一種基於邊緣約束的分形網絡演化影像分割方法
2023-04-25 21:00:16 3
專利名稱：一種基於邊緣約束的分形網絡演化影像分割方法
技術領域：
本發明涉及一種分形網絡演化影像分割方法，尤其是涉及一種基於邊緣約束的分形網絡演化影像分割方法。
背景技術：
遙感圖像分割可定義為將遙感圖像分解成若干個具特性、互不相交像元集合的過程。目前，影像圖像分割作為一種重要的圖像處理技術，已廣泛應用在不同領域中，並提出了上千種分割方法，分水嶺分割算法、均值漂移分割算法和Definiens公司的多解析度影像分割算法等被應用得較多，其中分形網絡演化算法(Fractal Net Evolution Approach,FNEA)是一種有效的多尺度影像分割方法，並且被證實相比常用的只使用像素光譜信息的其他遙感分割算法，公認具有更好的分割效果。合成孔徑雷達(Synthetic Aperture Radar, SAR)作為一種主動式微波遙感設備，與傳統的光學成像系統相比，它具有全天時、全天候偵察的特點以及較強的地表穿透能力，因而在遙感對地觀測體系中扮演著重要的角色，其應用遍及多個領域。然而由於高解析度城市地區的SAR圖像具有斑點噪聲、局部區域對比度低等問題，直接應用FNEA分割算法得到的分割結果很難用於進行後續的面向對象影像分析。邊緣漂移現象是區域合併類分割算法在初始階段單像素合併時，未考慮空間上下文而直接根據像素值進行合併，導致邊緣定位出現偏移。在區域生長與合併的最初階段，FNEA分割算法由於只有單個像素信息被使用來計算對象異質性，這時的異質性計算實際等價於兩個像素梯度計算，因此通過像素級梯度得到對象異質性的準確性直接影響到PE計算誤差，繼而影響分割精度。對於光學圖像而言，大部分地物普遍邊緣清晰，將像素級梯度作為異質性的計算誤差較小，因此將FNEA分割用於光學圖像，邊緣漂移現象並不明顯。而對於SAR圖像，有下面兩個問題使原始的FNEA算法出現嚴重的邊緣漂移現象(1)斑點噪聲斑點噪聲是雷達圖像的固有問題，直接採用像素梯度作為異質性計算顯然並不精確。一個改善的方法是先進行雷達圖像濾波，然後在進行圖像分割，但這樣會降低雷達圖像的解析度，並且分割結果收到濾波算法影響。(2)微弱邊緣對於城市地區的雷達圖像，其地物回波反射係數為瑞利分布，而瑞利分布存在較長的拖尾，直接導致某些弱回波地區之間的對比度較弱，形成一些微弱邊緣。這些弱對比度區域中的像素異質性很難用像素級梯度進行度量。
發明內容
本發明的上述技術問題主要是通過下述技術方案得以解決的—種基於邊緣約束的分形網絡演化影像分割方法，其特徵在於，包括以下步驟步驟I，尺度參數確定模塊先根據圖像大小確定採用的小尺度參數，然後採用小尺度參數對影像進行分割，得到分割後的若干小尺度參數影像；步驟2，拓撲關係模型建立模塊針對步驟I已經分割的若干小尺度參數影像，對若干小尺度參數影像進行拓撲關係模型建立，所述拓撲關係模型建立基於邊緣約束條件；步驟3，分割模塊針對步驟2已經建立的拓撲關係模型，基於用戶指定的影像分割尺度參數，對完成步驟2的圖像進行拓撲關係模型的更新後，完成在用戶指定的圖像分割尺度參數的條件下的分隔圖像的區域生長與合併。在上述的一種基於邊緣約束的分形網絡演化影像分割方法，所述步驟2中，對若干小尺度參數影像進行拓撲關係模型建立的具體步驟如下步驟2. 1，對原始圖像進行邊緣檢測，即對原始圖像進行EDISON邊緣檢測獲得單像素邊界；步驟2. 