畢業(yè)論文-超像素圖像處理

HUNANUNIVERSITY畢業(yè)論文論文題目超像素圖像處理學生姓名學生學號專業(yè)班級自動化1104班學院名稱電氣與信息工程學院指導老師學院院長200年月日第頁第一章緒論隨著科學技術(shù)的發(fā)展，圖像處理技術(shù)在近幾十年來取得了重大的進步，并且，作為信息處理的一個方向，對人們的生活產(chǎn)生了越來越大的影響。我們?nèi)粘Ｉ钪兴褂玫氖謾C和電腦等工具，都帶有完整的圖像處理系統(tǒng)，為圖片提供了像照片防抖、風格變化、圖像銳化等功能，給人們生活帶來了許多的方便。所以，圖像處理技術(shù)的進步對人們生活質(zhì)量的提高有很大的意義。1.1課題的提出背景及意義計算機視覺技術(shù)是圖像處理的一個重要的研究方向，它是利用攝像機拍攝到的圖像視頻等，通過計算機內(nèi)部相關(guān)處理轉(zhuǎn)換成數(shù)學模型，以此來代表真實世界的信息，之后通過計算機理解和計算分析該數(shù)據(jù)，做出相應的回應。這項技術(shù)具有重要意義，它能讓計算機在某些方面代替人類大腦并進行場景分析計算，做出智能判斷。在日常生活或者國防事業(yè)中，計算機視覺技術(shù)發(fā)揮了重要作用。例如，生活中的指紋識別鑰匙，體感游戲，馬路上車牌識別等，國防中的可以用來識別敵我飛機等。所以，計算機視覺技術(shù)對改變?nèi)藗兩钌钸h影響，因此，計算機視覺技術(shù)的研究非常有意義。圖像分割技術(shù)是計算機視覺技術(shù)的重要基礎。人們通過眼睛觀察一幅圖像，通常只對圖像中的某些部分感興趣，而這一部分的圖片通常是整個圖像中的某一個或多個具有特殊性質(zhì)的或者特定的區(qū)域，我們稱之為目標區(qū)域，其他區(qū)域則被稱為背景區(qū)域。在圖像處理中，我們需要將圖像中的不同區(qū)域分割開來，使我們感興趣的區(qū)域獨立，這就是圖像分割中所要解決的問題。圖像分割已經(jīng)稱為計算機視覺技術(shù)中一個非常關(guān)鍵的問題，但同時，也是一個傳統(tǒng)難題。超像素生成技術(shù)是將圖像中具有相似性質(zhì)得以一些點進行聚類，以此來將圖像過分割的一種分割技術(shù)。傳統(tǒng)的圖像處理技術(shù)幾乎都是以像素為基本單位來進行圖像處理，用一個二維矩陣來存儲一張圖片各像素點的灰度。可是，這樣的處理技術(shù)往往忽略了一些相鄰像的具有具有共同特性的像素點之間的聯(lián)系，所以在處理圖片是，時間復雜度往往較高，而且運算比較復雜。我們以一張720P圖像為例，它的大小是1280*720，那么它有921600個像素。我們以這樣大小的圖像視頻多對象識別為例。如果我們對每個單獨的像素進行處理，那么遍歷一張圖片一次需要近百萬次處理，這樣的處理效率完全不能達到視頻對象處理中的實時性。所以超像素生成法作為圖像處理的預處理步驟，具有非常重大的意義。1.2超像素生成的歷史及研究現(xiàn)狀2003年，在計算機視覺會議期刊上發(fā)表的一篇關(guān)于利用分類模型進行圖像分割的文章中，RenX,MalikJ第一次提出了超像素的概念，之后，關(guān)于超像素的研究獲得了社會廣泛的關(guān)注。在圖像的一個閉合區(qū)域內(nèi)，有近似或者相同的紋理或顏色等特征的像素集合，被稱為超像素。在后續(xù)的對象分割和識別等圖像處理中，由于將多個相似的原始像素點用一個超像素表示，減少了圖像像素間的冗余度，從而使得圖像處理的計算復雜度有了很大的改善。從最初開始，發(fā)展到現(xiàn)在，人們已經(jīng)提出了很多種超像素生成算法，給圖像處理領(lǐng)域帶來了很大的便利。現(xiàn)在人們在越來越多的研究中，使用超像素生成的方式對圖像做第一步處理，并且很大程度上降低了后處理的難度。