專利名稱：基于均值偏移和k均值聚類技術(shù)的圖像對象提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及利用圖像語義處理圖像的方法。
背景技術(shù)：
隨著信息時代的飛速發(fā)展，基于內(nèi)容的圖像檢索技術(shù)(CBIR)的研究成果已經(jīng)轉(zhuǎn)化為應(yīng)用技術(shù)，而且日益增長的應(yīng)用需求反過來推動其研究向更高層次發(fā)展。CBIR的基本思路是從圖像中提取底層的視覺特征——顏色，紋理，形狀等，然后基于這些特征將用戶查詢的圖像與數(shù)據(jù)庫中的圖像進(jìn)行相似度的衡量，其中圖像的相似性判斷建立在視覺特征的相似性上。然而計算機自動提取的圖像視覺特性與人所理解的圖像內(nèi)容存在很大的不同。人們判斷圖像的相似性并非建立在圖像的顏色、形狀等特性上，而是主要根據(jù)圖像的內(nèi)容含義來判斷圖像是否符合自己的需要。因此傳統(tǒng)的CBIR (基于內(nèi)容的圖像檢索)系統(tǒng)的檢索結(jié)果往往不盡如人意。這就需要一些高層次的概念，這些概念包含了人對圖像所描述的對象、事件以及所表達(dá)的感情等內(nèi)容的理解，這就是圖像所具有的語義特征，即圖像的高層語義知識。當(dāng)這些高層語義知識被提取出來后，才能給包括圖像檢索在內(nèi)的一系列應(yīng)用提供更加令人滿意的結(jié)果?，F(xiàn)有的檢索領(lǐng)域，與圖像檢索領(lǐng)域相對應(yīng)的文本檢索領(lǐng)域已經(jīng)發(fā)展發(fā)展得相當(dāng)成熟，而對圖像的語義的提取，便是將圖像信息轉(zhuǎn)化為與語義相關(guān)的文本信息，從而將文本到圖像的檢索轉(zhuǎn)化為文本到文本的檢索，能夠大大地提高圖像檢索的準(zhǔn)確率。圖像語義的提取，其前提是提取圖像中的對象。即將圖像中各個具有特定特征的區(qū)域劃分并提取出來的過程，現(xiàn)有的圖像對象提取方法大致分為三類基于區(qū)域的方法，基于網(wǎng)格的方法，基于輪廓的方法。基于區(qū)域的方法適用于大規(guī)模顏色相近的區(qū)域，而對具有復(fù)雜內(nèi)部細(xì)節(jié)的對象無法有效識別?；诰W(wǎng)格的方法適用于具有規(guī)則形狀的對象，而對其他形狀的對象無法有效識別。本發(fā)明的基本思路是基于區(qū)域分割的圖像對象提取算法。均值偏移(Mean Shift)算法是一種特征空間聚類算法，它的一個突出優(yōu)點是不須人為地設(shè)置過多的參數(shù)，從而得到較為客觀的圖像分割結(jié)果。均值偏移算法的實質(zhì)對圖像進(jìn)行平滑處理，消除圖像對象內(nèi)部的細(xì)節(jié)，從而得到圖像的對象信息。K均值聚類(K-Means)算法是另一種廣泛使用的聚類分析方法。K均值聚類算法用于圖像分割具有直觀、快速、易于實現(xiàn)的特點。然而K均值聚類算法的問題是需要確定聚類數(shù)目，并且初始聚類中心的選擇對分類結(jié)果具有較大的影響。同時，K均值聚類僅僅使用了圖像的顏色信息而沒有利用空間信息，因而圖像中的細(xì)節(jié)信息會對聚類的結(jié)果產(chǎn)生較大的影響，從而使得K均值聚類往往無法得到需要的結(jié)果。

發(fā)明內(nèi)容
本發(fā)明目的是以基于區(qū)域的方法為基礎(chǔ)，將均值偏移和K均值聚類算法相結(jié)合， 結(jié)合二者的優(yōu)點，并規(guī)避了二者的缺點。從而得到擁有較好結(jié)果的圖像對象提取結(jié)果，亦即提高識別的準(zhǔn)確度。本 發(fā)明的技術(shù)方案是基于均值偏移和K均值聚類技術(shù)的圖像對象提取方法，使用均值偏移進(jìn)行圖像平滑