2，針對步驟2. I已經完成邊緣檢測的圖像進行像素拓撲關係建立即以 邊界上的每個像素點作為拓撲獨立對象，與其八鄰域像素無連接關係；對於非邊界像素，定義其與八鄰域內的非邊界點具有連接關係；步驟2. 3，針對完成步驟2. 2的圖像，結合步驟I中已經確定的需要分割的小尺度參數，進行小尺度的區域生長與合併即對步驟2. 2中建立好拓撲關係的像素點開始區域合併與生長過程，由於邊界像素點無鄰接點，因此在分割過程中保持獨立，並不參與區域生長中，僅針對非邊界像素進行區域合併與生長過程；步驟2. 4，解除邊緣約束下的區域生長與合併首先恢復邊界點與目前生長完成區域的拓撲關係，然後繼續進行小尺度中的區域生長與合併，將邊界點歸於各分割區域，避免單像素對象出現；步驟2. 5，形成對象拓撲關係模型將分割完成的區域對象的拓撲關係保存，供更高尺度分割使用。在上述的一種基於邊緣約束的分形網絡演化影像分割方法，所述步驟3中，區域生長與合併過程除採用廣義異質性規則外，其餘步驟與FNEA分割算法相同，其輸入為步驟2中已建立的拓撲關係模型，即拓撲關係的像素或對象集合，具體步驟如下步驟3. 1，針對步驟2中僅完成的拓撲關係的像素或對象集合進行最優種子點確定;步驟3. 2，基於廣義異質性規則下的異質性計算即根據廣義異質性規則，計算對象之間異質性；步驟3. 3，針對完成步驟3. 2後的圖像進行區域最優鄰居查找；步驟3. 4，針對完成步驟3. 3後的圖像進行對象合併將最優合併區域對進行合併，並計算新對象的統計特徵；步驟3. 5，對象拓撲關係更新根據新對象的邊界情況，更新新對象的拓撲關係；步驟3. 6，異質性閾值判斷根據目前所有對象的最小異質性得到當前最小異質性，如果超過閾值，則分割完成，否則回到步驟3. I。在上述的一種基於邊緣約束的分形網絡演化影像分割方法，所述步驟3. I中，最優種子點確定的具體步驟是與一般的區域生長方法不同，種子點採用分布式的種子選擇策略，每次種子選擇均通過一個抖動矩陣來進行，使得當前的種子點距離之前已經選擇過種子點的距離最遠，這種分布式種子選擇策略的優點在於可以使得圖像各個部分均勻生長，從而區域合併過程中所需的區域統計特性更加準確，而不會出現大尺度對象「吞噬」還未有機會生長的小尺度對象。
在上述的一種基於邊緣約束的分形網絡演化影像分割方法，所述步驟3. 2中，所述廣義異質性規則是基於定義a和b是待計算的對象，c是a和b合併後的對象，a和b的廣義異質性為F (a, b) =nmerge X PE (c) -nobJ1 X PE (a) -nobJ2 X PE (b)其中F(a，b):廣義異質性函數:對象的面積(像素數)；PE(a):對象所形成的區域其為真實存在地物的概率，由於圖像區域可以是任意像元的集合體，因此區域可能為真實地物，也可能為無效區。在上述的一種基於邊緣約束的分形網絡演化影像分割方法，所述步驟3. 3中區域最優鄰居查找的具體方法如下在得到當前種子點後，定義獲取其所在的對象A，並得到A的鄰接最優合併對象B，然後判斷B的最優合併區域C，並根據最優合併區域C和對象A的比值進行如下判斷步驟判斷步驟1，如果C等於A，則找到局部最優合併對象，將C定義為A局部最優合併對象並保存後結束判斷步驟；判斷步驟2，如果C不等於A，將B置為A，執行判斷步驟I。因此，本發明具有如下優點1.本發明提出的廣義異質性規則在傳統異質性規則基礎之上，融合了多元邊緣信息，利用合併後區域與合併前區域的相互關係，使用面積加權，更加準確的計算對象間異質性，提供最優的對象合併途徑。