一種基于非對(duì)稱(chēng)逆布局模型的圖像分割方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于非對(duì)稱(chēng)逆布局模型的圖像分割方法，包括以下步驟：1、將待處理圖像進(jìn)行編碼得到總同類(lèi)塊塊數(shù)、顏色表P和坐標(biāo)表Q；2、令當(dāng)前掃描塊序號(hào)i＝0，設(shè)置指針矩陣；3、得到P[i]和Q[i]；4、根據(jù)Q[i]算出當(dāng)前塊大小、左邊界和上邊界的坐標(biāo)信息；5、找出左邊界像素L左邊的像素LL及其所屬區(qū)域，并找出這兩個(gè)區(qū)域的祖先區(qū)域，若兩個(gè)區(qū)域是同一區(qū)域則跳到下一像素，否則判斷祖先是否可合并；6、找出上邊界像素T上邊像素TT及其所屬區(qū)域，并找出這兩個(gè)區(qū)域的祖先區(qū)域，若兩個(gè)區(qū)域是同一區(qū)域則跳到下一像素；否則判斷祖先是否可合并；7、i++，跳轉(zhuǎn)步驟3直至所有塊處理完為止。具有圖像處理速度快等優(yōu)點(diǎn)。
【專(zhuān)利說(shuō)明】一種基于非對(duì)稱(chēng)逆布局模型的圖像分割方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種計(jì)算機(jī)圖像處理技術(shù)，特別涉及一種基于非對(duì)稱(chēng)逆布局模型 (NAM)的圖像分割方法。

【背景技術(shù)】
[0002] 圖像分割技術(shù)與圖像表示方法密切相關(guān)，這里主要就圖像的分層數(shù)據(jù)結(jié)構(gòu)和圖像 的分割技術(shù)來(lái)介紹相關(guān)的研究現(xiàn)狀和國(guó)內(nèi)外的最新發(fā)展趨勢(shì)。
[0003] (1)圖像的分層數(shù)據(jù)結(jié)構(gòu)；
[0004] 分層數(shù)據(jù)結(jié)構(gòu)在計(jì)算機(jī)視覺(jué)、機(jī)器人、計(jì)算機(jī)圖形學(xué)、圖像處理、模式識(shí)別等領(lǐng)域 里是非常重要的區(qū)域表示方法。圖像的分層表示方法在圖像分割、圖像壓縮和圖像檢索等 應(yīng)用中起著非常關(guān)鍵的作用。四元樹(shù)是圖像分層表示的一種形式，它是研究得最早的、也是 研究得最多的一種分層表示形式。早期的四元樹(shù)表示都是基于指針的四元樹(shù)結(jié)構(gòu)，為了顯 著減少存儲(chǔ)空間，Gargantini等人消除了指針?lè)桨?，提出了稱(chēng)之為線性四元樹(shù)的表示方法。 Subramanian等人研究了基于空間二兀樹(shù)分割（BSP,BinarySpacePartitioning)的圖像 表示方法。圖像經(jīng)過(guò)BSP樹(shù)表示后，其表示結(jié)果可直接支持圖像的壓縮與分割等算法?；?于混合的二元樹(shù)和四元樹(shù)表示，Kassim等人提出了一種基于分層分割的圖像表示方法?；?于B-樹(shù)三角形編碼方法，Distasi等人提出了基于空間數(shù)據(jù)結(jié)構(gòu)的灰度圖像表示算法?；?于S-樹(shù)數(shù)據(jù)結(jié)構(gòu)和Gouraud陰影法,Chung等人提出了一種基于S-樹(shù)的空間數(shù)據(jù)結(jié)構(gòu)的灰 度圖像表不（STC，S-TreeCoding)方法（K.L.Chung,J.G.Wu.Improvedimagecompression usingS-treeandshadingapproach.IEEETransactionsonCommunications，2000， 48(5) :748-751.)。隨后，Chung等人提出了一種基于DCT域和空域的混合灰度圖像表 不（SDCT，Spatial-andDCT-based)方法（K.L.Chung，Y.W.Liu，W.M.Yan.Ahybridgray imagerepresentationusingspatial-andDCT-basedapproachwithapplicationto momentcomputation.JournalofVisualCommunicationandImageRepresentation， 2006,17 (6):1209-1226)〇
