本發(fā)明圖像處理技術(shù)領(lǐng)域，具體是一種對自然圖像無監(jiān)督分割法，可用于視頻目標(biāo)跟蹤識(shí)別和基于內(nèi)容的圖像檢索中。

背景技術(shù)：

近年來，隨著科學(xué)技術(shù)與計(jì)算機(jī)互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，數(shù)字圖像在各行各業(yè)中使用的越來越廣泛。在海量圖像中，如何能夠快速識(shí)別出一幅圖像，一直成為計(jì)算機(jī)視覺與模式識(shí)別熱門討論的話題。自從20世紀(jì)90年代初，基于內(nèi)容的圖像檢索技術(shù)被提出以來，它一直是研究者的研究熱點(diǎn)，其主要通過提取圖像的紋理、顏色、目標(biāo)的形狀以及它們的空間位置信息等特征，計(jì)算被檢索圖像與數(shù)據(jù)集中的圖像的相似度距離，來實(shí)現(xiàn)圖像的識(shí)別與檢索。經(jīng)過近20年的研究與發(fā)展，在應(yīng)用方面也已經(jīng)比較成熟，像google、百度、bing等收索引擎公司都開發(fā)了屬于自己的基于內(nèi)容的圖像搜索產(chǎn)品。比如：googlesimilarimages，百度識(shí)圖等。

在大數(shù)據(jù)時(shí)代，網(wǎng)絡(luò)媒介上存在三種大數(shù)據(jù)，即靜態(tài)網(wǎng)頁的文本、語音、圖像和視頻，其中視頻和圖像的比重最大。對這些圖像或視頻幀進(jìn)行快速準(zhǔn)確、無監(jiān)督地分割，能產(chǎn)生巨大的經(jīng)濟(jì)效益。比如，圖像分割用于圖像檢索、圖像和視頻編輯、基于圖像和視頻內(nèi)容的廣告投放。在人工智能時(shí)代，計(jì)算機(jī)視覺是人工智能的重要組成部分，圖像分割尤其是自動(dòng)分割技術(shù)是機(jī)器視覺的關(guān)鍵技術(shù)，在圖像識(shí)別、目標(biāo)跟蹤、場景分析識(shí)別等方面，圖像分割都起著關(guān)鍵的作用。

自動(dòng)確定圖像的分割類別數(shù)一直是學(xué)術(shù)界和工業(yè)界研究的熱點(diǎn)和難點(diǎn)，目前還沒有十分有效的算法來精確地確定每一幅圖像的類別數(shù)。對于結(jié)構(gòu)簡單的自然圖像，比較好的方法能準(zhǔn)確確定類別數(shù)，但對于結(jié)構(gòu)比較復(fù)雜的圖像，一般會(huì)存在誤差?，F(xiàn)有的自然圖像無監(jiān)督分割方法不穩(wěn)定，容易造成圖像的過分割或欠分割。由于自然圖像場景比較復(fù)雜，目前還沒有比較好的方法準(zhǔn)確確定自然圖像的類別數(shù)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)的不足，提出一種基于均值漂移和模糊聚類的自然圖像無監(jiān)督分割方法，以準(zhǔn)確地確定圖像的類別數(shù)，提高分割精度。

本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

一.技術(shù)原理：

自然圖像中的每個(gè)目標(biāo)區(qū)域的像素點(diǎn)在rgb特征空間上會(huì)有一定的密度分布形式，且每個(gè)類別的像素點(diǎn)在rgb特征空間分布中有一個(gè)密度最大點(diǎn)，在圖像上就是類別的主色彩。圖像像素分布的密度最大點(diǎn)簡稱為密度峰值，它實(shí)際上就是分割區(qū)域中像素的聚類中心，找到了密度峰值，就確定了分割區(qū)域的聚類中心，同時(shí)根據(jù)密度峰值的數(shù)目就可以確定圖像的分割區(qū)域數(shù)。根據(jù)這一思路，本發(fā)明采用均值漂移算法來搜索自然圖像在rgb彩色空間的密度峰值，可以同時(shí)確定圖像的分割類別數(shù)和聚類中心，然后用改進(jìn)的模糊聚類算法實(shí)現(xiàn)自然圖像的分割，該發(fā)明方法能實(shí)現(xiàn)自然圖像的自動(dòng)分割。