2.對於弱邊緣機載高解析度SAR圖像，發明的eFNEA分割算法與傳統經典的MeanShift和FNEA分割算法相比較，能更好的檢測邊緣信息，具有更好的邊緣規則度。因此，對於弱邊緣地區的分割問題，eFNEA算法優於FNEA算法，而FNEA算法要明顯優於Meanshift算法。3.對於斑點噪聲星載SAR圖像，發明的eFNEA分割算法的有效性，在噪聲汙染嚴重和微弱邊緣處均具有良好的表現，分割結果明顯優於FNEA算法和Meanshift算法，對斑點噪聲具有較強的抑制作用。
圖I是本發明的一種方法流程示意圖。圖2是本發明實施例中SAR模擬圖像。圖3a是本發明實施例中在大尺度高帶寬條件下模擬SAR圖像的MeanShift分割結果。圖3b是本發明實施例中在小尺度高帶寬條件下模擬SAR圖像的MeanShift分割結果。圖3c是本發明實施例中在大尺度低帶寬條件下模擬SAR圖像的MeanShift分割結果。圖4a是本發明實施例中在低形狀低緊湊度條件下模擬SAR圖像的FNEA算法分割結果。圖4b是本發明實施例中在高形狀高緊湊度條件下模擬SAR圖像的FNEA算法分割結果。圖4c是本發明實施例中在高形狀高緊湊度條件下模擬SAR圖像的FNEA算法分割結果。圖5是本發明實施例中模擬SAR圖像的eFNEA算法分割結果。、
圖6是本發明實施例中弱邊緣機載SAR圖像。圖7a是本發明實施例中在高帶寬條件下弱邊緣機載SAR圖像的Meanshift分割結果。圖7b是本發明實施例中在低帶寬條件下弱邊緣機載SAR圖像的Meanshift分割結果。圖8a是本發明實施例中在高形狀低緊湊度條件下弱邊緣機載SAR圖像的FNEA分割結果。圖8b是本發明實施例中在低形狀高緊湊度條件下弱邊緣機載SAR圖像的FNEA分 割結果。圖8c是本發明實施例中在高形狀高緊湊度條件下弱邊緣機載SAR圖像的FNEA分割結果。圖9是本發明實施例中弱邊緣機載SAR圖像的eFNEA分割結果。圖10是本發明實施例中噪聲汙染下的高解析度星載SAR圖像。圖Ila是本發明實施例中針對高形狀低緊湊度的強噪聲下的FNEA分割結果。圖Ilb是本發明實施例中針對低形狀高緊湊度的強噪聲下的FNEA分割結果。圖Ilc是本發明實施例中針對高形狀低緊湊度的強噪聲下的FNEA分割結果。圖Ild是本發明實施例中針對大尺度的強噪聲下的FNEA分割結果。圖12a是本發明實施例中針對小尺度的強噪聲下的的eFNEA分割結果。圖12b是本發明實施例中針對大尺度的強噪聲下的的eFNEA分割結果。
具體實施例方式下面通過實施例，並結合附圖，對本發明的技術方案作進一步具體的說明。首先介紹一下本發明所用到的理論基礎。原始分形網絡演化(FractalNet Evolution Approach, FNEA)方法由 Baatz 和Schape於2000年提出，建立在自然界圖像均具有分形特點，即局部與整體表現出一定程度的相似性，其實質是一種自下而上的區域生長與合併技術。該方法以區域為單位，根據區域間的異質性規則和分布式種子策略，不斷的將子區域進行合併，直到異質性增加值超過指定閾值為止。異質性閾值控制著子區域的面積大小，對應著人眼對地物的識別粒度。FNEA分割方法的初始輸入可以是前面所分割產生的子區域，因此通過不同的異質性閾值調整，可以形成對象層次結構，以形成多尺度分析所需要的對象尺度關係網絡。