均值偏移算法是一種不用直接計算梯度找到模式點的算法，在圖像平滑過程中，就是要找到不同色彩的聚類點；圖像中的每一個像素經(jīng)過色彩空間轉(zhuǎn)換表達(dá)了一個像素的空間信息和色彩信息，其中，空間位置和色彩均相近的像素，在五維色彩空間中也相近；因而，在五維空間中進(jìn)行聚類，得到的結(jié)果重新映射到圖像中，即可得到達(dá)到所需要的效果。對于任何需要處理的圖像對象，1)先應(yīng)用meanshift算法進(jìn)行圖像平滑消除細(xì)節(jié)信息，分別用xi和zi (i=l，…，η)表示原始和平滑后的圖像像素點，利用meanshift算法對圖像進(jìn)行平滑處理；對于每一個像素點
1-1)初始化j=l，且使yj+1=xi，像素點的空間；
1-2)在以yj為中心的超球體中計算實現(xiàn)窗口中心的偏移，直到滿足收斂條件； 這里的超球體是指經(jīng)過色彩空間的轉(zhuǎn)化可以在5維特征空間中獲得的很多點，每個點對應(yīng)圖像中的一個像素，表達(dá)了該像素所有的信息，亦即空間位置和色彩信息；
1-3)給Zi賦值，將收斂的色彩賦給當(dāng)前像素Zi=(Xi，y。。nv)；
這里是均值偏移算法的固定步驟，yconv是坐標(biāo)點，就是當(dāng)前像素Zi的坐標(biāo)。2) k均值聚類
在進(jìn)行過meanshift平滑操作后，圖像的細(xì)節(jié)部分將被忽略，從而將均值偏移的結(jié)果按照其顏色信息進(jìn)行進(jìn)一步聚類；在這一步驟中，要求聚類過程具有較高的效率并且能夠滿足一定的精度要求；運用k均值聚類算法對圖像進(jìn)行分割；
K均值聚類的算法如下應(yīng)用K-means算法進(jìn)行顏色聚類以提取圖像中的對象信息，
2-1)對于大小為mχ η的圖像，構(gòu)建大小為(m χ η) * 3的矩陣，其中每一行為對應(yīng)像素點三個通道的顏色信息；
2-2)從m χ η個數(shù)據(jù)對象中隨機選取K個對象作為初始聚類中心； 2-3)根據(jù)每個聚類對象的均值(中心為對象)，計算每個對象與這些中心對象的距離， 并根據(jù)最小距離重新對相應(yīng)的對象進(jìn)行劃分； 2-4)重新計算每一個有變化的聚類的均值；
2-5)迭代運行2-3)和2-4)直到每個聚類的變化程度滿足收斂條件。對于K均值聚類的結(jié)果，將m χ η個輸入硬劃分為K個不同的聚類，使得其結(jié)果滿足條件相同聚類中的對象相似度較高；不同聚類中的對象相似度較低。從直觀上而言各個聚類本身盡可能的緊湊，而各個聚類之間盡可能地分開。通過對均值偏移和k均值聚合算法的結(jié)合使用，結(jié)合了各自的優(yōu)點，規(guī)避了各自的缺點，能夠在較短時間內(nèi)對圖像中對象提取得到較好的效果。實驗結(jié)果表明，對于對比度較高和較低的對象均能夠得到較好的提取效果，得到與人眼相近的效果。均值偏移(Mean Shift)算法是一種特征空間聚類算法，它的一個突出優(yōu)點是不須人為地設(shè)置過多的參數(shù)，從而得到較為客觀的圖像分割結(jié)果。均值偏移算法的實質(zhì)對圖像進(jìn)行平滑處理，消除圖像對象內(nèi)部的細(xì)節(jié)，從而得到圖像的對象信息。K均值聚類(K-Means)算法是另一種廣泛使用的聚類分析方法。K均值聚類算法用于圖像分割具有直觀、快速、易于實現(xiàn)的特點。然而K均值聚類算法的問題是需要確定聚類數(shù)目，并且初始聚類中心的選擇對分類結(jié)果具有較大的影響。同時，K均值聚類僅僅使用了圖像的顏色信息而沒有利用空間信息，因而圖像中的細(xì)節(jié)信息會對聚類的結(jié)果產(chǎn)生較大的影響，從而使得K均值聚類往往無法得到需要的結(jié)果。