二.技術(shù)方案

根據(jù)上述原理，本發(fā)明的實(shí)現(xiàn)技術(shù)方案包括如下：

(1)讀取待分割自然圖像it，并對自然圖像it所有像素的rgb值除以255進(jìn)行歸一化處理，使得每個(gè)像素rgb值的范圍在[0,1]之間，其中t＝1,2,…,n，n表示待分割圖像數(shù)量；

(2)對歸一化后的自然圖像進(jìn)行平滑，得到平滑圖像i′t；

(3)在平滑后自然圖像的rgb彩色空間中均勻初始化64個(gè)搜索初始點(diǎn)即初始聚類中心，對應(yīng)的初始聚類中心數(shù)目c＝64，這些起始點(diǎn)構(gòu)成的初始點(diǎn)集合表示為v＝{v1,v2,…,vp,…,v64}，其中，vp表示第p個(gè)起始點(diǎn)，p＝1,2,…,64；

(4)使用均值漂移迭代公式，以64個(gè)初始點(diǎn)為起點(diǎn)進(jìn)行迭代搜索，得到收斂點(diǎn)集合v′＝{v′1,v′2,…,v′k,…,v′64}，其中，v′k表示第k個(gè)收斂點(diǎn)；

(5)在rgb彩色空間中，設(shè)置收斂點(diǎn)v′k的下標(biāo)初始值k＝1，設(shè)置閾值m＝100，刪除周圍像素點(diǎn)分布密度比較小的收斂點(diǎn)：

(5a)計(jì)算以收斂點(diǎn)v′k為球心，以h為半徑的高維球包含的像素點(diǎn)數(shù)目nk，比較nk和m的大小：若nk＜m，則從收斂點(diǎn)集合v′中刪除收斂點(diǎn)v′k，并令c＝c-1，否則，不刪除v′k；

(5b)令k＝k+1，判斷k≤64是否成立：若成立，返回(5a)，否則進(jìn)入步驟(6)；

(6)合并收斂點(diǎn)集合v′＝{v′1,v′2,…,v′p,…,v′q,…,v′c}中任意兩個(gè)收斂點(diǎn)間的歐氏距離小于閾值h的收斂點(diǎn)，得到聚類中心集合v″，其中，v′p表示第p個(gè)收斂點(diǎn)，v′q表示第q個(gè)收斂點(diǎn)，p≠q；

(7)根據(jù)步驟(6)計(jì)算得出的聚類中心集合v″，計(jì)算平滑后的自然圖像i′t的像素點(diǎn)隸屬度矩陣u，矩陣u的第k行，第i列元素uki的計(jì)算公式如下：；

(8)對隸屬度矩陣u進(jìn)行平滑，得到像素的平滑隸屬度矩陣u′，矩陣u′的第k行，第i列元素u′ki的計(jì)算公式如下：

其中，u′ki∈[0,1]，i＝1,2,…,n，n表示平滑圖像i′t中像素的總數(shù)，k＝1,2,…,c，c表示聚類中心的總數(shù)，ni表示以第i個(gè)像素為中心的平滑窗口內(nèi)的鄰域像素集合，sj和si表示平滑窗口內(nèi)像素的空間坐標(biāo)，xi表示平滑窗口中心像素的值，xj表示鄰域像素的值，設(shè)置平滑窗口的大小為5×5，σs表示平滑窗口的空間核帶寬，在整個(gè)平滑過程中，σs的大小是固定不變的，設(shè)置σs＝1，σir表示第i個(gè)像素對應(yīng)的自適應(yīng)值域核帶寬，nr表示鄰域窗口內(nèi)鄰域像素的數(shù)目；