[0005] 雖然上述的分層數(shù)據(jù)表示有許多優(yōu)點(diǎn)，但是它們過(guò)于強(qiáng)調(diào)分割的對(duì)稱(chēng)性，因此不 是最優(yōu)的表示方法。借助于Packing問(wèn)題的思想，以尋找分割最大化的非對(duì)稱(chēng)分割方法為 目標(biāo)，Chen等人提出了圖像模式的NAM表示方法（ChenChuanbo,ZhengYunping.Anovel non-symmetryandanti-packingmodelforimagerepresentation.ChineseJournal ofElectronics，2009, 18 (I) :89_94.)。鄭運(yùn)平等人提出了一種基于擴(kuò)展的Gouraud陰影 法和非重疊矩形子模式的NAM灰度圖像表示方法，簡(jiǎn)稱(chēng)為RNAMC表示方法（鄭運(yùn)平，陳傳 波.一種新的灰度圖像表示算法研究.計(jì)算機(jī)學(xué)報(bào)，2010,33(12) :2397-2406.)。由于可 重疊NAM表示方法一般會(huì)比非重疊NAM表示方法效率高，鄭運(yùn)平等人又提出了一種基于擴(kuò) 展的Gouraud陰影法和重疊矩形子模式的NAM灰度圖像表示方法，簡(jiǎn)稱(chēng)為ORNAM表示方法 (YunpingZhengjZhiwenYujJaneYoujMudarSarem.Anovelgrayimagerepresentation usingoverlappingrectangularNAMandextendedshadingapproach.Journalof VisualCommunicationandImageRepresentation, 2012, 23 (7) : 972-983.)。實(shí)驗(yàn)結(jié)果表 明：與STC、SDCT和RNAMC表示方法相比，在保持圖像質(zhì)量的前提下，ORNAM表示方法具有更 高的壓縮比和更少的塊數(shù)，因而能夠更有效地減少數(shù)據(jù)存儲(chǔ)空間，是灰度圖像表示的一種 良好方法。
[0006] 圖像表示方法有兩個(gè)目的：第一，提高圖像的表示效率。第二，提高圖像操作的處 理速度。
[0007] (2)圖像的分割技術(shù)；
[0008] 圖像分割是高層的圖像分析理解的基礎(chǔ)。圖像分割技術(shù)主要可分為基于區(qū)域的分 割方法和基于邊界的分割方法，前者依賴于圖像的空間局部特征，如灰度、紋理及其它像素 統(tǒng)計(jì)特性的均勻性等，后者主要是利用梯度信息確定目標(biāo)的邊界?；谶吘壍姆椒m有較 高的定位準(zhǔn)確度，但缺點(diǎn)是對(duì)噪聲敏感度高；而基于區(qū)域的分割方法對(duì)噪聲不敏感，但容易 過(guò)分割，且邊緣的定位精度還需要提高。閾值分割是最基本和應(yīng)用最廣泛的分割技術(shù)，其實(shí) 現(xiàn)簡(jiǎn)單、計(jì)算量小且性能較穩(wěn)定。Batenburg等人提出了一種投影距離最小化方法。張新 明等人針對(duì)傳統(tǒng)二維Renyi熵（RE)分割法分割結(jié)果不夠準(zhǔn)確和計(jì)算復(fù)雜度高的問(wèn)題，提 出了一種快速的二維RE準(zhǔn)分法。