SLIC算法基于超级像素的图像分割方法
毕业论文关键词 超级像素 SLIC 阈值分割 区域增长
Title Image Segmentation Methods Based On Superpixels
Abstract As the resolution of images has increased abruptly in recent years, complexityand quantities of image processing has increased as well. The oversegmentationmethods with superpixels have been worn for the purpose of improving efficiencyof image processing aiming to high-resolution images. Superpixels has become thesignificant method of pre-segmentation, which means piding the image into a setof superpixels and using these superpixels as the primitive instead of traditionalpixels in image processing. In the case, efficiency of high-resolution-imageprocessing has sharply been improved. Among thousands of superpixel-segmentationalgorithms, SLIC algorithm stands out attributing to its characteristic ofsimplicity, guarantee of quality and only one parameter.The thesis give a detailed discription of SLIC algorithm first, including theprinciple and complexity comparison and analysis. Then, the implement oftranditional image segmentation applying superpixels as primitives is described,including threshold segmentation and region growing algorithm. In this section,the simple introduction of traditional image segmentation algorithms will befollowed by the concrete method of implements in superpixels. The experiments andresults analysis will be presented in the end.Keywords superpixel SLIC threshold region-growing
目次
1引言1
1.1研究背景与意义.1
1.2超级像素的研究现状.1
1.3传统图像分割算法概述.3
1.4本文的安排.4
2SLIC超级像素分割算法原理及超级像素特征提取.5
2.1SLIC超级像素分割算法原理5
2.2超级像素特征的提取.8
2.3SLIC算法实验及图像特征提取实验结果和分析8
3基于超级像素的阈值分割方法13
3.1全局阈值分割算法原理.13
3.2针对超级像素的全局阈值分割方法.14
3.3自适应阈值分割算法原理.15
3.4针对超级像素的自适应阈值分割.15
3.5超级像素阈值分割实验结果与分析.16
3.6对超级像素自适应阈值分割的改进及实验结果和分析.23
4基于超级像素的区域增长分割算法25
4.1区域增长算法原理.25
4.2超级像素区域生长方法.26
4.3基于RAG的最小拟合代价的区域增长.28
4.4超级像素区域增长实验结果与分析.30
4.5对区域增长的改进及实验结果和分析.37
结论40
致谢41
参考文献42
1 引言1.1 研究背景与意义随着科技的发展，人们对于多媒体效果的需求日益增长。同时，计算机技术和多媒体技术的不断发展导致图像作为直观的信息载体被人们广泛应用于多媒体处理。在图像处理的过程中，可以大致分为三个阶段：图像预处理、特征提取和图像理解[35]。图像分割在图像处理过程中属于关键性一步，其结果质量的好坏对图像处理的最终结果有着决定性影响。现有的图像分割方法有如下几类：基于区域的分割方法[1，2，5，6]、基于边缘的分割方法[1，2，3，5，6]以及结合特定理论的分割方法[1，2，5，6]等。另外，由于传统图像处理过程是以像素做为基本单位，随着图像分辨率的迅速提高，图像处理领域同样面临许多问题。其中便包括图像处理信息量大，数据收敛缓慢，导致计算效率不能满足需求。