(9)采用最大隸屬度規(guī)則對每個(gè)像素點(diǎn)的平滑隸屬度u′ki進(jìn)行去模糊化，得到圖像it中第i個(gè)像素的類標(biāo)簽li：

(10)重復(fù)步驟(9)，對圖像it中的所有像素點(diǎn)進(jìn)行去模糊化，得到分割圖像，分割圖像中每個(gè)分割區(qū)域的像素具有相同的類標(biāo)簽。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：

1.本發(fā)明對圖像進(jìn)行平滑處理，能有效抑制噪聲和離群值對分割結(jié)果的影響。

2.本發(fā)明采用局部密度梯度上升的方法搜索像素的密度峰值，不僅能發(fā)現(xiàn)像素的分布模式，而且能確定出全局最優(yōu)的聚類中心和分割類別數(shù)。

3.本發(fā)明通過對像素隸屬度矩陣進(jìn)行平滑，既提高了對噪聲和離群值的抑制能力，又提高分割區(qū)域內(nèi)部的一致性。

附圖說明

圖1是本發(fā)明的實(shí)現(xiàn)總流程圖；

圖2是本發(fā)明在實(shí)現(xiàn)過程中像素點(diǎn)及均值漂移迭代點(diǎn)在rgb空間的分布形式圖；

圖3是用本發(fā)明方法對編號為a的自然圖像的分割結(jié)果與人工分割結(jié)果的對比圖。

圖4是用本發(fā)明方法對編號為b的自然圖像的分割結(jié)果與人工分割結(jié)果的對比圖。

圖5是用本發(fā)明方法對編號為c的自然圖像的分割結(jié)果與人工分割結(jié)果的對比圖。

圖6是用本發(fā)明方法對編號為d的自然圖像的分割結(jié)果與人工分割結(jié)果的對比圖。

具體實(shí)施方式

參照圖1，本發(fā)明的實(shí)現(xiàn)步驟如下：

步驟一：對待分割圖像進(jìn)行歸一化處理。

輸入如圖2(a)所示的自然圖像it，i＝1,2,…,n，n表示圖像數(shù)據(jù)集中待分割圖像的數(shù)量；對圖像ii像素的rgb值進(jìn)行歸一化處理，使每個(gè)彩色通道的值在[0,1]范圍之間，圖2(a)圖像像素點(diǎn)在歸一化rgb彩色空間中分布如圖2(b)所示；

步驟二：利用如下平滑公式對圖像it進(jìn)行平滑：

其中，表示第i個(gè)滑動(dòng)窗口的中心像素的第k+1次迭代值，滑動(dòng)窗口迭代結(jié)束條件為ni表示滑動(dòng)窗口內(nèi)所有像素的集合，si表示滑動(dòng)窗口中心點(diǎn)像素的空間坐標(biāo)，sj表示滑動(dòng)窗口內(nèi)的鄰域像素空間坐標(biāo)，σs表示空間約束核帶寬，σs在整個(gè)平滑濾波過程中是固定不變的，設(shè)置σs＝1，σk表示滑動(dòng)窗口在第k次迭代時(shí)的值域核帶寬，σk隨著迭代過程在不斷調(diào)整的，它的計(jì)算公式如下：

其中,nr表示滑動(dòng)窗口內(nèi)像素的總數(shù)，ni表示第i個(gè)滑動(dòng)窗口內(nèi)所有像素點(diǎn)的集合，xj表示滑動(dòng)窗口內(nèi)的像素點(diǎn)的值，表示第i個(gè)滑動(dòng)窗口中心像素的第k次迭代值，設(shè)置濾波滑動(dòng)窗口大小為5×5，設(shè)置滑動(dòng)窗口迭代終止閾值ε1＝0.001。平滑后圖像像素點(diǎn)分布如圖2(c)；

