基于超像素聚類的圖像分割方法研究.pdf

1、圖像分割作為機器視覺領(lǐng)域一個傳統(tǒng)的研究方向，在圖像處理和模式識別中也占有重要地位。它是一種將圖像劃分成多個具有相同特性但互相不重疊的區(qū)域、并從中提取所需目標的技術(shù)。在圖像分割的基礎(chǔ)上，不僅能夠方便目標的提取以及參數(shù)測量，并且方便進行更高層次的圖像分析和理解。目標分割效果的優(yōu)劣，對識別率有重大的影響。
　　為了解決普通超像素圖像分割算法分割效果不理想、運行速度慢、且不能達到實時應(yīng)用的現(xiàn)狀，現(xiàn)得到一種新的圖像分割算法——改進的SLIC

2、AP方法，它是簡單線性迭代聚類(Simple Linear Iterative Clustering，SLIC)超像素算法和近鄰傳播(Affinity Propagation，AP)聚類算法的有效結(jié)合。
　　SLICAP方法首先利用SLIC算法對圖像進行過分割，得到超像素;然后本研究改進關(guān)于超像素的相似性矩陣的構(gòu)建方式，將色彩特征和紋理特征通過相似性矩陣的非對稱性融合在一起;接著基于相似性矩陣通過AP算法對超像素聚類;最后，本文加

3、入超像素的空間信息，借助廣度優(yōu)先遍歷，將不連通的區(qū)域劃分為不同類別的超像素組，達到分割圖像的目的。
　　為了改進得到最合適SLICAP算法的相似性矩陣，本文設(shè)計三種構(gòu)建相似性矩陣的方法，并進行實驗。在伯克利分割數(shù)據(jù)庫(Berkeley Segmentation Dataset，BSD)中，發(fā)現(xiàn)SLICAP改進后與經(jīng)典方法相比，收斂速度快，分割效果好，且不需設(shè)置目標數(shù)量。在基于邊界及區(qū)域評價準則的實驗中，取得非常滿意的結(jié)果。