Van等人提出了一種用于斷層重組中稠密同類(lèi)對(duì)象分割 的最優(yōu)閾值選擇方法。龍建武等人提出了一種基于灰度圖像區(qū)域的交互式文本圖像閾值 分割算法。近年來(lái)，隨著其它新興學(xué)科的發(fā)展及一些理論和模型在圖像上的應(yīng)用，國(guó)內(nèi)外的 學(xué)者們提出了一些新的圖像分割技術(shù)，如基于模糊理論的方法（M.Gong，Y.Liang，J.Shi，W. MajJ.Ma.FuzzyC-meansclusteringwithlocalinformationandkernelmetricfor imagesegmentation.IEEETransactionsonImageProcessing，2013,22(2):573-584.)、 基于遺傳學(xué)的方法（G.Tian，Y.Xia，Y.Zhang，D.Feng.Hybridgeneticandvariational expectation-maximizationalgorithmforGaussian-mixture-model-basedbrain MRimagesegmentation.IEEETransactionsonInformationTechnologyinBiomed icine，2011，15(3) : 373-380.)、基于統(tǒng)計(jì)學(xué)理論的方法（0.Eches，J.A.Benediktsson，N. Dobigeon,J.Tourneret.AdaptiveMarkovrandomfieldsforjointunmixing andsegmentationofhyperspectralimages.IEEETransactionsonImage Processing，2013, 22 (2) : 573-584.)、基于水平集理論的方法（T.Andersson，G.Lathen，R. LenzjM.Borga.Modifiedgradientsearchforlevelsetbasedimagesegmentation. IEEETransactionsonImageProcessing，2013, 22 (2): 621-630.)、基于主動(dòng)輪廓模型的 方法（S.Petroudi，C.Loizou，M.Pantziaris，C.Pattichis.Segmentationofthecommon carotidintima-mediacomplexinultrasoundimagesusingactivecontours.IEEE TransactionsonBiomedicalEngineering，2012, 59 (11) : 3060-3069.)、基于神經(jīng)網(wǎng)絡(luò) 的方法(H.Zhuang,K.Low,W.Yau.Multichannelpulse-coupled-neural-network-based colorimagesegmentationforobjectdetection.IEEETransactionsonIndustrial Electronics，2013, 59 (8) : 3299-3308.)、基于分層結(jié)構(gòu)的表 7j^*S(M.Veganzones，G. Tochon,M.Dalla-MurajA.Plaza,J.Chanussot.Hyperspectralimagesegmentation usinganewspectralunmixing-basedbinarypartitiontreerepresentation.IEEE TransactionsonImageProcessing，2014, 23(8) :3574_3589.)。其中基于四兀樹(shù)的分 割方法，簡(jiǎn)稱(chēng)QSC方法，是目前非常流行的一種圖像分割方法（K.LChung，H.LHuang，H. I.Lu.Efficientregionsegmentationoncompressedgrayimagesusingquadtreeand shadingrepresentation.PatternRecognition，2004, 37(8):1591-1605.)〇