步驟三：在rgb彩色空間中均勻初始化均值漂移迭代起始點(diǎn)。

在單位彩色立方體空間均勻初始化64個(gè)密度峰值搜索初始點(diǎn)，每個(gè)初始點(diǎn)是一個(gè)小立方體的中心，單位立方體被64個(gè)小立方體均勻分割，每個(gè)小立方體的體積是1/64，小立方體外接球的半徑為h即是在整個(gè)彩色空間中迭代搜索過程中使用的均勻核帶寬，初始點(diǎn)集合表示為：v＝{v1,v2,…,vp,…,v64}；

由于64個(gè)小立方體的外接球能完全覆蓋單位彩色立方體的空間，利用這種初始化方式保證了彩色立方體內(nèi)的所有像素在第一次迭代時(shí)都被搜索到，64個(gè)均值漂移迭代初始點(diǎn)在歸一化rgb彩色空間中的分布如圖2(d)所示；

步驟四：在平滑圖像的歸一化rgb彩色空間中，使用均值漂移迭代公式迭代搜索像素點(diǎn)密度峰值。

均值漂移在彩色空間中的迭代公式如下所示：

其中，表示第m個(gè)迭代搜索點(diǎn)在第k次迭代值，m＝1,2,…,64，sh(yk)表示在rgb彩色空間中以為中心，h為半徑的高維球所包圍的像素點(diǎn)集合，nk表示集合sh(yk)內(nèi)像素點(diǎn)的數(shù)目，sh(yk)的表示公式如下：

其中，x表示集合sh(yk)內(nèi)的像素點(diǎn)，設(shè)置均值漂移迭代終止閾值ε2＝0.001，第m個(gè)迭代點(diǎn)收斂的條件為：收斂點(diǎn)集合表示為：v′＝{v′1,v′2,…,v′64}；

以64個(gè)初始點(diǎn)為迭代搜索起始點(diǎn)，使用均值漂移迭代公式在整個(gè)彩色空間內(nèi)搜索密度峰值，均值漂移向量會(huì)逐漸向像素分布密度大的方向移動(dòng)，直至收斂到局部密度峰值點(diǎn)，由于在均值漂移迭代搜索過程中，64個(gè)均值漂移迭代中心點(diǎn)之間互不影響，且不同時(shí)收斂，且在rgb彩色空間中，部分均值漂移迭代搜索起始點(diǎn)周圍無像素點(diǎn)分布，故這些迭代搜索起始點(diǎn)在第一次迭代后即收斂，64個(gè)收斂點(diǎn)在歸一化rgb彩色空間中分布如圖2(e)所示。

步驟五：在64個(gè)收斂點(diǎn)中，刪除滿足閾值條件的收斂點(diǎn)。

設(shè)置收斂點(diǎn)總數(shù)c＝64，設(shè)置刪除閾值m＝100，并將其與集合sh(yk)內(nèi)像素點(diǎn)的數(shù)目nk進(jìn)行比較：若nk＜m，則從收斂點(diǎn)集合中刪除收斂點(diǎn)并令c＝c-1，否則，不刪除收斂點(diǎn)m＝1,2,…,64；

所述收斂點(diǎn)yk+1，是沿著密度梯度增大的方向迭代搜索得到的，它是局部密度極大值點(diǎn)，對應(yīng)的像素集合sh(yk)內(nèi)像素?cái)?shù)量nk應(yīng)該是局部最大的，如果nk小于一定的閾值，說明此收斂點(diǎn)并不是真正的局部像素密度峰值，并不能代表一個(gè)類別的像素特征，應(yīng)該刪除這些密度比較小的收斂點(diǎn)，該刪除方法能有效避免圖像的過度分割，刪除滿足條件的收斂點(diǎn)后得到的的集合表示為：v′＝{v′1,v′2,…,v′p,…,v′q,…,v′c}。