目前最常用的方法概括起來分為兩大類：基于梯度下降的方法；基于拓撲圖的方法?；谔荻认陆档姆椒ㄓ校悍炙畮X算法，均值漂移算法，快速漂移算法，SLIC算法等。這些算法都采用不同的分割方式，但是采用的都是基于梯度進行分割和像素點類聚的做法。基于拓撲圖的方法主要有：有效圖割法，NormalizedCuts算法，SuperpixelsLattices算法，他們都是基于將像素點構(gòu)成一個Graph進行分割。生成圖像的超像素，是去除圖像像素之間的冗余的一種非常有效的方法，已經(jīng)運用在很多圖像的后處理中，在計算機視覺領(lǐng)域發(fā)揮了重要作用。比如：行為識別，顯著性檢測，目標跟中，Grabcut彩色圖像分割等。由于它的優(yōu)良特性，所以在計算機視覺識別領(lǐng)域受到越來越廣泛的關(guān)注。但是，目前的方法還是有很大的限制，幾乎都只適用于特定的場景，目前還沒有一種通用的方法，因此，有必要繼續(xù)進行超像素的研究。接下來本文將介紹幾種基于梯度下降的方法1.3本文研究的課題及章要安排本文主要研究部分是超像素圖像分割，主要是SLIC超像素分割算法。在論文中，我們介紹SLIC圖像分割的預處理步驟，并且具體的介紹了SLIC超像素分割法的具體算法以及他的優(yōu)缺點，并且在最后與其他算法進行了一定程度的對比，列舉了一些采用SLIC分割法處理過的圖片。在最后本文還介紹了一種基于SLIC的超像素快速彩色傳遞算法。本文一共分為4章，章節(jié)安排如下：：介紹了本文的研究背景及意義，總結(jié)了超像素發(fā)展的由來以及意義，并且介紹了超像素圖像分割技術(shù)的現(xiàn)狀，以及對本文的結(jié)構(gòu)做了安排。：介紹了幾種現(xiàn)存并且被使用的超像素分割方法，包括這些方法的算法思想，以及部分方法的算法步驟。：主要針對目前使用最廣泛的SLIC算法進行闡述，并介紹了一種基于SLIC的彩色傳遞算法，最后針對現(xiàn)有SLIC算法提出了一種改進的分割法：對超像素生成算法的各個方面進行了實驗，并從各個方面進行評價。第二章圖像超像素生成方法及應用2.1基于梯度下降的方法分水嶺算法：分水嶺算法是將一幅圖像的梯度矩陣抽象表示成一幅拓撲結(jié)構(gòu)圖，把每個點的梯度值看作是對應點的海拔高度。將梯度的局部最大值當做地形的山峰，最小值當做山谷。當水流入該地形時，會從高到低流下來，把山谷當做一個吸水盆地，那么每個吸水盆地之間的山脊就是分水嶺。將該模型向下浸水，在不同的吸水盆地之間就會形成分離的水面。這個算法就是在梯度圖中，通過浸水，找出那些相互分離的水面，找出兩個相鄰的吸水盆地之間的分水嶺，每一個吸水盆地都是一個超像素，分水嶺就是其邊緣。分水嶺算法被分為兩個過程，首先是對每個像素點的梯度進行排序，然后以梯度最小的點為起始進行標記，如果新加入的點周圍的8鄰域內(nèi)沒有已標記的點，則作為新標記的點處理，如果其八領(lǐng)域內(nèi)有兩個不相同的已經(jīng)標記的點，就把這個點作為分水嶺來處理。如此反復，直到最后每個像素點都被標記就可以得到超像素塊和分水嶺。在發(fā)展過程中，分水嶺算法經(jīng)過各種改進，目前已經(jīng)有多種版本，比如基于距離變化，基于梯度，還有基于標記。分水嶺算法的優(yōu)點是，算法簡單，邊緣追蹤能力強，計算復雜度低。但是由于在分割過程中，所有局部最小值點都形成獨立區(qū)域，如果沒有后續(xù)處理，會形成很多不必要的小區(qū)域，造成圖像超像素分割太過細致。均值漂移算法：均值漂移算法是不斷統(tǒng)計迭代變化聚類中心的一種算法，他的核心是在d維空間指定一個半徑是h的高維球，初始的聚類中心在空間中任取一點。根據(jù)這個中心點和半徑區(qū)域內(nèi)的所有點，求出均值漂移向量，然后把這個向量的終點當做圓心，再做一個高維球。