[0009] 綜上所述，近年來(lái)雖然有很多研究人員致力于圖像分割的研究，提出了很多新的 分割技術(shù)，但由于問(wèn)題本身的困難性，目前的方法多是針對(duì)某個(gè)具體任務(wù)而言的，還沒(méi)有一 個(gè)通用的解決辦法。圖像分割困難的一個(gè)重要的原因是圖像的復(fù)雜性和多樣性。由于圖像 的復(fù)雜性，現(xiàn)有的任何一種單獨(dú)的圖像分割算法都難以對(duì)一般圖像取得令人滿意的分割結(jié) 果，因而在繼續(xù)致力于將新的概念、新的理論、新的方法引入圖像分割領(lǐng)域的同時(shí)，更加重 視多種分割算法的有效結(jié)合，近幾年來(lái)提出的方法大多數(shù)是結(jié)合了多種算法的，與單一的 分割算法相比，分割集成技術(shù)更加有效，而且魯棒性、穩(wěn)定性、準(zhǔn)確性和自適應(yīng)性等更好。
[0010] 有效的圖像表示方法不僅能節(jié)省存儲(chǔ)空間，而且還能提高圖像處理的速度。圖像 模式的NAM表示方法是對(duì)圖像模式的一種逆布局表達(dá)方式，本質(zhì)上是將圖像模式分割為預(yù) 先定義的子模式集合，可以將子模式進(jìn)行存儲(chǔ)，因此該方法也直接支持圖像的分割等處理 算法。 發(fā)明內(nèi)容
[0011] 本發(fā)明目的在于針對(duì)現(xiàn)有圖像分割技術(shù)中存在的問(wèn)題，提供一種基于非對(duì)稱(chēng)逆布 局模型（NAM)的圖像分割方法，該圖像分割方法可以顯著提高圖像分割的表示和操作效 率?；贜AM的分割算法首先要對(duì)圖像進(jìn)行編碼，得到編碼后的總同類(lèi)塊塊數(shù)為N，顏色表 P，坐標(biāo)表Q。然后從左上角第一個(gè)同類(lèi)塊開(kāi)始，依次按光柵掃描的順序掃描同類(lèi)塊，每掃描 到一個(gè)同類(lèi)塊就從顏色表和坐標(biāo)表中獲取此同類(lèi)塊四個(gè)角落的顏色值和坐標(biāo)值，并根據(jù)坐 標(biāo)值得到大小，接著掃描這個(gè)同類(lèi)塊的西邊界和北邊界處的所有鄰居像素，如果鄰居像素 所屬的區(qū)域和當(dāng)前同類(lèi)塊不屬于同一個(gè)區(qū)域且可以合并，則執(zhí)行帶按秩合并和路徑壓縮策 略的并查集算法合并區(qū)域，否則繼續(xù)掃描下一個(gè)鄰居像素。當(dāng)這個(gè)塊的左邊界和上邊界的 鄰居像素全部掃描完畢，此塊處理完畢，按以上步驟處理下一個(gè)同類(lèi)塊，直到所有塊處理完 成。
[0012] 本發(fā)明提供的基于非對(duì)稱(chēng)逆布局模型的圖像分割方法，包括以下步驟：
[0013] 步驟S1、將大小為UXV的待處理圖像用專(zhuān)利名稱(chēng)為：一種基于非對(duì)稱(chēng)逆布局模型 的靜止圖像壓縮編碼方法（專(zhuān)利號(hào)為：ZL200810196929.0)的編碼方法進(jìn)行編碼，得到編 碼后的總同類(lèi)塊的塊數(shù)N，顏色表P，坐標(biāo)表Q。
[0014] 具體方法如下：
[0015] 步驟SI. 1、將矩陣變量R的所有元素賦值為0,矩陣變量R的大小與待處理的灰度 圖像f相等，均為UXV，同時(shí)令N= 0 ;其中，U和V均為自然數(shù)；
[0016] 步驟SI. 2、按光柵掃描的順序確定灰度圖像f中的一個(gè)未被標(biāo)識(shí)的矩形塊的起始 點(diǎn)（Xpy1),根據(jù)該起始點(diǎn)和給定的誤差允許量e確定一個(gè)面積最大的同類(lèi)塊H，并將同類(lèi) 塊H在灰度圖像f?中作標(biāo)識(shí)；