步驟六：合并歐式距離小于合并閾值的收斂點(diǎn)。

設(shè)置合并閾值合并集合v′＝{v′1,v′2,…,v′p,…,v′q,…,v′c}中歐氏距離小于閾值h的任意兩個(gè)收斂點(diǎn)，實(shí)現(xiàn)過程如下：

(6a)設(shè)置左收斂點(diǎn)v′p下標(biāo)初始值p＝1；

(6b)設(shè)置右收斂點(diǎn)v′q下標(biāo)初始值q＝p+1；

(6c)判斷q≤c是否成立：若成立，則執(zhí)行(6d)，否則，執(zhí)行(6f)；

(6d)計(jì)算d＝||v′p-v′q||，判斷d＜h是否成立：若成立，則令vq′＝(v′p+v′q)/2，c＝c-1，p＝p+1，返回(6b)，否則，執(zhí)行(6e)；

(6e)令q＝q+1，判斷q≤c是否成立：若成立，則返回(6d)，否則，執(zhí)行(6f)；

(6f)令p＝p+1，判斷p≤c-1是否成立：若成立，則返回(6b)，否則，結(jié)束計(jì)算。

上述過程最終計(jì)算得出聚類中心集合，表示為：v″＝{v1,v2,…,vc}，刪除合并收斂點(diǎn)后得到的聚類中心在歸一化rgb彩色空間中分布如圖2(f)所示；

步驟七：根據(jù)步驟六獲得的聚類中心集合v″，計(jì)算平滑圖像的像素核模糊隸屬度。

(7a)計(jì)算每個(gè)聚類中心對應(yīng)的核帶寬σk：

其中，n表示圖像像素的總數(shù)，xj表示圖像第j個(gè)像素，vk表示第k個(gè)聚類中心；

(7b)根據(jù)式<9>計(jì)算得出的σk，利用式<10>計(jì)算高斯核距離k(xi,vk)：

其中，xi表示圖像中第i個(gè)像素；

(7c)利用式<11>計(jì)算圖像像素的隸屬度矩陣u，uki為u中第k行，第i列的隸屬度：

步驟八：利用式<11>計(jì)算得出的隸屬度矩陣u，根據(jù)式<12>計(jì)算圖像像素的平滑隸屬度矩陣u′中第k行，第i列的平滑隸屬度u′ki：

其中，ni表示以像素i為中心的平滑窗口內(nèi)像素的集合，nr表示平滑窗口內(nèi)像素的總數(shù)，sj和si表示窗口內(nèi)像素的平面空間坐標(biāo)，xi表示平滑窗口中心像素，xj表示鄰域像素，ukj表示平滑窗口內(nèi)第j個(gè)像素的隸屬度，σs′表示平滑窗口的空間核帶寬，σs′在整個(gè)平滑過程中是固定的，取σs′＝1，σir表示第i個(gè)平滑窗口對應(yīng)的值域核帶寬，對像素隸屬平滑的好處是增強(qiáng)對噪聲和離群值的魯棒性，并更好地保護(hù)圖像細(xì)節(jié)和分割區(qū)域內(nèi)部的連續(xù)性。

步驟九：采用最大隸屬度規(guī)則對每個(gè)像素點(diǎn)的平滑隸屬度u′ki進(jìn)行去模糊化，得到圖像中第i個(gè)像素的類標(biāo)簽li：

步驟十：輸出分割圖像，輸入下一幅待分割圖像，重復(fù)上述步驟，直到所有圖像分割完畢。

本發(fā)明的效果可以通過以下實(shí)驗(yàn)進(jìn)一步說明：

1.仿真實(shí)驗(yàn)采用的圖像：

實(shí)驗(yàn)采用伯克利大學(xué)自然圖像分割數(shù)據(jù)集bsd300,該數(shù)據(jù)集有300幅自然圖像，本發(fā)明對這300幅自然圖像進(jìn)行無監(jiān)督分割，在300幅分割圖像中選取4幅分割圖像在說明書附圖中進(jìn)行展示，這四幅圖像編號分別為a、b、c和d。