FNEA分割效果優於其它分割算法主要在於它能充分利用分割過程中所產生形狀信息；採用分布式的種子策略，使得圖像各個部分進行均勻增長，因此每個對象的區域性統計信息均逼近真實值；相比全局最優策略，局部最優策略執行效率更高，且能顧及到細節和局部低對比度；通過異質性閾值可以控制對象尺度，為多尺度影像分析提供基礎支持。雖然FNEA分割具有如上優點，但也具有一些不足。由於FNEA分割算法是一種「自下而上」的多尺度分割方法，上層對象是由下層對象合併而成，因此較大尺度分割對象是否精確完全由下層對象決定。如果下層對象已經分割失效，則上層對象不可能獲得更好的效果，而且，較好的小尺度分割對象能夠提供準確的對象局部信息，便於大尺度對象合併。由於上述原因，小尺度上的精確分割對最終分割結果至關重要。原始的FNEA分割算法屬於區域合併與生長類，小尺度分割時只能利用局部像素之間的相似性，對於雷達圖像這種噪聲汙染嚴重，且地物之間存在大量微弱邊緣的圖像，局部像素相似性並不穩定，因此導致出現對象邊緣破碎，繼而影響到最終結果。本發明採用基於置信度的邊緣提取算法通過結合像素上下文來獲取比單純梯度更穩健的邊緣，然後邊緣的約束下來進行圖像分割，獲取了更好的分割效果，本發明將這種邊緣約束下的FNEA分割稱為eFNEA (Edgerestricted Fractal Net Evolution Approach)。接下來，闡述本發明的具體方法本發明主要包括以下步驟步驟I，尺度參數確定模塊先根據圖像大小確定採用的小尺度參數，然後採用小尺度參數對影像進行分割，得到分割後的若干小尺度參數 影像，在這裡需要說明的是，小尺度參數的確定是根據需要分割的原始圖像的大小用戶自行設定的；步驟2，拓撲關係模型建立模塊針對步驟I已經分割的若干小尺度參數影像，對若干小尺度參數影像進行拓撲關係模型建立，所述拓撲關係模型建立基於邊緣約束條件；步驟3，分割模塊針對步驟2已經建立的拓撲關係模型，基於用戶指定的影像分割尺度參數，對完成步驟2的圖像進行拓撲關係模型的更新後，完成在用戶指定的圖像分割尺度參數的條件下的分隔圖像的區域生長與合併。其中，步驟2的初始對象拓撲關係建立可細分為五步，具體步驟如下(I)邊緣檢測對原始圖像進行EDISON邊緣檢測獲得單像素邊界；(2)像素拓撲關係建立邊界上的每個像素點作為拓撲獨立對象，與其八鄰域像素無連接關係；對於非邊界像素，設其與八鄰域內的非邊界點具有連接關係；(3)小尺度區域生長與合併對建立好拓撲關係的像素點開始區域合併與生長過程，由於邊界像素點無鄰接點，因此在分割過程中保持獨立，並不參與區域生長中；(4)解除邊緣約束下的區域生長與合併首先恢復邊界點與目前生長完成區域的拓撲關係，然後繼續進行小尺度中的區域生長與合併，將邊界點歸於各分割區域，避免單像素對象出現；(5)形成對象拓撲關係將分割完成的區域對象的拓撲關係保存，供更高尺度分割使用。其中，區域生長與合併過程除採用廣義異質性規則外，其餘步驟與FNEA分割算法相同。其輸入為已建立拓撲關係的像素或對象集合，具體步驟描述如下(I)最優種子點確定與一般的區域生長方法不同，種子點採用分布式的種子選擇策略，每次種子選擇均通過一個抖動矩陣來進行，使得當前的種子點距離之前已經選擇過種子點的距離最遠。這種分布式種子選擇策略的優點在於可以使得圖像各個部分均勻生長，從而區域合併過程中所需的區域統計特性更加準確，而不會出現大尺度對象「吞噬」還未有機會生長的小尺度對象。(2)廣義異質性規則下的異質性計算根據廣義異質性規則，計算對象之間異質性。