經(jīng)過反復迭代，高維球就會慢慢的收斂到概率密度最大的區(qū)域，通過這種方法找出屬于這類的所有點，以此生成超像素。均值漂移算法具有較好的穩(wěn)定性，然而迭代過程耗時很多，速度也慢，而且分割效果不理想，容易出現(xiàn)過分割的情況?？焖倨扑惴ǎ哼@種算法讓像素的梯度點移動至使該類密度變化最大的最近像素點，實現(xiàn)快速類聚，以此得到超像素塊。這種方法的聚類中心移動速度快，能更快的到達收斂中心，時間復雜度低。但是，生成的超像素均勻性不好，并且不能控制生成超像素的個數(shù)。SLIC算法：這種算法首先將圖像從RGB空間轉(zhuǎn)換到LAB空間，之后設置聚類中心的位置，同時對中心附近的點進行距離和顏色特征進行聚類，生成超像素。關(guān)于SLIC的具體算法，本文將在后面進行詳細的交代。2.2基于拓撲圖的方法有效圖割算法：有效圖割算法主要是把圖像的每一個像素點和它的八領(lǐng)域內(nèi)的點根據(jù)顏色空間距離，構(gòu)成無向權(quán)圖，之后構(gòu)建最小生成樹，以此生成超像素。算法流程如下：把每個像素點都抽象成Graph里面的一個節(jié)點，在它的八領(lǐng)域內(nèi)構(gòu)建無向權(quán)的Graph，權(quán)值集合是F；把所有的權(quán)值通過單調(diào)遞增的順序進行排列；從一種分割方法S0開始，所有的定點Vi都在它自己擁有的部分內(nèi)；根據(jù)Sp-1建立Sp。讓Vi和Vj表示和第P條變連接的節(jié)點。如果Vi和Vj位于SP-1中的解體部分，而且W（OP）比兩部分的內(nèi)類差異小，就把兩部分合并，否則，不做處理；重復（4）（5），直到所有的點都被處理完成。這種超像素生成算法運行速度非常快，但是無法控制生成的超像素的個數(shù)以及緊湊程度。NormalizedCuts算法：這種算法最初僅僅考慮了讓分割代價函數(shù)最小的方式，卻忽略了分割離散點也能導致代價函數(shù)取得最小值，從而導致不能得到最佳分割，因此這種算法有了重大的缺陷。后來人們經(jīng)過改進，對算法的相似度度量標準以及最小割部分進行修改，通過處理，有效的避免了前述的缺陷，使得該算法能得到較好的分割效果。算法流程如下：建立一個加權(quán)圖，計算所有邊的權(quán)重，并且把信息記錄在矩陣V和D中；求出線性方程組的特征向量和特征值；將特征值從大到小排序，倒數(shù)第二個值得特征向量為準，將圖M分成兩個子圖；判斷所有子圖中最小Ncut值，看它們是否小于閾值門限NT，如果小于，繼續(xù)進行分割；重復步驟（4），一直到所有的Ncut都大于NT。在這種方法中Ncut值得大小與切割值大小成正比，這表明graph中的具有相似形狀節(jié)點被分到同一類的概率越大，超像素分割的越好。但是，隨著圖像的增大，構(gòu)建的graph中節(jié)點越多，計算難度會大大增加，使得求解變得非常困難。Superpixelslattices算法：這種算法通過最初網(wǎng)格劃分，在這個網(wǎng)格限定區(qū)域所形成的graph內(nèi)尋找一條最適合的分割路徑，通過反復求取分割路徑，來實現(xiàn)分割，最終得到超像素。網(wǎng)格里面的路徑在尋找的過程中，避開了權(quán)值很高的邊，所以用這種算法生成的超像素，能很好地保存圖像的整體性。算法流程如下：給出一幅圖像，根據(jù)已經(jīng)設定的超像素個數(shù)，將圖像進行初始的網(wǎng)格劃分；由圖像創(chuàng)建graph，像素點就是graph的節(jié)點，相鄰的像素點間的距離用顏色的歐式距離表示節(jié)點間的權(quán)值；在水平和垂直的兩個方向網(wǎng)格限定范圍之內(nèi)尋找最短路徑，并且所有的垂直和水平路徑都只能交叉一次，所有水平和垂直路徑之間不能相交，這樣，一定會有一條路徑能將圖像二分；在垂直和水平區(qū)域的網(wǎng)格內(nèi)重復步驟（3），直到將所有網(wǎng)格區(qū)域都進行劃分；雖然這種分割方法有良好的分割效果，但是他的分割質(zhì)量十分依賴于圖像的邊界圖。