论文研究-一种互惠最近邻区域合并的超像素生成方法 .pdf
需积分: 48 139 浏览量
2019-08-16
09:25:46
上传
评论
收藏 599KB PDF 举报
http://www.paper.edu.cn
-1-
中国科技论文在线
一种互惠最近邻区域合并的超像素生成
方法
罗学刚
1
，
2
，王华军
1
，杨强
1
，明勇
1
(1. 成都理工大学地球物理学院，成都 610059；
2. 攀枝花学院数学与计算机学院，四川攀枝花 617000)
摘要：针对传统的超像素生成方法的性能受超像素数目制约，提出一种互惠最近邻区域聚类
生成超像素的方法。该方法利用 k-means 算法将图像细分为大量均匀同质类似单元格的小区
域，使用互惠最近邻聚类算法以区域面积为约束条件在小范围搜寻互惠最近邻进行合并，从
而生成超像素。通过实验与 SLIC(Simple Linear Iterative Clustering)比较，结果表明，互惠最
近邻区域聚类生成的超像素在较少的超像素数目情况下仍然具有高边界查全率和低欠分割
错误的优点，可保持良好的分割质量。
关键词：超像素；互惠最近邻；K 均值聚类
中图分类号：TP391 文献标识码：A
An approach for generating superpixels by merging
reciprocal nearest neighbors of regions
Luo Xuegang
1 2
, Wang Huajun
1
, Yang Qiang
1
, Ming Yong
1
(1. Geophysics Institute, Chengdu University of Technology, Chengdu 610059 China;
2. School of Mathematics and Computer Science, Panzhihua University, Panzhihua Sichuan
617000, China)
Abstract: In order to solve the issue that the performance of traditional methods of generating
superpixels is restricted by the number of superpixels, we present a method for generating superpixels
by clustering reciprocal nearest neighbors (RNN) of regions. Firstly, image is segmented into a large
number of regular homogeneous small regions which are similar to cells by virtue of k-means.
Secondly, regions in a small distance with the regional area as constraint conditions are merged by
RNN clustering to generate superpixels. To validate the effectiveness of the proposed method, results of
experiment on BSDS 500 dataset of natural images show that this method for generating superpixels
has advantages of high boundary recall and low under-segmentation error over SLIC superpixels, and
maintains good segmentation quality.
Key words: superpixels; Reciprocal Nearest Neighbors; k-means clustering
超像素其实是一种过分割，即将图像中具有相同或相似特征属性的近邻像素聚合在一
起。文献[1]最早提出生成超像素的算法，该算法将图像分割成许多具有同质像素的小区域，
并将相邻相似的像素组合为一个处理单元，这样的分割方法更能体现人类的感知意义，也更
符合自然的现实表示。目前，出现了大量的以超像素代替像素的计算机视觉处理方法，如图
像分割
[2-3]
、图像解析
[4]
和目标定位
[5]
等。
传统的超像素生成方法由于计算复杂、分割质量差、参数设置过多等缺点，无法满足图
像的后续处理。近年来，有较多的超像素生成方法被提出
[6-9]
，而这些方法主要以聚类和图
思想为主。文献[6]提出了一种在分割的子图像区域中采用边缘加权的Voronoi-Cells反复迭代
聚类的超像素生成方法，该方法是一种k-means聚类方法，具有高效率、低成本的优点，但
其分割效果受多边形区域边界与图像边缘一致性的制约。文献[7]提出了一种TurboPixels的生
成方法，该方法把图像分割成格状结构，应用几何流思想保证边界的完整性，在效率和效果
基金项目：四川省教育厅青年基金(07ZB102)
作者简介：罗学刚(1983—)，男，讲师，博士研究生，主要研究方向：图像分析，计算机视觉
通信联系人：王华军，教授，主要研究方向：计算机应用技术，计算机仿真，E-mail：lxg_123@foxmail.com
评论0
最新资源