论文部分内容阅读
随着图像数据量的海量增长,基于像素对图像进行处理的传统分割算法越来越不能满足日常处理的需求。为了能够有效处理这些海量图像数据,超像素的概念被提出。超像素是指一组在感知上一致的像素点连接成的局部区域,且超像素彼此之间不产生重叠。超像素将具有相近视觉表示的像素点进行组合表示,从而有效减少信息冗余,大大降低了计算和存储的成本,帮助提高后续处理效率。近年来,大量的超像素生成算法被提出。其中简单线性迭代聚类算法（Simple Linear Iterative Clustering,SLIC）和简单线性非迭代聚类算法（Simple Non-iterative Clustering,SNIC）是应用最广泛的超像素分割算法,但它们仍存在有待改进的地方。一方面仅依赖颜色特征和空间特征对像素进行区分,导致算法对边界点的区分能力弱且对背景细节不敏感;另一方面由于它们基于的K-means算法本身具有一定的局限性而导致算法分割性能难以提高。针对这两个方面的问题,本文主要做了以下两个工作:（1）提出了一种多特征非迭代超像素分割算法（Multifeature Non-iterative Superpixels Segmentation,MNSS）。首先,算法增强了像素点的特征表示。该算法引入颜色梯度特征和形态学轮廓特征,增强了算法对细节处颜色变化的敏感度和对目标边缘的贴合能力。其次,该算法由聚类中心往其四邻域进行类别标记,以非迭代的方式完成超像素分割。最后,在BSDS500公开数据集上对该算法进行评估。实验结果表明,该算法达到了预期的效果,且相较于其他对比算法,表现出了良好的分割性能。（2）提出了一种基于局部特征重缩放的超像素分割算法（LRe Lab＿MNSS）。首先,针对基于K-means的超像素分割算法对大小不均簇分割性能不佳的缺陷,提出了一种特征重缩放操作。特征重缩放操作基于特征的密度分布进行重缩放,从而得到大小相对均匀的数据簇。其次,根据实现方式的不同衍生了两种特征重缩放方法:全局特征重缩放方法（Re Lab）和局部特征重缩放方法（LRe Lab）,并通过实验验证了这两种特征重缩放方法对K-means算法改进的有效性。最后基于局部特征重缩放操作,提出了LRe Lab＿MNSS算法。在BSDS500公开数据集上对算法性能进行比较,结果显示,在时间复杂度相近的情况下,提出的LRe Lab＿MNSS算法分割性能更优。