一種基于高斯溷合模型的距離圖像分割算法

1、 向日華 等:一種基于高斯混合模型的距離圖像分割算法 2.6 處理Jump點(diǎn) 1255 如前所述,圖像中還剩一些 Jump 點(diǎn)未分配區(qū)域標(biāo)號(hào).由于此時(shí)區(qū)域分割的大局已定,我們直接按 K-NN 原則 給這些 Jump 點(diǎn)分配其八鄰域中最多的標(biāo)號(hào),即若 Jump 點(diǎn)的八鄰域皆為 Jump 點(diǎn),則該點(diǎn)不合并,作為非區(qū)域散 點(diǎn)保留;若 Jump 點(diǎn)的八鄰域存在有效區(qū)域點(diǎn),則給它分配有效區(qū)域標(biāo)號(hào)最多的標(biāo)號(hào). 我們最后簡(jiǎn)單地小結(jié)一下算法步驟: (1 指定距離值門(mén)限 Tjump,在全圖中分辨出 Jump 點(diǎn)(距離跳變點(diǎn); (2 指定距離門(mén)限 Tpoint 和窗口尺寸 M,逐像素計(jì)算距離圖像中的法向矢量,并歸

2、一化; (3 指定最大類(lèi)別數(shù) Kmax,最小法向角度差 Tangle,在聚類(lèi)合并策略中用 EM 算法從抽樣數(shù)據(jù)中估計(jì)多個(gè) 高斯混合模型; (4 從估計(jì)出的多個(gè)模型中根據(jù)改進(jìn)的 BIC 準(zhǔn)則挑選一個(gè)作為模型輸出結(jié)果,將圖像中所有非 Jump 點(diǎn)按 照特征空間歐氏距離最近聚類(lèi),形成初始分割; (5 指定區(qū)域最小面積門(mén)限 Tarea,進(jìn)行區(qū)域合并; (6 處理 Jump 點(diǎn). 3 實(shí)驗(yàn)結(jié)果 實(shí)驗(yàn)中的真實(shí)距離圖像來(lái)自于美國(guó)南佛羅里達(dá)大學(xué)的距離圖像分割比較工程6.該工程提供 ABW 結(jié)構(gòu)光 相機(jī)距離圖像和 PERC 激光雷達(dá)距離圖像,并且還發(fā)展了一套距離圖像分割算法的客觀評(píng)價(jià)方法.它以人工分 割的圖像作

3、為標(biāo)準(zhǔn)分割圖像(稱(chēng)為 Ground-Truth,按照算法分割結(jié)果中的區(qū)域與 Ground-Truth 圖像中對(duì)應(yīng)區(qū)域 的匹配程度,將算法分割結(jié)果中的區(qū)域分為 5 類(lèi):正確分割區(qū)域、過(guò)分割區(qū)域、欠分割區(qū)域、漏分割區(qū)域和噪 聲區(qū)域,然后根據(jù)這 5 類(lèi)區(qū)域的平均數(shù)目進(jìn)行算法比較.進(jìn)一步的信息參見(jiàn)文獻(xiàn)2,6. 算法實(shí)驗(yàn)參數(shù)針對(duì) ABW 圖像取值為 Tjump=10,Tpoint=10,M=19,Kmax=20,Tangle=8,Tarea=200;針對(duì) PERC 圖像取值為 Tjump=12,Tpoint=10,M=19,Kmax=20,Tangle=12,Tarea=250.實(shí)驗(yàn)結(jié)果與幾種流行算法進(jìn)

4、行了客觀比 較,平均結(jié)果如圖 4 和圖 5 所示.圖中從左到右依次為正確分割區(qū)域、過(guò)分割區(qū)域、欠分割區(qū)域、漏分割區(qū)域 和噪聲區(qū)域的平均數(shù)目,其中 GMM 表示本文的基于高斯混合模型(Gaussian mixture model的算法,比較容忍度 為 80%時(shí)的平均結(jié)果的數(shù)值見(jiàn)表 1 和表 2. Average correct detections 14 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.5 0.6 0.7 0.8 0.9 1 12 GMM UE USF WSU UB Average under segmentations 16 0.9 Average over

5、 segmentations 1 0.8 GMM UE USF WSU UB 10 0.6 8 6 4 0.5 GT-Reg GMM UE USF WSU UB 0.6 0.7 0.8 0.9 1 0.4 0.2 0 0.5 0.6 0.7 0.8 0.9 1 Tolerance 11 Tolerance GMM UE USF WSU UB 10 Tolerance GMM UE USF WSU UB Average missed regions Average noise regions 0.7 0.8 0.9 1 10 9 8 7 6 5 4 3 2 1 0.5 9 8 7 6 5 4 3