本發(fā)明的有益效果是當(dāng)一圖為原始圖片(400x300)，則單純利用meanshift算法進(jìn)行對象提取的結(jié)果，可以看出，對于對比度較高的對象可以得到較好的效果，而對于對比度較低的對象，由于meanshift本身屬于軟聚類，因此算法的結(jié)果和原圖并未有太大的區(qū)另IJ，然而對于測試圖片，無論效果如何，均需花費8s左右的時間。如果為單純利用k-means 算法進(jìn)行圖像提取的結(jié)果，可見對于對比度較低的圖片能夠得到較好的效果，而對于對比度較高的對象，由于細(xì)節(jié)信息過多，反而沒有很好的效果。如果算法首先用meanshift算法消除了對象的細(xì)節(jié)信息，然后利用k-means算法進(jìn)行進(jìn)一步的操作，由結(jié)果可以看出，兩種算法的結(jié)合使用彌補了對方不適用的范圍，能夠得到較好的效果，同時由于meanshift算法僅僅用了較小的參數(shù)進(jìn)行了濾波操作，整個算法的時間在Is以下。本發(fā)明將均值偏移和K均值聚類算法相結(jié)合，結(jié)合二者的優(yōu)點，并規(guī)避了二者的缺點。算法的時間短且效率高。從而得到擁有較好結(jié)果的圖像對象提取結(jié)果。


圖1是本發(fā)明的處理流程圖。
具體實施例方式1、顏色空間的選擇
為了使得算法的結(jié)果和人眼視覺分析的結(jié)果盡量一致，本發(fā)明采用CIE提出的LUV均勻彩色模型。在該色彩空間中，L分量表示顏色的亮度，而U分量和V分量均表示顏色的色差。2、應(yīng)用meanshift算法進(jìn)行圖像平滑消除細(xì)節(jié)信息分別用xi和zi (i=l,…， η)表示原始和平滑后的圖像，利用meanshift算法對圖像進(jìn)行平滑處理。對于每一個像素占.
1)初始化」=1，且使7丄l=xi
2)在以yj為中心的超球體中計算實現(xiàn)窗口中心的偏移，直到滿足收斂條件
3)給zi賦值，將收斂的色彩賦給當(dāng)前像素zi=(xi，yconv)
3、應(yīng)用K-means算法進(jìn)行顏色聚類以提取圖像中的對象信息 1)對于大小為m χ η的圖像，構(gòu)建大小為(m χ η) * 3的矩陣，其中每一行為對應(yīng)像素點三個通道的顏色信息。2) Wmxn個數(shù)據(jù)對象中隨機選取K個對象作為初始聚類中心
3)根據(jù)每個聚類對象的均值(中心對象)，計算每個對象與這些中心對象的距離，并根據(jù)最小距離重新對相應(yīng)的對象進(jìn)行劃分
4)重新計算每一個有變化的聚類的均值
5)迭代運行3)和4)直到每個聚類的變化程度滿足收斂條件。
權(quán)利要求
1.基于均值偏移和K均值聚類技術(shù)的圖像對象提取方法，其特征是先使用均值偏移進(jìn)行圖像平滑1)先應(yīng)用meanshift算法進(jìn)行圖像平滑消除細(xì)節(jié)信息，分別用xi和zi(i=l,…，η) 表示原始和平滑后的圖像像素點，利用meanshift算法對圖像進(jìn)行平滑處理；對于每一個像素點1-1)初始化j=l，且使yj+1=xi， 像素點的空間；1 - 2 ) 在以y j為中心的超球體中計算實現(xiàn)窗口中心的偏移，直到滿足收斂條件；這里的超球體是指經(jīng)過色彩空間的轉(zhuǎn)化可以在5維特征空間中獲得的很多點，每個點對應(yīng)圖像中的一個像素， 表達(dá)了該像素所有的信息，亦即空間位置和色彩信息；1-3)給Zi賦值，將收斂的色彩賦給當(dāng)前像素Zi=(Xi，y。。