FNEA異質性規則定義只包含了方差，緊湊度和平滑度三種特徵，並且採用固定特徵權重，而廣義異質性規則是指在eFNEA分割的基本處理流程下能夠融入多種特徵的擴展異質性計算方法，下面給出廣義異質性規則定義。定義I :設a和b是待計算的對象,c是a和b合併後的對象,a和b的廣義異質性為F (a, b) =nmerge X PE (c) -nobJ1 X PE (a) -nobJ2 X PE (b)其中F(a，b):廣義異質性函數:對象的面積(像素數)；PE(a):對象所形成的區域其為真實存在地物的概率。由於圖像區域可以是任意像元的集合體，因此區域可能為真實地物，也可能為無效區。本發明採用的固定權重下的異質性規則公式主要根據下面三條假設。假設I :區域對象是否屬於真實地物主要由方差和形狀特徵(平滑度、緊湊度和規則度)聯合確定；假設2 :理想真實對象的輻射方差等於0，平滑度、緊湊度和規則度均等於I。
假設3 :以特徵權重的方式來構造一個對於輻射和形狀特徵的線性分類器來確定區域對象屬於真實地物的概率；(3)區域最優鄰居查找在得到當前種子點後，獲取其所在的對象A，並得到A的鄰接最優合併對象B，判斷B的最優合併區域C，如果C等於A，說明找到局部最優合併對象，否貝U，將B置為A，繼續上述判斷。一般情況下，在5-6次迭代後，會找到當前種子點情況的一對最優合併區域。局部最優鄰居查找策略可以使得低對比度的地區也能得到較好分割。(4)對象合併將最優合併區域對進行合併,並計算新對象的相關統計特徵。(5)對象拓撲關係更新根據新對象的邊界情況，更新新對象的拓撲關係。(6)異質性閾值判斷根據目前所有對象的最小異質性得到當前最小異質性，如果超過閾值，則分割完成，否則回到I步。這裡需要說明的是，閾值的大小，是根據用戶自行設定。最後，是應用本發明的實驗結果分析基於以上eFNEA分割算法步驟，本發明給出了三組試驗進行結果驗證。第一組是利用模擬圖像進行結果分析，並採用兩種分割算法進行了效果對比，模擬SAR圖像真實大小為125 X 125，採用瑞利分布進行模擬生成，主要由4個同質區組成，原圖參見圖2。其中MeanShift的分割結果如圖3a、3b、3c所示，可以看出(I) Meanshift算法中存在嚴重的過分割問題，且過分割區域的邊界極不規則；(2)顏色帶寬參數對於邊緣漂移問題的解決有所幫助，但依然存在比較嚴重的邊緣偏移題；(3)空間帶寬參數過大將導致地物細節消失,如圖3(b)的B處。FNEA算法的分割結果如圖4a、4b、4c所示，可以看出FNEA算法的地物邊界形狀不規則，在低對比度區域邊緣偏移明顯。圖5採用本發明提出的邊緣約束下的FNEA算法的分割結果，可以看出eFNEA算法對於邊緣漂移具有明顯的改善，虛警邊界對分割最終結果影響較小。由此，對於邊緣漂移問題，eFNEA算法明顯優於FNEA和MeanShift 算法。第二組使用真實高解析度機載SAR圖像來驗證算法對於微弱邊緣導致邊緣漂移時的分割效果。本實驗採用Oberpfaffenhofen城市地區的高解析度機載全極化數據，飛行平臺為E-SAR，L波段，HH-HV-VV(紅-綠-藍)，原始解析度為0. 92mxl. 49m,分割圖像等效視數為4X 16，如圖6所示。圖7a、7b是採用MeanShift算法得到的分割結果，可以看出MeanShift對於低對比度的區域分割完全失敗；圖8a、8b、8c是採用FNEA算法得到的分割結果，可以看出FNEA分割效果要明顯好於MeanShift算法，但仍然出現了邊緣漂移現象。