[0017] 同類(lèi)塊是指滿足下述條件的矩形塊：
[0018] 該矩形塊內(nèi)所有像素的灰度值g(x, y)均滿足條件|g(x, y)-gest(x, y)I彡e，其 中，e為用戶設(shè)定的誤差允許量，（Xpy1)、（x2，y2)分別為該矩形塊左上角和右下角的坐標(biāo) 值，X1彡X彡x2,Y1彡y彡y2 ;根據(jù)坐標(biāo)（X1,Y1)和（x2,y2)的位置關(guān)系，gest(X，y)表示該同 類(lèi)塊中坐標(biāo)（x，y)處的近似灰度值，按下述四種情況計(jì)算：
[0019] 如果X1Cx2 且7々2,則gest(x，y) =g5+(g6_g5)Xi1,
[0020] 其中g(shù)5 =gl+(g2-gl)Xi2,g6 =g3+(g4-g3)Xi2, !L1 = (y-y)/G2I1)，且i2 = (X-X1) / (X2-X1);
[0021] 如果 X1 關(guān) x2 且 Y1 = y2,則 gest(x，y) = gi+^-gi)X [(X-X1V(X2-X1)];
[0022] 如果 X1 = X2 且 Y1 關(guān) y2,則 gest (x，y) = gj(grgDX [ (y-y) /G2I1)];
[0023] 如果 X1 = X2 且 Y1 = y2,則 gest (x，y) = gi;
[0024] 步驟SI. 3、記錄同類(lèi)塊H的參數(shù)，S卩：左上角的坐標(biāo)（Xl，yi)、右下角的坐標(biāo) (x2,y2)、以及4個(gè)角落的灰度值（gpg2,g3,g4);令N=N+1，
[0025] 步驟SI. 4、根據(jù)坐標(biāo)（Xl，yi)和（x2,y2)的位置關(guān)系，按如下三種情況將找到的同 類(lèi)塊H的參數(shù)存儲(chǔ)到一個(gè)顏色表P中；
[0026] 如果Xl〈x2且yi〈y2，則將同類(lèi)塊的參數(shù)（gl，g2,g3,g4)賦值到顏色表PM中，并將 矩陣變量R中對(duì)應(yīng)位置的矩形塊的左上角和右下角分別用" 1"和"2"進(jìn)行標(biāo)識(shí)；
[0027] 如果X1關(guān)X2且Y1 =y2,或X1 =X2且Y1關(guān)y2則將同類(lèi)塊的參數(shù)（gpg4)賦值到顏 色表P{N}中，并將矩陣變量R中對(duì)應(yīng)位置的矩形塊的左上角和右下角分別用" 1"和"2"進(jìn) 行標(biāo)識(shí)；
[0028] 如果X1 = &且71 =y2，則將同類(lèi)塊的參數(shù)（gl)賦值到顏色表P{N}中，并將矩陣 變量R中對(duì)應(yīng)位置的矩形塊用"-1"進(jìn)行標(biāo)識(shí)；
[0029] 步驟SL5、循環(huán)執(zhí)行步驟（SI. 2)到（SI. 4)，直到灰度圖像f中的同類(lèi)塊均被標(biāo)識(shí) 完畢；
[0030] 步驟SI. 6、輸出顏色表P;
[0031] 步驟SI. 7、根據(jù)下述坐標(biāo)數(shù)據(jù)壓縮算法，對(duì)矩陣變量R中所有非零元素的坐標(biāo)進(jìn) 行編碼，并將編碼結(jié)果存儲(chǔ)到一個(gè)坐標(biāo)表Q中；
[0032] ①逐行掃描大小為UXV的矩陣變量R，如果該行所有元素均為零，那么就不用編 碼該行，在這種情況下，使用一個(gè)二進(jìn)制位"〇"來(lái)表示本行從頭到尾都不存在非零元素，并 將該二進(jìn)制位"〇"存儲(chǔ)到該行的編碼表q中；否則，如果該行存在非零元素，那么就在每一 個(gè)非零元素前加一個(gè)前綴符"1"，然后在前綴符后加上用以標(biāo)識(shí)非零元素1、2和-1的碼字， 最后將該前綴符"1"和其后的碼字存儲(chǔ)到該行的編碼表q中；