nv)；這里是均值偏移算法的固定步驟，yconv是坐標(biāo)點，就是當(dāng)前像素Zi的坐標(biāo)；2)k均值聚類在進(jìn)行過meanshift平滑操作后，圖像的細(xì)節(jié)部分將被忽略，從而將均值偏移的結(jié)果按照其顏色信息進(jìn)行進(jìn)一步聚類；在這一步驟中，要求聚類過程具有較高的效率并且能夠滿足一定的精度要求；運用k均值聚類算法對圖像進(jìn)行分割；K均值聚類的算法如下應(yīng)用K-means算法進(jìn)行顏色聚類以提取圖像中的對象信息？2-1)對于大小為m χ η的圖像，構(gòu)建大小為(m χ η) * 3的矩陣，其中每一行為對應(yīng)像素點三個通道的顏色信息；2-2) Wmxn個數(shù)據(jù)對象中隨機選取K個對象作為初始聚類中心； 2-3) 根據(jù)每個聚類對象的均值(中心為對象)，計算每個對象與這些中心對象的距離，并根據(jù)最小距離重新對相應(yīng)的對象進(jìn)行劃分； 2-4) 重新計算每一個有變化的聚類的均值；2-5) 迭代運行2-3)和2-4)直到每個聚類的變化程度滿足收斂條件。
2.基于均值偏移和K均值聚類技術(shù)的圖像對象提取方法，其特征是對于任何需要處理的圖像對象；1)先應(yīng)用meanshift算法進(jìn)行圖像平滑消除細(xì)節(jié)信息，分別用xi和zi(i=l,…，η) 表示原始和平滑后的圖像像素點，利用meanshift算法對圖像進(jìn)行平滑處理；對于每一個像素點1-1)初始化j=l，且使yj+1=xi，像素點的空間；1-2)在以yj為中心的超球體中計算實現(xiàn)窗口中心的偏移，直到滿足收斂條件； 這里的超球體是指經(jīng)過色彩空間的轉(zhuǎn)化可以在5維特征空間中獲得的很多點，每個點對應(yīng)圖像中的一個像素，表達(dá)了該像素所有的信息，亦即空間位置和色彩信息； 1-3)給zi賦值，將收斂的色彩賦給當(dāng)前像素zi=(xi，yconv) 這里是均值偏移算法的固定步驟，yconv是坐標(biāo)點，就是當(dāng)前像素Zi的坐標(biāo)；2)應(yīng)用K-means算法進(jìn)行顏色聚類以提取圖像中的對象信息，2-1) 對于大小為m χ η的圖像，構(gòu)建大小為(m χ η) * 3的矩陣，其中每一行為對應(yīng)像素點三個通道的顏色信息；2-2) Wmxn個數(shù)據(jù)對象中 隨機選取K個對象作為初始聚類中心； 2-3) 根據(jù)每個聚類對象的均值(中心為對象)，計算每個對象與這些中心對象的距離，并根據(jù)最小距離重新對相應(yīng)的對象進(jìn)行劃分； 2-4) 重新計算每一個有變化的聚類的均值；2-5) 迭代運行2-3)和2-4)直到每個聚類的變化程度滿足收斂條件。
全文摘要
基于均值偏移和K均值聚類技術(shù)的圖像對象提取方法，先使用均值偏移進(jìn)行圖像平滑，先應(yīng)用meanshift算法進(jìn)行圖像平滑消除細(xì)節(jié)信息，在進(jìn)行過meanshift平滑操作后，圖像的細(xì)節(jié)部分將被忽略，從而將均值偏移的結(jié)果按照其顏色信息進(jìn)行進(jìn)一步聚類;在這一步驟中，要求聚類過程具有較高的效率并且能夠滿足一定的精度要求;運用k均值聚類算法對圖像進(jìn)行分割;K均值聚類的算法如下應(yīng)用K-means算法進(jìn)行顏色聚類以提取圖像中的對象信息，均值偏移和K均值聚類算法相結(jié)合，結(jié)合二者的優(yōu)點，并規(guī)避了二者的缺點。算法的時間短且效率高。從而得到擁有較好結(jié)果的圖像對象提取結(jié)果。
文檔編號G06K9/62GK102222234SQ20111019645
公開日2011年10月19日 申請日期2011年7月14日 優(yōu)先權(quán)日2011年7月14日
發(fā)明者陳國慶, 高瞻 申請人:蘇州兩江科技有限公司