圖9是採用本發明提出的eFNEA算法的分割結果，可以看出eFNEA算法對於A處跑道的提取結果具有更好邊緣規則度，毛刺要少於FNEA算法。因此，對於弱邊緣地區的分割問題，eFNEA算法優於FNEA算法,而FNEA算法要明顯優於Meanshift算法。最後一組是使用真實高解析度星載SAR圖像來驗證當出現斑點噪聲導致的邊緣漂移時算法的有效性。採用武漢城市地區的高解析度星載雙極化數據，原始解析度為Imxlm，分割圖像等效視數為IX 1，本節研究對象是圖中A區道路，由於道路材質為水泥，表現出灰色調，地表為裸地，道路邊緣受噪聲汙染較嚴重，參見圖10。圖lla、llb、llc、lld是FNEA分割算法得到的結果，可以看出FNEA分割算法對於噪聲非常敏感，對於道路的提取完全失敗。由於Meanshift分割結果更加破碎，完全無可比性，因此不做詳細闡述。而圖12a、12b是採用eFNEA算法得到的分割效果圖，可以看到道路被較完整的提取出來，邊緣形狀較規則，並且裸地上的偽邊緣消失。因此，對於斑點噪聲汙染下的圖像分割問題，eFNEA算法 要明顯優於FNEA算法，對斑點噪聲具有較強的抑制作用。上面三組實驗驗證了本發明提出的eFNEA分割算法的有效性，在噪聲汙染嚴重和微弱邊緣處均具有良好的表現，分割結果明顯優於FNEA算法和Meanshift算法。本文中所描述的具體實施例僅僅是對本發明精神作舉例說明。本發明所屬技術領域的技術人員可以對所描述的具體實施例做各種各樣的修改或補充或採用類似的方式替代，但並不會偏離本發明的精神或者超越所附權利要求書所定義的範圍。
權利要求
1.一種基於邊緣約束的分形網絡演化影像分割方法，其特徵在於，包括以下步驟 步驟I，尺度參數確定模塊先根據圖像大小確定採用的小尺度參數，然後採用小尺度參數對影像進行分割，得到分割後的若干小尺度參數影像； 步驟2，拓撲關係模型建立模塊針對步驟I已經分割的若干小尺度參數影像，對若干小尺度參數影像進行拓撲關係模型建立，所述拓撲關係模型建立基於邊緣約束條件； 步驟3，分割模塊針對步驟2已經建立的拓撲關係模型，基於用戶指定的影像分割尺度參數，對完成步驟2的圖像進行拓撲關係模型的更新後，完成在用戶指定的圖像分割尺度參數的條件下的分隔圖像的區域生長與合併。
2.根據權利要求I所述的一種基於邊緣約束的分形網絡演化影像分割方法，其特徵在於，所述步驟2中，對若干小尺度參數影像進行拓撲關係模型建立的具體步驟如下步驟2. 1，對原始圖像進行邊緣檢測，即對原始圖像進行EDISON邊緣檢測獲得單像素邊界； 步驟2. 2，針對步驟2. I已經完成邊緣檢測的圖像進行像素拓撲關係建立即以邊界上的每個像素點作為拓撲獨立對象，與其八鄰域像素無連接關係；對於非邊界像素，定義其與八鄰域內的非邊界點具有連接關係； 步驟2. 3，針對完成步驟2. 2的圖像，結合步驟I中已經確定的需要分割的小尺度參數，進行小尺度的區域生長與合併即對步驟2. 2中建立好拓撲關係的像素點開始區域合併與生長過程，由於邊界像素點無鄰接點，因此在分割過程中保持獨立，並不參與區域生長中，僅針對非邊界像素進行區域合併與生長過程； 步驟2. 4，解除邊緣約束下的區域生長與合併首先恢復邊界點與目前生長完成區域的拓撲關係，然後繼續進行小尺度中的區域生長與合併，將邊界點歸於各分割區域，避免單像素對象出現； 步驟2. 5，形成對象拓撲關係模型將分割完成的區域對象的拓撲關係保存，供更高尺度分割使用。
