一种基于概率分配的超像素方法
技术领域
本发明涉及一种图像处理方法，特别涉及一种基于概率分配的超像素方法。
背景技术
超像素块是图片中具有一致性的、体现图片局部特征的子区域，超像素分割是把图片空间按照纹理、灰度等特征划分成一定数量区域的过程。与以像素点作为基本单元的传统图像处理方法相比，使用超像素块作为基本单元有利于保存图片局部信息，降低运算量。超像素块的分割质量直接决定了这些基于超像素块的图像算法的效果，这通常要求超像素块能贴合图片中物体的边界且形状规则，大小相似。
现有超像素分割方法通常基于距离计算像素点的归属，不能准确贴合物体边界：如SLIC算法基于像素点-超像素块距离实现，能取得形状均一的超像素块，但超像素块的边界的贴合不佳；FH算法基于像素点间距离，通过生成树实现超像素分割，对图片中的的变化敏感，但生成超像素块的边缘不规则。本发明采用软分配的方式得到划分结果，通过分配概率融合像素点信息与图像局部信息，提升了超像素块分割的边缘拟合能力。
发明内容
本发明的目的在于提供一种基于概率分配的超像素方法，提升超像素块分割的边缘拟合能力。
为达到以上目的，本发明采用如下技术方案：
一种基于概率分配的超像素方法，利用像素点特征与超像素块标准化参数，计算像素点分配概率，采用概率软分配的方式，迭代聚类得到最终的超像素块分割结果。具体包括如下步骤：
步骤一：给定输入图像，将输入图像均匀划分为N个正方形网格，取正方形网格的中心像素点为超像素块初始中心点，逐一计算像素点的特征和标准化参数；
步骤二：在各中心点周围预设范围内，依据标准化参数计算各像素点对应该中心点的分配概率；
步骤三：将像素点分配至对应分配概率最大的超像素块中，记录超像素块的像素点Lab颜色特征矩阵和像素点增广的坐标位置矩阵；
步骤四：更新超像素块中心点及标准化参数，重新计算各像素点的分配概率；
步骤五：迭代步骤三和步骤四达到指定步数；
步骤六：后处理，合并孤立超像素块。
本发明的有益效果为：
本发明采用软分配的方式得到划分结果，通过分配概率融合像素点信息与图像局部信息。相比传统超像素分割方法，本发明能取得更好的超像素边缘拟合效果。
附图说明
图1是本发明基于分配概率的非均匀超像素方法的算法流程图。
图2(a)是原始图片；图2(b)是基于分配概率的非均匀超像素方法的分割结果；图2(c)是传统SLIC算法分割结果；图2(d)是实验真值图片。
图3(a)是本发明与传统SLIC算法的边缘保留率对比结果；图3(b)是本发明与传统SLIC算法的最大分割精度对比结果；图3(c)是本发明与传统SLIC算法的欠分割错误率对比结果。
具体实施方式
下面结合附图详细介绍本发明各步骤中的具体细节。
本发明提出了一种基于概率分配的超像素方法，该方法的整个流程如图1所示。
该方法主要包括以下步骤：
步骤一：
给定输入图像，将输入图像均匀划分为N个正方形网格，取正方形网格的中心像素点为初始的超像素块中心处像素点；
遍历图像中全部像素点，逐一计算像素点的特征和标准化参数，其中：
各像素点特征包括两个：
1)Lab颜色特征xLab＝(xL，xa，xb)，依据输入图像中像素点的RGB颜色特征计算得到；
2)增广的坐标位置x1xy＝(1,x,y)，由输入图像中像素点的坐标位置(x,y)添加常数项1得到；
各像素点标准化参数包括三个：
1)为以该像素点为中心，边长为so的正方形区域内，所有像素点Lab颜色特征的高斯加权平均值；
2)εLab＝(εL，εa，εb)为以该像素点为中心，边长为so的正方形区域内，所有像素点Lab颜色特征梯度绝对值的高斯加权平均值；
3)以该像素点为中心的超像素块的预期宽度s，s＝mso，其中σ为sigmoid函数，so为均匀划分超像素块宽度，为图像中全部像素点的εLab的平均值，Δ为微小量，取10-3；标准化参数反应了图像的局部特征，可依据超像素块中心处像素点的标准化参数，结合像素点特征，给出像素点归属的预测。
