邊的權(quán)重為相鄰兩個分割區(qū)域的平均顏色差：

$e_r(s,s^{\′})=\left|\right|{\stackrel{\‾}{I}}_{r-1}\left(s\right)-{\stackrel{\‾}{I}}_{r-1}\left(s^{\′}\right)\left|\right|$

其中，分別為r-1層超像素分割結(jié)果中區(qū)域s與s'的平均顏色。

d、再從新的無向圖結(jié)構(gòu)中提取出新的MST作為第r層超像素分割的輸入。

上述a～d過程可以理解為，根據(jù)第r-1層的分割結(jié)果，對每一塊分割區(qū)域取單一顏色，顏色值為該區(qū)域的平均顏色。然后，以每一塊區(qū)域為結(jié)點(diǎn)，在鄰接的區(qū)域之間構(gòu)建邊來連接各個結(jié)點(diǎn)，得到新的無向圖，再從新的無向圖中提取出新的MST，作為第r層的輸入。

在本發(fā)明實施例的多層分割結(jié)構(gòu)中，超像素分割的數(shù)量隨著采點(diǎn)距離D_Seed的增加而單調(diào)減少；對任意一層r，定義D_Seed＝kd^r-1，其中，d控制D_Seed的增長速度，即超像素分割的減少速度；k控制D_Seed的初始大小，即從原圖中第一次分割后的分割數(shù)量；假設(shè)期望的超像素分割數(shù)量為當(dāng)層數(shù)增加時，D_Seed的值增加，則存在某一層l使得且

此外，由于本發(fā)明多層分割中的每一層無向圖中結(jié)點(diǎn)的數(shù)量是隨著層數(shù)的增加而指數(shù)下降的。所以，多層分割的主要計算量集中在框架中的頭幾層，在復(fù)雜度上和圖像像素數(shù)量是成線性關(guān)系的。

本發(fā)明實施例中提出的多層分割的框架，隨層數(shù)增加逐漸減少超像素分割的數(shù)量，并在每層分割中對圖像做平滑，減少紋理累計誤差的影響。每層分割的復(fù)雜度隨層數(shù)增加指數(shù)下降，故算法運(yùn)行時間主要集中在多層分割的前幾層中，和圖像像素成線性關(guān)系。在伯克利圖像分割數(shù)據(jù)庫上的實驗可以證明，相比現(xiàn)有的流行算法，本發(fā)明實施例提供的超像素分割具有更好的保邊性，時間效率更高。

通過以上的實施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到上述實施例可以通過軟件實現(xiàn)，也可以借助軟件加必要的通用硬件平臺的方式來實現(xiàn)?；谶@樣的理解，上述實施例的技術(shù)方案可以以軟件產(chǎn)品的形式體現(xiàn)出來，該軟件產(chǎn)品可以存儲在一個非易失性存儲介質(zhì)(可以是CD-ROM，U盤，移動硬盤等)中，包括若干指令用以使得一臺計算機(jī)設(shè)備(可以是個人計算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述的方法。

以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明披露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。