3.根據權利要求I所述的一種基於邊緣約束的分形網絡演化影像分割方法，其特徵在於，所述步驟3中，區域生長與合併過程除採用廣義異質性規則外，其餘步驟與FNEA分割算法相同，其輸入為步驟2中已建立的拓撲關係模型，即拓撲關係的像素或對象集合，具體步驟如下 步驟3. 1，針對步驟2中僅完成的拓撲關係的像素或對象集合進行最優種子點確定；步驟3. 2，基於廣義異質性規則下的異質性計算即根據廣義異質性規則，計算對象之間異質性； 步驟3. 3，針對完成步驟3. 2後的圖像進行區域最優鄰居查找； 步驟3. 4，針對完成步驟3. 3後的圖像進行對象合併將最優合併區域對進行合併，並計算新對象的統計特徵； 步驟3. 5，對象拓撲關係更新根據新對象的邊界情況，更新新對象的拓撲關係； 步驟3. 6，異質性閾值判斷根據目前所有對象的最小異質性得到當前最小異質性，如果超過閾值，則分割完成，否則回到步驟3. I。
4.根據權利要求I所述的一種基於邊緣約束的分形網絡演化影像分割方法，其特徵在於，所述步驟3. I中，最優種子點確定的具體步驟是與一般的區域生長方法不同，種子點採用分布式的種子選擇策略，每次種子選擇均通過一個抖動矩陣來進行，使得當前的種子點距離之前已經選擇過種子點的距離最遠，這種分布式種子選擇策略的優點在於可以使得圖像各個部分均勻生長，從而區域合併過程中所需的區域統計特性更加準確，而不會出現大尺度對象「吞噬」還未有機會生長的小尺度對象。
5.根據權利要求I所述的一種基於邊緣約束的分形網絡演化影像分割方法，其特徵在於，所述步驟3. 2中，所述廣義異質性規則是基於 定義a和b是待計算的對象，c是a和b合併後的對象，a和b的廣義異質性為 F (a, b) =nmergeX PE (c) -nobJ1 X PE (a) -nobJ2 X PE (b) 其中F(a，b):廣義異質性函數！Iitjbj :對象的面積(像素數)；PE(a):對象所形成的區域其為真實存在地物的概率，由於圖像區域可以是任意像元的集合體，因此區域可能為真實地物，也可能為無效區。
6.根據權利要求I所述的一種基於邊緣約束的分形網絡演化影像分割方法，其特徵在於，所述步驟3. 3中區域最優鄰居查找的具體方法如下在得到當前種子點後，定義獲取其所在的對象A，並得到A的鄰接最優合併對象B，然後判斷B的最優合併區域C，並根據最優合併區域C和對象A的比值進行如下判斷步驟 判斷步驟I，如果C等於A，則找到局部最優合併對象，將C定義為A局部最優合併對象並保存後結束判斷步驟； 判斷步驟2，如果C不等於A，將B置為A，執行判斷步驟I。
全文摘要
本發明涉及一種基於邊緣約束的分形網絡演化影像分割方法步驟如下:1，尺度參數確定模塊先根據圖像大小確定採用的小尺度參數，採用小尺度參數對影像進行分割，得到分割後的若干小尺度參數影像；2，拓撲關係模型建立模塊針對1已經分割的若干小尺度參數影像，對若干小尺度參數影像進行拓撲關係模型建立，拓撲關係模型建立基於邊緣約束條件；3，分割模塊針對2已經建立的拓撲關係模型，基於用戶指定的影像分割尺度參數，完成在用戶指定的圖像分割尺度參數的條件下的分隔圖像的區域生長與合併。通過本發明得到的分割結果明顯優於傳統的FNEA技術和經典的Meanshift技術，不僅具有更好的邊緣規則度，對斑點噪聲也具有較強的抑制作用。
文檔編號G06T7/00GK102750690SQ201210171079
公開日2012年10月24日 申請日期2012年5月29日 優先權日2012年5月29日
發明者咼維, 彭澎, 胡濤, 龔健雅 申請人:武漢大學