[0033] ②用b個(gè)比特來(lái)表示這個(gè)非零元素所在列的位置，并將這b個(gè)比特存儲(chǔ)到該行的 編碼表q中，其中b的值按如下二種情況進(jìn)行計(jì)算；
[0034] 對(duì)于在某一行遇到的第一個(gè)非零元素，b= [Iog2V];這里的b個(gè)比特用來(lái)指明第 一個(gè)非零元素關(guān)于本行首端的位置；
[0035] 對(duì)于在某一行遇到的除了第一個(gè)非零元素以外的其他非零元素，b= [Iog2 (V-C)]，其中c是前一次遇到的非零元素的列的位置；這里的b個(gè)比特用來(lái)表示這個(gè) 非零元素關(guān)于前一次編碼的非零元素的右端的位置；
[0036] ③在某一行的最后一個(gè)非零元素編碼完后，使用一個(gè)二進(jìn)制位" 0 "來(lái)表示本行剩 余的元素均為零，并將這個(gè)二進(jìn)制位"〇"存儲(chǔ)到該行的編碼表q中，否則，如果該行的最后 一個(gè)非零元素的位置在本行的末尾，那么就不必使用"0"來(lái)表示本行剩余的元素均為零；
[0037] 步驟SI. 8、輸出坐標(biāo)表Q，其中Q是由矩陣變量R的所有行的行編碼表順序連接而 得到的。
[0038] 步驟S2、置一個(gè)當(dāng)前掃描塊的序號(hào)i，并令i= 0,同時(shí)設(shè)置一個(gè)指針矩陣B，大小 為UXV，用于表示每個(gè)像素指向的區(qū)域。
[0039] 步驟S3、在顏色表中得到P[i]，坐標(biāo)表中得到Q[i]。
[0040] 步驟S4、根據(jù)Q[i]，算出當(dāng)前塊的大小size，和左邊界、上邊界坐標(biāo)信息。
[0041] 步驟S5、從左邊界最下方開(kāi)始，往上掃描，對(duì)每個(gè)左邊界像素L找出它左邊的一個(gè) 像素LL(即LL在X方向比L小1)，并利用矩陣B找出像素L和像素LL所屬的區(qū)域，再用帶 按秩合并和路徑壓縮策略的并查集算法找出這兩個(gè)區(qū)域的祖先區(qū)域，若兩個(gè)區(qū)域是同一區(qū) 域，則跳到下一個(gè)像素，否則，如果兩個(gè)區(qū)域不屬于同一區(qū)域，用如下公式和引理判斷這兩 個(gè)祖先是否可合并。
[0042] 首先，假設(shè)任意同類(lèi)塊K的大小為wXh，且0 <i<w+1，0 <j<h-1，同時(shí)令：
[0043]

【權(quán)利要求】
1. 一種基于非對(duì)稱(chēng)逆布局模型的圖像分割方法，其特征在于，包括以下步驟： 步驟S1、將大小為UXV的待處理圖像進(jìn)行編碼，得到編碼后的總同類(lèi)塊塊數(shù)N、顏色表P和坐標(biāo)表Q; 步驟S2、設(shè)置一個(gè)當(dāng)前掃描塊的序號(hào)i，并令i= 0,同時(shí)設(shè)置一個(gè)指針矩陣B，大小為UXV，用于表示每個(gè)像素指向的區(qū)域； 步驟S3、在顏色表中得到P[i]，坐標(biāo)表中得到Q[i]; 步驟S4、根據(jù)Q[i]，算出當(dāng)前塊的大小size以及和左邊界和上邊界的坐標(biāo)信息； 步驟S5、從左邊界最下方開(kāi)始，往上掃描，對(duì)每個(gè)左邊界像素L找出它左邊的一個(gè)像素LL，即LL在X方向比L小1，并利用矩陣B找出像素L和像素LL所屬的區(qū)域，再用帶按秩合 并和路徑壓縮策略的并查集算法找出這兩個(gè)區(qū)域的祖先區(qū)域，若兩個(gè)區(qū)域是同一區(qū)域，則 跳到下一個(gè)像素，否則，如果兩個(gè)區(qū)域不屬于同一區(qū)域，利用公式和引理來(lái)判斷這兩個(gè)祖先 是否可合并； 步驟S6、左邊界掃描完畢后，從上邊界最左方開(kāi)始，往右掃描，對(duì)每個(gè)上邊界像素T找 