2.仿真實(shí)驗(yàn)的參數(shù)設(shè)定：

設(shè)用于圖像平滑的滑動(dòng)窗口迭代收斂閾值ε1＝0.001，滑動(dòng)窗口空間核帶寬σs＝1，滑動(dòng)窗口大小為5×5，均值漂移值域帶寬收斂點(diǎn)刪除閾值m＝100，收斂點(diǎn)合并閾值均值漂移迭代收斂閾值ε2＝0.001，用于隸屬度矩陣平滑的平滑窗口空間核帶寬σs′＝1。

3.仿真實(shí)驗(yàn)環(huán)境：

cpu為core33.2ghz、程序運(yùn)行內(nèi)存為4gb、操作系統(tǒng)為windows7系統(tǒng)，程序運(yùn)行環(huán)境為opencv+visualstudio2010。

4.仿真內(nèi)容：

仿真1，用本發(fā)明方法對編號為a自然圖像進(jìn)行分割，并與人工分割的標(biāo)準(zhǔn)結(jié)果進(jìn)行對比，分割結(jié)果如圖3，其中：

圖3(a)是在圖像a上進(jìn)行人工分割的標(biāo)準(zhǔn)參照結(jié)果，

圖3(b)是人工對圖像a的二值邊界分割結(jié)果，

圖3(c)是本發(fā)明對圖像a的直接分割結(jié)果，

圖3(d)是本發(fā)明對圖像a的二值邊界分割結(jié)果；

仿真2，用本發(fā)明方法對編號為b自然圖像進(jìn)行分割，并與人工分割的標(biāo)準(zhǔn)結(jié)果進(jìn)行對比，分割結(jié)果如圖4，其中：

圖4(a)是在圖像b上進(jìn)行人工分割的標(biāo)準(zhǔn)參照結(jié)果，

圖4(b)是人工對圖像b的二值邊界分割結(jié)果，

圖4(c)是本發(fā)明對圖像b的直接分割結(jié)果，

圖4(d)是本發(fā)明對圖像b的二值邊界分割結(jié)果；

仿真3，用本發(fā)明方法對編號為c自然圖像進(jìn)行分割，并與人工分割的標(biāo)準(zhǔn)結(jié)果進(jìn)行對比，分割結(jié)果如圖5，其中：

圖5(a)是在圖像c上進(jìn)行人工分割的標(biāo)準(zhǔn)參照結(jié)果，

圖5(b)是人工對圖像c的二值邊界分割結(jié)果，

圖5(c)是本發(fā)明對圖像c的直接分割結(jié)果，

圖5(d)是本發(fā)明對圖像c的二值邊界分割結(jié)果；

仿真4，用本發(fā)明方法對編號為d自然圖像進(jìn)行分割，并與人工分割的標(biāo)準(zhǔn)結(jié)果進(jìn)行對比，分割結(jié)果如圖6，其中：

圖6(a)是在圖像d上進(jìn)行人工分割的標(biāo)準(zhǔn)參照結(jié)果，

圖6(b)是人工對圖像d的二值邊界分割結(jié)果，

圖6(c)是本發(fā)明對圖像d的直接分割結(jié)果，

圖6(d)是本發(fā)明對圖像d的二值邊界分割結(jié)果；

本發(fā)明方法能準(zhǔn)確地確定自然圖像的分割類別數(shù)，本發(fā)明分的自然圖像的分割結(jié)果與人工分割結(jié)果很相似，說明本發(fā)明方法具有較高的分割準(zhǔn)確率，本發(fā)明分割結(jié)果與人工分割結(jié)果相比，能分割出圖像的細(xì)節(jié)區(qū)域，具有較好的細(xì)節(jié)保護(hù)能力。