2.3超像素的應用研究現(xiàn)狀超像素算法提取圖像中的感知有意義的區(qū)域，能用來取代剛性結(jié)構(gòu)的像素網(wǎng)格，用超像素進行操作，能加快很多以像素為單位的算法，也有可能改善處理結(jié)果。在現(xiàn)有的圖像分割算法中，很多基于圖論的分割方法，分割成本隨著節(jié)點的增加而增加，所以這些算法對于其處理的圖像的尺寸有要求。但是，很多情況下，都需要處理很多大型的圖片，采用基于像素網(wǎng)格的分割方法處理非常困難。但是，采用SLIC方法把圖像分割為超像素，再把超像素看做圖中的所有節(jié)點，以此實現(xiàn)圖像分割。這樣可以降低圖像的復雜程度，使分割變得更容易。在進行人體姿勢估計時，可以先把圖像分成比較大區(qū)域，定位人體的四肢關(guān)節(jié)等，并檢測出人體輪廓，最后把人體各部分組合起來。用超像素做前期處理，可以提高搜索的效率和準確率。在進行目標跟蹤時，能用一種基于超像素的外觀判別模型，使跟蹤器經(jīng)過中間級線索，區(qū)別背景和目標。跟蹤任務就轉(zhuǎn)變成求一個背景-目標的信任值，隨后通過最大后驗估計得到最好的候選結(jié)果。這個算法對跟蹤過程中出現(xiàn)的目標遮擋形變等問題有較好的處理效果。超像素圖像分割目前還能被用于許多其他場合如場景分類等，在此不多做敘述。2.4小結(jié)本章介紹了目前比較常見的幾種分割算法，按照基于梯度算法、基于拓撲圖的方法將其進行分類介紹，并對其進行了一定的講解，為讀者了解超像素生成提供了較好的參照。現(xiàn)有的分割方法都有各自的優(yōu)點和缺點，因此選擇適當?shù)膶ο蟛捎眠m當?shù)姆椒@得非常重要。第三章SLIC超像素分割SLIC方法是目前生成超像素的最優(yōu)算法，這個方法通過改進K均值聚類法，用LAB顏色空間和x,y坐標將像素聚類。生成的超像素具有很好的緊湊性，分割邊界精度高，并且能控制生成的超像素的個數(shù)，速度快，大大的提高了分割性能。但是這個方法仍然存在問題，在K均值迭代聚類法中，如果在迭代過程中出現(xiàn)了像素錯誤分類的情況，那么這個錯誤會一直延續(xù)下去，最終會導致生成錯誤的超像素。在下一章，本文將提出對SLIC法的改進。3.1SLIC分割法3.1.1LAB顏色空間在進行色彩傳遞時，顏色空間的選擇很大的影響了算法傳遞的效果，一般色彩傳遞使用的是L*a*b*色彩空間，a*代表紅綠信息，b*代表黃藍信息，L*則代表圖像的亮度信息。這個顏色空間的三個分量近似垂直，能夠極大的減小各個分量之間的影響。這個算法的很大一部分都是在l*a*b*顏色空間基礎上進行的。在進行顏色處理之前，圖像必須從RGB空間轉(zhuǎn)換到l*a*b*空間：從RGB空間到LMS空間從LMS空間到L*A*B*空間(3)圖像處理后，要將其從LAB空間重新轉(zhuǎn)換為LMS(4)最后從LMS空間轉(zhuǎn)換到RGB3.1.2基于SLIC的超像素分割Achanta以及其他工作者提出了這種運算方便、思想簡單的算法，首先將圖像轉(zhuǎn)換到LAB顏色空間和X、Y坐標空間的五維空間向量，然后對這種五維向量構(gòu)造標準進行度量，之后對圖像的像素進行聚類。它的算法思想是：對種子點進行初始化。將圖像的像素點個數(shù)設為N，分割的超像素個數(shù)是K，則每個超像素都有N/K個像素點，相鄰種子點的距離可近似為。