因此，超级像素的概念被引入且逐渐受到广泛应用。2003 年，XiaoFeng Ren 等人[24]最早提出了超级像素这一概念。超级像素，即是图像中具有相似颜色、纹理、质地等特征的像素集合成的小区域[14]。相比于像素来说，超级像素更符合人类处理图像时的视觉意义，能合理消除冗余无关像素对处理效率的影响。另外，以超级像素代替传统点像素进行图像处理也可以显著提高处理效率。随着对超级像素的研究，目前已经提出了几种不同的超级像素分割方法，但并不是所有的超级像素分割算法都能产生形状规则、边界保持完整且紧凑的超级像素。R.Achanta 等人在 2010 年提出的 SLIC 算法[33]可以产生符合上述要求的超级像素，因此被广泛认同为较好的超像素生成算法。本文详细讨论 SLIC算法的原理及实现，而后利用其产生的超级像素进行实现传统的图像分割算法。1.2 超级像素的研究现状以超级像素代替原始像素点作为图的节点进行图像处理可以减少无关信息的干扰、减少处理规模、提高处理速度，因此超级像素的概念及应用已被广泛应用到高分辨率图像处理的预处理阶段。超像素技术也被越来越广泛地应用到遥感图像处理[25]、深度估计[26]、图像分割[27,28]、骨骼细化[29]等众多领域。另外，在目标定位[31]和身体模型估计[30]方面超级像素也被深入研究并应用。将图像过分割成为超级像素的方法主要有以下两类：基于图论的方法和基于梯度上升的方法。基于图论的超级像素分割算法总的来说是对图像对应的带权无向图进行子图的分割。而基于梯度上升的分割方法则是通过迭代改进粗糙聚类的方法获得收敛的聚类集合。1.2.1 基于图论的方法基于图论的方法将图网络和目标函数结合产生最小割。首先将图像映射为一个无向图} i , , | ) , {( }, v | v { ), , ( 相邻 与 是图像像素 j V j V i v v E V E V G j i ,边的权重 w 为相邻节点在颜色、纹理等特征方面的相似度。图像分割的实质即为移除这个无向带权图中的特定边，将其分割为若干子图，使得子图内相似度最大，而子图间相似度最小。比较著名的基于图论的方法主要有： Graph-based image segmentation[13]方法， Normalized cuts[21]方法， Superpixel Lattices[10]方法。1.2.1.1 Graph-based Segmentation 方法Graph-based Segmentation[13]（GS04）是基于图节点进行聚类的。图像映射的无向图中的边的权值代表不相似度，根据边的权值进行节点的合并。最终生成的像素集合的最小生成树就是超级像素。该算法复杂度为O NlogN ，执行速度较快，但不能控制产生的超级像素数目。1.2.1.2 Normalized cut方法Normalized cuts[21]（NC05）提出一种新型的 Ncut函数表示子图间不相似度。这种方法有效改善了最小割方法中产生单个节点或少量节点簇的情况。该算法综合考虑了图像的全局信息和局部信息，不会因为单个节点间的边数最少而分割出单个节点。该算法的计算复杂度为O N32，N 为像素点数。算法输入一个值 K 用于避免过度分割，可以控制超像素数目，且最终得到的超像素形状规则、紧凑。1.2.2 基于梯度上升的方法基于梯度上升的方法是在开始首先获得一个粗糙的聚类，然后不断利用梯度上升的方法迭代更新聚类，直到最后收敛得到正确分割。如今利用较为广泛的基于梯度上升的方法主要有：Watershed segmentation[22]方法、Quick shift[17]分割算法、Turbopixels[32]方法。1.2.2.1 Watershed segmentation 方法Watershed segmentation[22]（WS91）的基本思想是把梯度图像看做地形学上的拓扑地貌，每一个点像素的梯度作为其海拔，一个局部极小的像素和其邻域范围作为一个盆地，盆地边界为分水岭。分水岭的计算过程是一个迭代标注过程。L.Vincent 提出了分水岭的经典计算方法[22]，在该方法中，分水岭计算分为排序过程和渗入过程两个步骤。Watersheds 算法的优势是可以获得微弱边缘的良好响应且保证封闭连续边缘，缺点是图像噪声和细节信息等影响该算法产生过分割。1.2.2.2 Quick-shift方法Quick shift[17]（QS08）分割算法也是一种基于梯度上升的分割方法。在特征空间中，梯度上升的轨迹是向其最近的相邻节点方向移动以增加帕森密度估计值，通过不断促进像素特征空间中每个数据点来实现图像分割。该算法优点是不需要迭代；缺点是不能固定产生超级像素的形状和数量，且超级像素的紧凑度较差。1.2.2.3 Turbopixel 方法Turbopixels[32]方法（TP09）是一种基于几何流的水平集超级像素生成算法，可以较快执行。几何流可以平均分配超级像素，依赖于局部梯度。该算法通过膨胀初始化种子点，并结合曲率演化模型和背景区域的骨架化过程，将图像分割为网格状的超级像素[37]。TP09 的复杂度近似为 O(N)。但在实际表现中，TP09 是最慢的算法之一。并且，TP09生成的超级像素过于规则和紧凑，使得它对图像边界保持的相对不好。