出它上邊一個(gè)像素TT，即TT在Y方向比T小1，并利用矩陣B找出像素T和像素TT所屬的 區(qū)域，再用帶按秩合并和路徑壓縮策略的并查集算法找出這兩個(gè)區(qū)域的祖先區(qū)域，若兩個(gè) 區(qū)域是同一區(qū)域，則跳到下一個(gè)像素；否則，如果兩個(gè)區(qū)域不屬于同一區(qū)域，用步驟S5中所 述的公式判斷這兩個(gè)祖先是否可合并； 步驟S7、i++，并跳轉(zhuǎn)至步驟S3,直到所有塊處理完畢為止； 步驟S5中所述公式的定義如下： 假設(shè)任意同類(lèi)塊K的大小為wXh，且0 <i<w+1, 0 <j<h-1，同時(shí)令：
則gest(x，y)的表達(dá)式為：
2.根據(jù)權(quán)利要求1所述的基于非對(duì)稱(chēng)逆布局模型的圖像分割方法，其特征在于，所述 步驟1包括以下步驟： 步驟SI. 1、將矩陣變量R的所有元素賦值為0,矩陣變量R的大小與待處理的灰度圖像f相等，均為UXV，同時(shí)令N= 0 ;其中，U和V均為自然數(shù)； 步驟SI. 2、按光柵掃描的順序確定灰度圖像f中的一個(gè)未被標(biāo)識(shí)的矩形塊的起始點(diǎn) (Xpy1),根據(jù)該起始點(diǎn)和給定的誤差允許量ε確定一個(gè)面積最大的同類(lèi)塊H，并將同類(lèi)塊H 在灰度圖像f中作標(biāo)識(shí)； 所述的同類(lèi)塊是指滿足下述條件的矩形塊： 該矩形塊內(nèi)所有像素的灰度值g(x, y)均滿足條件Ig(x, y)-gest (X，y)I彡ε，其中，ε為用戶設(shè)定的誤差允許量，（Xl，yi)、（x2，y2)分別為該矩形塊左上角和右下角的坐標(biāo)值， X1彡X彡X2,Y1彡y彡y2 ;根據(jù)坐標(biāo)（X1,Y1)和（x2,y2)的位置關(guān)系，gest(x,y)表示該同類(lèi) 塊中坐標(biāo)（x，y)處的近似灰度值，按下述四種情況計(jì)算： 如果X1G2且Y1Cy2,則gest(X，y) =g5+ (g6-g5)Xi" 其中g(shù)5 = gi+ (g2-gi) X i2, g6=g3+(?-?)x "，ii=(yii) / (y2ii)，且i2=(χ_χι)/ (X2-X1); 如果X1 關(guān)x2 且Y1 =y2,則gest (x，y) = gi+ (?-?) x [ (χ_χι) / (x2_xi)]; 如果X1=x2 且Y1 關(guān)y2,則gest(X，y) = gj(gfgjX [ (y-yj/(Y2I1)]; 如果X1=x2 且Y1=y2,則gest(X，y) = g!; 步驟SI. 3、記錄同類(lèi)塊H的參數(shù)，S卩：左上角的坐標(biāo)（X1J1)、右下角的坐標(biāo)（x2，y2)、以 及4個(gè)角落的灰度值Q1,g2,g3,g4);令N=N+1， 步驟31.4、根據(jù)坐標(biāo)〇^，71)和〇^，72)的位置關(guān)系，按以下三種情況將找到的同類(lèi)塊H的參數(shù)存儲(chǔ)到一個(gè)顏色表P中： 第一種情況：如果七〈&且71〈72，則將同類(lèi)塊的參數(shù)（^ &，&44)賦值到顏色表？{? 中，并將矩陣變量R中對(duì)應(yīng)位置的矩形塊的左上角和右下角分別用" 1"和"2"進(jìn)行標(biāo)識(shí)； 第二種情況：如果X1關(guān)X2且Y1 =y2,或X1 =X2且Y1關(guān)y2則將同類(lèi)塊的參數(shù)（gi,g4) 賦值到顏色表P{N}中，并將矩陣變量R中對(duì)應(yīng)位置的矩形塊的左上角和右下角分別用" 1" 和"2"進(jìn)行標(biāo)識(shí)； 第三種情況：如果4 = &且71 = 72，則將同類(lèi)塊的參數(shù)（gl)賦值到顏色表PM中， 并將矩陣變量R中對(duì)應(yīng)位置的矩形塊用"-1 "進(jìn)行標(biāo)識(shí)； 步驟SI. 5、循環(huán)執(zhí)行步驟SI. 