6、 2 1 0.6 0.5 0.6 0.7 0.8 0.9 1 Tolerance Tolerance Fig.4 Average results of five algorithms on 30 ABW test images 圖 4 5 種算法分割 30 幅 ABW 測(cè)試圖像的平均結(jié)果 1256 16 Journal of Software 軟件學(xué)報(bào) 2003,14(7 Average over segmentations Average correct detections 1.8 1.6 1.4 1.2 1 14 12 10 8 6 4 2 0.5 0.6 0.7 0.8 0.9 GT-

7、Reg GMM UE USF WSU UB GMM UE USF WSU UB Average under segmentations 1.2 1 GMM UE USF WSU UB 0.8 0.6 0.4 0.8 0.6 0.4 0.2 0.5 0.6 0.7 0.8 0.9 1 0.2 1 0 0.5 0.6 0.7 0.8 0.9 1 Tolerance 12 Tolerance GMM UE USF WSU UB 11 Tolerance GMM UE USF WSU UB Average missed regions Average noise regions 0.7 0.8 0.9

8、 1 10 9 8 7 6 5 4 3 2 1 0.5 10 8 6 4 2 0.5 0.6 0.6 0.7 0.8 0.9 1 Tolerance Tolerance Fig.5 Average results of five algorithms on 30 ABW test images 圖 5 5 種算法分割 30 幅 ABW 測(cè)試圖像的平均結(jié)果 Table 1 Average results of five algorithms on the ABW images at 80% compare tolerance 表 1 5 種分割算法在比較容忍度為 80%的情況下對(duì) ABW 圖像的

9、平均結(jié)果 Algorithm USF WSU UB UE GMM GT regions 15.2 15.2 15.2 15.2 15.2 Correct detection 12.7 9.7 12.8 13.4 12.2 Angle difference (standard deviation 1.6(0.8 1.6(0.7 1.3(0.8 1.6(0.9 5.7(6.5 Over segmentation 0.2 0.5 0.4 0.4 0.2 Under segmentation 0.1 0.2 0.1 0.2 0.3 Missed 2.1 4.5 1.7 1.1 2.1 Noise 1.

10、2 2.2 2.1 0.8 2.2 Table 2 Average results of five algorithms on the PERC images at 80% compare tolerance 表 2 5 種分割算法在比較容忍度為 80%的情況下對(duì) PERC 圖像的平均結(jié)果 Algorithm USF WSU UB UE GMM GT regions 14.6 14.6 14.6 14.6 14.6 Correct detection 8.9 5.9 9.6 10.0 8.4 Angle difference (standard deviation 2.7(1.8 3.3(1.

11、6 3.1(1.7 2.6(1.5 2.6(1.3 Over segmentation 0.4 0.5 0.6 0.2 0.5 Under segmentation 0.0 0.6 0.1 0.3 0.2 Missed 5.3 6.7 4.2 3.8 5.1 Noise 3.6 4.8 2.8 2.1 4.4 4 算法總結(jié) 根據(jù)性能評(píng)價(jià),對(duì)比 WSU 算法 (也是基于聚類(lèi)技術(shù)的方法,本文的算法所有性能都要好一些,而且聚類(lèi)計(jì)算 的次數(shù)要少一半以上.對(duì)比 USF,開(kāi)始比較容忍度較寬松時(shí),USF 正確分割多,對(duì)于噪聲較大的 PERC 圖像,當(dāng)比較 容忍度較嚴(yán)格時(shí)(達(dá)到 80%及以上,USF 算法的性能下降很快,而本算法性能下降緩慢,且正確分割數(shù)目開(kāi)始比 它多了,幾乎達(dá)到最好的 UE 算法的性能,也就是說(shuō),本算法分割出來(lái)的區(qū)域比 USF 分割的區(qū)域要準(zhǔn)確,說(shuō)明基于 聚類(lèi)技術(shù)的分割算法確實(shí)比基于區(qū)域生長(zhǎng)的算法對(duì)于數(shù)據(jù)全局的把握要準(zhǔn)確一些 ,受噪聲干擾要小一些 .即使 對(duì)比性能最好的 UE 算法,本文的性能也差得不遠(yuǎn),仔細(xì)分析了我們的算法分割錯(cuò)誤的區(qū)域,主要是由于聚類(lèi)算 法收斂時(shí)未收斂到全局最優(yōu)導(dǎo)致的欠分割區(qū)