種子點不能是邊緣點，所以，要把它移動到它的8鄰域內(nèi)梯度值最小出，并且要給種子點分配標簽。衡量相似度。分別計算所有像素點和與之距離最近的種子點的相似度，之后將其歸類給相似度最高的種子點。不斷地進行迭代，知道收斂，下面給出相似度衡量關(guān)系：Dxy代表像素點的空間距離，dlab代表像素點之間顏色的差異，Di則代表他們的相似度，該值越大，則相似度越高；m代表平衡參數(shù)，S代表種子點間距。對所有的種子點進行聚類時，為了提高運行速度，只需在以種子點為中心的區(qū)域里面進行搜索，尋找相似像素點，而不是整幅圖。如圖：圖3.1圖3.2圖3.1是在整幅圖中進行搜索，圖3.2則是在固定區(qū)域中進行搜索。為了清晰的表現(xiàn)出整個SLIC超像素分割的過程，我們選取了圖3.3進行操作，并列舉了具體步奏處理后圖像的變化。在經(jīng)過不同的處理階段之后，圖片會出現(xiàn)相應的不同之處，如下圖：圖3.3圖3.4圖3.3為待處理的目標圖像，經(jīng)過在色彩空間進行轉(zhuǎn)化之后，變成了如圖3.4所示，如此就完成了我們進行圖像分割的預處理步驟。隨后，由上述步驟，我們得到種子點的信息，由于信息太過復雜，在此不做列舉。隨后，根據(jù)種子點計算超像素分區(qū)，顯示出處理后的圖片，如圖3.5：圖3.5圖3.6最后我們合并小的區(qū)域，并根據(jù)得到的分區(qū)尋找邊界，并將圖像的色彩信息給予圖像，最后顯示出分割后的圖像。比較土3.5和圖3.6，圖3.5中的大輪廓都可以在圖3.6中顯示出來，而中間小熊頭部毛發(fā)的區(qū)域，由于區(qū)域太小，線條太復雜，在生成超像素的時候，對其進行合并，就成了圖3.6所示。3.1.3SLIC算法實驗及其評價為了對SLIC算法在不同的圖像中的具體應用做出評價以及總結(jié)，我們尋找了一些圖像進行相關(guān)的處理并進行比較。在下面的圖像處理過程中，我們分別選取不同的超像素個數(shù)處理圖像：圖3.7圖3.8圖3.9圖3.10在上圖中，我們分別選取500,1000,2000為超像素的生成個數(shù)。在圖3.3中我們可以看到這幅圖具有很復雜的線條關(guān)系，因此首先我們選擇500個超像素生成個數(shù)，可以看到，在圖3.4的中心區(qū)域以及右上角等線條復雜的區(qū)域，很多線條邊界都沒有找到。因此我們將超像素個數(shù)增加到1000，當個數(shù)增加到1000個之后，我們可以很明顯的看到，在圖3.5各種線條幾乎都能被追蹤。可是，另一方面，我們卻發(fā)現(xiàn)，很多顏色幾乎沒有變化的區(qū)域也被分為多部分。這種情況，在圖像分割中，經(jīng)常會出現(xiàn)，如果現(xiàn)象不是太過嚴重，對后續(xù)的圖像處理不會造成太大的影響。但是，如圖3.6中，如果超像素個數(shù)選取的過多，則會分割的過度細致。我們選取左上角和中心一塊進行放大對比：圖3.11圖3.12圖3.13圖3.14在圖3.8中區(qū)域，顏色幾乎沒有變化，也就是說，在分割超像素的過程中，可以將其分割為一個整體，以減少后續(xù)處理量，而在分割過程中，卻被分割成了很多塊。再觀察圖3.4，卻很少出現(xiàn)整塊被分割的現(xiàn)象。圖3.9和3.10分別是圖3.4和圖3.5的中心區(qū)域進行放大后的情況，我們可以發(fā)現(xiàn)，很多在圖3.4中沒有找到的線條在3.5中都找到了。由于SLIC分割后的超像素塊中，所包含的像素個數(shù)都是一致，因此在分割過程中，很多本可以不用分割的區(qū)域即在一個包含像素非常較多但是線條卻比較簡單的區(qū)域被分割，而很多本應該分割的區(qū)域卻沒有分割。因此，對于不同的圖像，分割個數(shù)的選取是非常重要的。