2至步驟SI. 4,直到灰度圖像f中的同類(lèi)塊均被標(biāo)識(shí)完畢 為止； 步驟SI. 6、輸出顏色表P; 步驟SI. 7、根據(jù)下述坐標(biāo)數(shù)據(jù)壓縮算法，對(duì)矩陣變量R中所有非零元素的坐標(biāo)進(jìn)行編 碼，并將編碼結(jié)果存儲(chǔ)到一個(gè)坐標(biāo)表Q中； 步驟SI. 8、輸出坐標(biāo)表Q，其中，Q是由矩陣變量R的所有行的行編碼表順序連接而得 到的。
3.根據(jù)權(quán)利要求2所述的基于非對(duì)稱(chēng)逆布局模型的圖像分割方法，其特征在于，所述 步驟SI. 7包括以下步驟： ① 逐行掃描大小為UXV的矩陣變量R，如果該行所有元素均為零，那么就不用編碼該 行，在這種情況下，使用一個(gè)二進(jìn)制位"0"來(lái)表示本行從頭到尾都不存在非零元素，并將該 二進(jìn)制位"0"存儲(chǔ)到該行的編碼表q中；否則，如果該行存在非零元素，那么就在每一個(gè)非 零元素前加一個(gè)前綴符"1"，然后在前綴符后加上用以標(biāo)識(shí)非零元素1、2和-1的碼字,最后 將該前綴符"1"和其后的碼字存儲(chǔ)到該行的編碼表q中； ② 用b個(gè)比特來(lái)表示這個(gè)非零元素所在列的位置，并將這b個(gè)比特存儲(chǔ)到該行的編碼 表q中，其中，b的值按如下二種情況進(jìn)行計(jì)算； 對(duì)于在某一行遇到的第一個(gè)非零元素，b= [Iog2V];所述的b個(gè)比特用于指明第一個(gè) 非零元素關(guān)于本行首端的位置； 對(duì)于在某一行遇到的除了第一個(gè)非零元素以外的其他非零元素，b= [Iog2(V-C)],其 中c是前一次遇到的非零元素的列的位置；所述的b個(gè)比特用于表示這個(gè)非零元素關(guān)于前 一次編碼的非零元素的右端的位置； ③在某一行的最后一個(gè)非零元素編碼完后，使用一個(gè)二進(jìn)制位"O"來(lái)表示本行剩余的 元素均為零，并將這個(gè)二進(jìn)制位"〇"存儲(chǔ)到該行的編碼表q中，否則，如果該行的最后一個(gè) 非零元素的位置在本行的末尾，則不必使用"〇"來(lái)表示本行剩余的元素均為零。
4.根據(jù)權(quán)利要求1所述的基于非對(duì)稱(chēng)逆布局模型的圖像分割方法，其特征在于，在步 驟S5中，所述的引理包括第一引理、第二引理、第三引理、第四引理、第五引理和第六引理； 所述第一引理的定義如下： 在位置（Xi+i,yi+j)，0彡i彡w+1, 0彡j彡h-1,處的灰度估計(jì)值：
式中，s.t.表示約束條件，即對(duì)于四種同類(lèi)塊的處理情況； 所述第二引理的定義如下： 塊K的均值：
所述第三引理的定義如下： 塊K灰度估計(jì)值的平方和：
寸由C- 2w~x , c-2/7-1 · 式中，1 ：〇 2 60-l)， 所述第四引理的定義如下： 塊K的方差：
所述第五引理的定義如下： 合并區(qū)域C的灰度均值： _nAMA+nIiMii Mc--， 所述第五引理要根據(jù)具體同類(lèi)A和同類(lèi)塊B所屬的四種類(lèi)型來(lái)分別調(diào)用前面已經(jīng)給出 的均值計(jì)算公式，即第二引理即可； 所述第六引理的定義如下：
式中，表示區(qū)域C的灰度方差的合并值。
【文檔編號(hào)】G06T7/00GK104318560SQ201410564036
【公開(kāi)日】2015年1月28日 申請(qǐng)日期:2014年10月21日 優(yōu)先權(quán)日:2014年10月21日
【發(fā)明者】鄭運(yùn)平 申請(qǐng)人:華南理工大學(xué)