吴实;熊淑华;李杰;吴小强;何小海
【摘 要】岩屑图像分割要求精度高、速度快和鲁棒性强.针对这些要求,提出了基于SLIC(simple linear iterative clustering)和动态区域合并的分割算法.SLIC算法能产生形状规则、大小均匀、排列紧凑的超像素区域;但是SLIC分割后的图像过分割问题严重,为了降低过分割率,提出了基于NNR的动态区域合并算法,将超像素区域进行相似性合并.实验结果表明,将该算法用于岩屑颗粒图像分割,能够取得较好的效果.
【期刊名称】《科学技术与工程》 【年(卷),期】2016(016)035 【总页数】6页(P238-243)
【关键词】岩屑图像;图像分割;SLIC;动态区域合并 【作 者】吴实;熊淑华;李杰;吴小强;何小海
【作者单位】四川大学电子信息学院,成都610065;四川大学电子信息学院,成都610065;四川大学电子信息学院,成都610065;四川大学电子信息学院,成都610065;四川大学电子信息学院,成都610065 【正文语种】中 文 【中图分类】TP391.41
图像分割是按照一定的相似性准则将图像分成若干个特定的区域,并提取出感兴趣区域的技术和过程[1]。在石油行业的录井工程中,岩屑图像分割结果的好坏直接
影响目标提取和识别效果等后续的处理[2];因此岩屑图像分割具有极其重要的研究意义。目前,国内外已经有的大量的分割算法,大致可分为基于边界检测、基于阈值、基于数学形态学和基于区域等分割算法[3]。
基于区域的分割方法是该领域的研究热点,SLIC[4]的超像素分割就是一种基于区域的分割算法。超像素具有边缘定位准确和计算复杂度低等优点,在计算机视觉领域越来越被广泛使用。针对超像素分割后存在的过分割问题,以及合并过程中的自适应性,本文提出一种基于SLIC和动态区域合并算法。该算法框图如图1所示。 超像素是由具有相似颜色、亮度和纹理等特征的相邻像素构成的图像块。因为超像素块包含图像的冗余信息,所以在很大程度上降低了后续处理的复杂度。目前主要的超像素分割算法有:J.Shi和J.Malik提出的归一化分割算法[5],Moorer等提出的超像素网格算法[6],Fukunaga和Hostetler提出的Mean shift算法[7]和由R.Achanta等提出SLIC算法[4]。由于SLIC方法计算速度快,形成的超像素区域具有高度的一致性,本文岩屑图像的初分割采用SLIC算法。
简单线性迭代聚类算法SLIC (simple linear iterative clustering),是由R.Achanta[4]等人提出的一种原理简单、实现简便、在局部进行比较计算的快速聚类算法。该算法通过计算像素之间颜色相似度和空间位置临近度进行聚类得到超像素分割结果,这一过程是在一个五维空间[l,a,b,x,y]中实现的,其中[l,a,b]为CIELAB颜色空间的色彩向量,[x,y]为像素的空间坐标位置。SLIC算法采用一种新的、归一化的距离度量进行图像的聚类,这种归一化的距离同时考虑到了颜色相似度和像素位置信息。
假定一幅图像有N个像素,设期望产生K个尺寸近似相同的超像素块,则每个超像素块包含N/K个像素。每个超像素块的网格宽度就是,即聚类中心之间的距离。在SLIC算法中,第k个超像素的聚类中心可描述为: Ck=[lk,ak,bk,xk,yk];k∈[1,K]
像素间颜色距离:
式(2)中,distlab表示像素之间颜色的差异,lk,ak,bk为聚类中心像素的各个颜色分量,li,ai,bi是在聚类中心2S×2S邻域范围内各像素的颜色分量。 像素空间距离:
式(3)中,distxy为空间位置的距离,xk,yk为聚类中心像素的横坐标和纵坐标,xi,yi是在聚类中心2S×2S邻域范围内各像素的横坐标和纵坐标。 归一化距离度量:
式(4)中,S为聚类中心间的距离,变量m为紧凑因子,用来衡量空间位置信息在计算颜色信息与空间信息的距离度量中所占的比重,控制超像素的紧密度,其值越大,表明越强调空间临近程度,从而聚类越紧凑。
Di为颜色距离与空间距离归一化后的和,表示两像素间的差异度,Di值越小,表明两个像素之间的差异度越小,相似度越高;差异度越大,相似度越低。
SLIC算法对岩屑图像进行超像素分割得到的图像过分割严重,为了降低过分割率,得到更准确的分割结果,需要对初分割的结果进行区域合并。现有的区域合并算法很多,其基本思想就是将具有同质性的区域合并在一起,同质性即为区域特征相似性。然而,大多数现有的区域合并算法在合并时需要人为输入合并的阈值。因此,提出了具有自适应性的基于NNG(nearest neighbor graph)的动态区域合并算法。 2.1 动态区域合并准则
合并判定是基于测量两区域边界像素之间的相似性。我们使用区域邻接图(RAG, region adjacency graph)[8]表示一幅图像,设G=(V,E)是一个无向图,vi∈V对应图中的节点集(超像素或区域),E是相邻节点(区域)的边集,每条边(vi,vj)∈E的权重w(vi,vj)表示相邻节点的相似性,定义R∈V代表某个区域,其相邻区域集R1,R2∈V的最大相似权重[9]S(R1,R2)表示为:
假设一幅图像被分成图2(a)所示的不同超像素区域,则可以得到对应的RAG如图
2(b)所示。
合并判定包含相似性测量和区域同质性检验,其中,相似性决定候选区域是否合并,同质性检查一致属性。为了让同质区域进行合并,用谓词P来判决相邻区域是否为同质区域。可以定义区域合并谓词P: P(R1,R2)=
式(6)中,Ω1和Ω2分别是R1和R2的相邻区域集。判定区域R1和R2是否合并的准则为:R1和R2的相似性在各自的邻域集中拥有最大的值并且满足一致性准则。条件(a)要求区域满足在其邻域内,两个区域的相似度为每个区域的相似度的最大值,是否连接两相邻区域由条件(a)唯一确定,不满足条件(a)的区域一定不会合并。条件(b)作为合并停止条件,若没有条件(b)其区域将会合并成一整块区域。 为了合并过程具有自适应性,将评价区域一致性看作是序列试验过程。假设参数θ与随机参数x的分布有关,通过观察连续步骤中的随机变量来收集参数θ的信息。每个样本携带参数θ的统计信息,因此可以在观察的最后收集到θ的信息。在序列分析中,θ称为假设。在区域合并时,两个假设都包含有评价任务,即一对区域是“一致”或“不一致”,其分别对应H0:θ=θ0和H1:θ=θ1。判断一对区域是否属于同一组,可以从它的假设检验来寻找解决方案。
Copyright © 2019- igat.cn 版权所有 赣ICP备2024042791号-1
违法及侵权请联系:TEL:199 1889 7713 E-MAIL:2724546146@qq.com
本站由北京市万商天勤律师事务所王兴未律师提供法律服务