當然，這方面的問題，僅僅靠選取超像素的個數(shù)是無法解決的，在分割效果以及后續(xù)處理速率和后續(xù)處理質(zhì)量之間的選取還需要根據(jù)具體情況衡量。3.2基于SLIC的色彩傳遞算法3.2.1自適應閾值當進行匹配計算，采用特征向量的距離計算方法時，一般選取兩個最小的特征向量，把它們用作匹配向量，然而，本算法是對不同的源圖像的整體亮度進行了閾值T計算：.Lt，at分別表示表示目標圖像的亮度均值和整體亮度方差，Ls，as分別表示源圖像的亮度均值和整體i亮度方差。n用來表示源圖像中的像素個數(shù)。3.2.2基于SLIC的色彩傳遞算法這種算法將目標圖像和原圖像都進行了超像素分割，近乎完整的包括了圖像的所有要素，以自適應閾值T為搜索標準進行搜索匹配，搜索速度更加塊，而且，效果更加好。算法如下：把目標圖像和源圖像都轉(zhuǎn)移到LAB顏色空間進行處理。用SLIC超像素分割法對兩幅圖像進行分割。對目標圖像的亮度做歸一化處理，保持兩幅圖的亮度在同一個區(qū)域，如果沒有對亮度進行處理，運行基本會失效。將超像素的中心點提取出來，并構(gòu)成樣本點集合，本文所列舉的算法用領(lǐng)域方差和樣本亮度代表圖像超像素的紋理特征；計算兩幅圖的相似性性。其中,分別表示目標圖像和源圖像的領(lǐng)域方差。Lt(q)和Lt分別表示目標圖像和源圖像的樣本亮度，K1，K2表示兩個特征向量的距離系數(shù)。在已經(jīng)選定的自適應閾值T的規(guī)定范圍內(nèi)，如果相似性距離最小，那么搜索就完成了。之后，將源圖像樣本點的相關(guān)信息匹配到目標圖像的樣本點。目標圖像將已經(jīng)獲取了彩色信息的樣本點當做種子，將種子像素的信息延伸至整個超像素中的其像素。將目標圖像的亮度信息恢復，將圖像從LAB空間轉(zhuǎn)換到RGB空間，完成了整個色彩傳遞。3.2.3SLIC超像素色彩傳遞算法性能比較傳統(tǒng)的色彩傳遞方法在傳遞過程中很容易導致目標圖像中出現(xiàn)小顆粒的椒鹽噪聲，雖然可以實行后期矯正，但是這樣既浪費時間又需要花費資金。本文所提出的方法是以SLIC超像素分割為基礎，不僅保證了像素點領(lǐng)域的相關(guān)性，也使得樣本點信息能夠保持完整，通過降低樣本點個數(shù)，既提高了運行速度，又提高了處理效果。固定閾值無法滿足不同的圖像對之間的有效傳遞，因此算法的閾值要根據(jù)實際情況進行改變?？筛鶕?jù)上述公式進行自適應調(diào)整，這樣可以讓圖像處理進行的更快，并且能保證圖像的主色調(diào)傳遞。在進行試驗時，人工設定的閾值不能超過自適應閾值，不然會在處理出現(xiàn)錯誤，比如整體色調(diào)被削弱，或者匹配錯誤，出現(xiàn)超像素噪聲等；如果人工設定閾值小于自適應閾值，會使得色調(diào)過于強烈，超像素噪聲也會隨之增加；而自適應閾值則能很好的適應不同的圖相對的傳遞。3.3改進SLIC算法針對目前SLIC存在的不足，可以利用sigma濾波器避免過多錯誤的迭代。傳統(tǒng)的濾波器是以窗口內(nèi)像素的灰度值和中心區(qū)域像素的灰度值比較接近的基礎上，把滑動窗口里面和中心像素的偏差小于兩倍方差的全部像素取平均值。并且對平均像素設置限定條件，以此來消除孤立噪聲點的影響。所以在經(jīng)過第一次迭代之后，將條件設置為假設窗口內(nèi)像素的矢量值和中心像素的矢量的關(guān)系α倍樣本方差內(nèi)，滿足這個條件就能讓聚類中心的模型更新，如果不滿足條件，就不能形成新的聚類中心，不能合并，需要尋找新的聚類中心，這樣就能完成新的聚類。將Gj范圍里面的所有彩色矢量取值為C1、C2、Cn，計算這些矢量值得均值。兩個矢量的相似距離為。其中表示兩個矢量模的距離。P表示夾角距離的權(quán)值和模的距離，范圍在0和1之間。表示兩個矢量之間的夾角距離，。