步骤二：计算像素点分配概率
假设超像素块中的特征服从均值与方差为超像素块中心处像素点标准化参数的高斯分布，计算像素点到超像素块的分配概率；为减小运算量，仅计算超像素块周围一定范围内的像素点：
遍历图中全部超像素块，对每个超像素块，遍历以其为中心1.5倍预期宽度范围内的像素点，其分配概率为Lab颜色特征概率pLab与位置概率p1xy的乘积，其中：
1)颜色概率：对于Lab任意分量
2)位置概率：
xi，x1xy为该像素点的特征，ε′i，S′为该超像素块中心处像素点的标准化参数，x′1xy为超像素块中心处像素点的增广的坐标位置。
步骤三：分配像素点
采用极大似然估计法，将像素点分配至对应分配概率最大的超像素块中以实现图片中全部像素点分配概率之积最大化；
对各超像素块，记录归属于该超像素块的全部像素点的Lab颜色特征与增广的坐标位置，用于给出超像素块中像素点的预测。Lab颜色特征与增广的坐标位置分别记入Lab颜色特征矩阵XLab和像素点增广的坐标位置矩阵X1xy：
XLab＝(xLab，ji T)n
X1xy＝(x1xy，ji T)n
其中，为像素点ji的xLab和x1xy，ji为超像素块包含的第i个像素点。
步骤四：更新超像素块中心处像素点
更新超像素块中心处像素点为坐标是超像素块内所有像素坐标位置的均值的像素点。依据上述超像素块的标准化参数方法，重新计算其三个标准化参数；
设Lab颜色特征服从同一均值与方差的高斯分布得到的概率预测为不相关假设下的预测，设超像素块中像素点的Lab颜色特征服从多元高斯分布得到的概率预测为相关假设下的预测；由于在Lab颜色特征与坐标位置不相关的假设下预测像素点颜色特征精度较低，在相关假设下预测容易出现过拟合问题，为弥补两种方法的不足，以两者的插值作为最终的预测：
对各超像素块设置不相关假设下的预测矩阵θind和预测方差向量εind：
其中和εLab为超像素块中心处像素点的标准化参数。
设置相关假设下的预测矩阵θdep和方差向量εdep，设Ddep为相关假设下的误差矩阵有：
其中I3为三阶单位矩阵。
则Lab颜色特征的预测矩阵θLab和预测方差向量ε′Lab为：
其中，Tcurr为当前循环次数，Ttotal为指定迭代次数；在迭代中，最终预测中相关假设的比例逐渐增大，在避免过拟合的同时保持了精度。
计算p1xy，方法与步骤二相同；
依据超像素块Lab颜色特征的预测矩阵θLab与预测方差向量ε′Lab，通过正态分布模型更新像素点对应该中心点的Lab颜色特征的概率pLab：
其中记预测方差向量ε′Lab为(ε′L，ε′a，ε′b，)；
更新像素点的分配概率p＝p1xypLab；
步骤五：迭代步骤三和步骤四达到指定步数
步骤六：合并孤立超像素块
通过图论的方法检测并合并孤立超像素块：遍历全部超像素块，记属于该超像素块且上下左右相邻的像素点为相连的像素点，计算超像素块中所有联通分支大小；对包含像素点数小于的联通分支，重新令此联通分支内所有像素点归属于与此超像素块相邻的超像素块。
采用以下实施例验证本发明的有益效果：
实施例一：
本实施例一种基于概率分配的超像素方法具体是按照以下步骤制备的：
实验所用数据是BSDSS00的测试图片，在图2(a)、图2(d)中显示了原始图片和真值图片，图2(b)是本发明方法的超像素分割结果，图2(c)是传统SLIC算法的超像素分割结果；在图3(a)、图3(b)和图3(c)中分别显示了本发明与传统SLIC算法在边缘保留率、最大分割精度和欠分割错误率三个性能指标上的数据对比；实验结果验证了本发明提出的基于分配概率的超像素方法的有效性。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