樣本的標準偏差，所以能讓像素點更新的公式為，δ用來表示Gj內(nèi)，樣本像素的標準差。通過這樣的方法迭代更新，可以很大程度的改變原來聚類時出現(xiàn)的問題，新增加的限定條件，使得聚類更加準確。通過這種方法，修復在迭代過程前可能出現(xiàn)的錯誤。然而，對于最后一步，迭代后出現(xiàn)的孤立的點，出于對超像素大小必須一致的考慮，SLIC把他們的分配給距離他們最近的聚類中心，這樣的做法忽略了孤立點的特征，沒有考慮他們與聚類中心的相似性，導致生成的超像素的邊界不夠完美。因此，可以試著增加條件，利用兩個集群之間亮度的相似性來衡量合并的標準，以此代替相鄰集群之間尺寸的相似性。改進后的SLIC算法步驟：在實驗過程中，通過網(wǎng)格初始化聚類中心，首先將網(wǎng)格步長設置為,聚類中心，對每個像素的標簽進行初始化，距離。將聚類中心進行移動，使其到達8領(lǐng)域類梯度最低的位置。對于所有聚類中心的的區(qū)域內(nèi)，計算像素到空間的距離D，在更新聚類中心時，在條件中加入上面所述的附加條件。如果，而且色彩距離也滿足規(guī)定的要求，那么,隨后通過標簽記錄這個位置。重復執(zhí)行（3）（4），計算聚類中心，并以新的聚類中心取代舊的，同時計算殘余誤差，知道達到設置的閾值。迭代結(jié)束后，合并孤立點，圖像分割即完成。3.4實驗結(jié)果及分析本實驗中，使用了很多紋理色彩信息豐富的圖像進行處理對照，以此來比較改進后的算法與原SLIC算法之間的區(qū)別。改進算法步驟：第一步，進行非線性濾波。對濾波器進行參數(shù)設置：（1）將最大迭代次數(shù)設置為20次，如果次數(shù)超過20，效果不會有明顯的變化，并且浪費時間，如果迭代次數(shù)過小，則濾波效果會不明顯。（2）對濾波器的步長進行設置，濾波器的步長會影響圖像的邊緣保持效果，試驗中步長設置為0.1。（3）濾波尺度是用來控制圖像的平滑程度，如果取得過小，則圖像變化不明顯，如果取得過大，則會覆蓋一些圖像細節(jié)，本文將其設置為1.6。第二步，進行圖像分割，參數(shù)設置：將迭代次數(shù)設置為10次，如果迭代次數(shù)過大，則會出現(xiàn)聚類飽和，浪費時間；迭代次數(shù)過小，聚類效果又不會明顯。超像素的個數(shù)，本次實驗將兩個超像素的個數(shù)都設置為400，如果超像素的個數(shù)太多，不能體現(xiàn)超像素的高效率的特點，而且會出現(xiàn)分割過度的情況；超像素個數(shù)太少，又會導致邊界分割出現(xiàn)錯誤。緊湊度是用來控制超像素的形狀的量，緊湊度越大，則超像素的形狀越規(guī)則、統(tǒng)一，但是如果緊湊度超過一定的值，又會導致某些邊界被忽略；緊湊度過小，則會導致超像素形狀不規(guī)則，雜亂無章。所以，為了取得較好的實驗效果，本文取緊湊度為40.本實驗取α為5，α影響迭代更新的準確度，取值越大，則孤立點越多。本文列出了幾組圖像來進行對比分析原分割方法與改進后的方法的區(qū)別。圖3.15圖3.16圖3.17圖3.18如圖中3.11為原圖，我們將這些圖進行對比。3.13是按照原SLIC分割算法分割后的圖像，放大后管擦這幅圖，我們看到，在帽子區(qū)域，笑臉區(qū)域，以及圍巾區(qū)域這三個區(qū)域的分界線都沒有找到。采用改進后的SLIC算法進行分割時，如圖3.12，雖然找到了帽子上的輪廓，可是還是有許多邊界沒有找到。經(jīng)過平滑后，再次采用改進后的SLIC分割法進行處理，則能得到如圖3.14，不論是帽子，圍巾，還是笑臉的輪廓都被準確的尋找到了。圖3.19圖3.20圖3.21圖3.22圖3.16為圖3.15經(jīng)過SLIC分割后的圖像，在分割過程中，我們可以發(fā)現(xiàn)3.16的方法將船底和水面分割到一起，而且，在船頭分割時，將穿頭的一部分和河面分割到了一起。而在圖3.17中，使用改進后的SLIC算法可以看到，船底部分和水面的分割已經(jīng)很明顯了，很準確的將船和水的分界線找到但是，船頭部分仍然不夠好，在3.18中，經(jīng)過平滑處理后在分割，不僅船和水的分界線分割的很好，船頭分割的也非常完好。接下來，我們做出了超像素隨著其個數(shù)的增加對邊界命中率的影響，并做出了折線圖：-+圖3.23如圖3.23其中橫軸為超像素個數(shù)，縱軸為邊界命中率，紅色曲線表示平滑后的改進SLIC算法，綠色曲線為未平滑的改進SLIC算法，藍色曲線為普通SLIC算法。由圖中我們可以看出，隨著超像素個數(shù)的增加，改進后的SLIC算法相比原來邊界命中率更高，而且分割命中率也更高。在利用非線性邊緣濾波器對圖像進行處理之后，圖像的邊緣命中率再一次得到提高。但是，當超像素的個數(shù)達到一定的程度之后，兩種方法的邊界命中率就逐漸趨近相似。根據(jù)這個實驗的結(jié)果，我們可以從三個方面進行分析，分別是可視分割效果，邊界命中率和時間復雜度。本文的方法對色彩邊界和紋理不明顯的圖像處理的時候，效果更加顯著。由于本文所述方法是在迭代過程中重新計算距離，之后再進行分割聚類。并且，在讓分割效果更好的同時，并沒有太過增加處理所需要的時間，利用非線性濾波器可以在保留好邊界的同時去除了許多多余的紋理，在這個基礎上進行超像素分割，會發(fā)現(xiàn)產(chǎn)生的超像素形狀和可視性都非常好。能否準確的追蹤邊界，是圖像分割的一個非常重要的判斷依據(jù)，很大程度上影響了分割精度。上述的方法，無論各方面都比原有方法效果更好，說明本方法更具有優(yōu)勢。3.5本章小結(jié)本章詳細介紹SLIC超像素分割法并在此基礎上介紹了基于SLIC的色彩傳遞算法。在發(fā)現(xiàn)現(xiàn)有SLIC算法存在的問題后，提出了一種改進的SLIC算法，并將兩種算法進行了對比，得出結(jié)論改進后的SLIC算法，在各方面都更具有優(yōu)勢。第四章超像素生成算法評價超像素生成算法的評價主要是從邊界平滑性，超像素個數(shù)的可控性，邊界追蹤的準確性，算法難度等幾個方面。在本章中，我們對超像素算法的評價進行研究，并且利用上述指標對這種方法進行評價以及與現(xiàn)有的一些超像素算法進行對比。4.1超像素分割法的評價生成的超像素質(zhì)量高低主要取決于超像素對邊緣追蹤能力以及邊緣的平滑程度。本文對質(zhì)量的估計的指標是超像素生成的可控性和區(qū)域的平滑性。超像素生成算法的所有性能指標中，算法的復雜程度和生成超像素個數(shù)的可控性是兩個重要的指標。其中個數(shù)可控性可以在進行超像素分割時，根據(jù)實際圖像的大小，控制生成的超像素的個數(shù)，使得超像素分割的實用性得到很大的提高。而算法的復雜程度則影響著該算法的使用率和其能被使用的范圍，算法過于復雜，則只能用來處理較小的圖像。在前面介紹的超像素分割法中，僅有Graph-Based分割法生成的超像素個數(shù)是不能控制的，并且這種分割法算法比較復雜，復雜度為。而N-cut分割法的算法復雜度為，復雜度比較大，在需要高效率處理圖像時，不推薦使用該方法。而SLIC算法不僅生成超像素個數(shù)可控，而且算法復雜度比較低。超像素評價的另一個指標是所生成超像素區(qū)域的平滑性，這表現(xiàn)為所生成超像素邊界的平滑性。根據(jù)圖像大小和設定的超像素個數(shù)，計算出生成超像素的大小，假定這個大小是M*N。r表示模板尺度，模板尺度為，用這樣的標準來掃描整幅圖，之后統(tǒng)計每個模板中的標簽個數(shù)，得到直方圖。Ak表示像素的集合，Ni代表位于模塊中的所有點。如果直方圖處在同一個超像素里面，那么掃描的個數(shù)計為1，K表示直方圖中，直方圖條