超像素分割是指将图像依据灰度、颜色、纹理等低级特征相似的相邻像素分割成具有
一定视觉意义的不规则像素块。用少量的超像素代替大量的像素来表达图片信息,可以大
幅减少处理对象的数量,提高后续处理的效率。超像素分割作为一种有效的图像预处理手
段,被广泛应用于目标识别
[1-4]
、图像分割
[5-10]
、目标跟踪
[11-13]
等计算机视觉任务中。
在 2003 年至今的十几年里,针对不同的计算机视觉需求,学者们提出了多种超像素
分割算法。Zhang 等
[14]
提出的一种伪布尔优化算法(pseudo boolean,简称 PB),能获得较高
的分割精度,但每张图像处理时间约为 0.5 s,时间复杂度高。Achanta 等
[15]
提出的简单线
性迭代聚类方法(simple linear iterative clustering,简称 SLIC)是由 k-means 算法改进而来,
像素点的表示基于 Lab 颜色特征和空间特征。与传统的 k-means 算法不同的是,该方法的
种子点只搜索某个尺寸远小于图像像素总数的局部区域,使得 SLIC 方法的时间复杂度比
传统 k-means 算法要低。Hu 等
[16]
基于分水岭算法,提出了一种空间约束的分水岭算法
(watershed superpixel,简称 SCoW)。SCoW 基于 Lab 颜色特征和颜色梯度特征表示像素
点,通过一系列均匀标签来进行分水岭分割。该算法引入边缘预处理来确保均匀性和紧凑
性之间的平衡,以牺牲精度为代价,达到了高效的分割速度。Achanta 等
[17]
提出了基于
SLIC 改进版的(simple non-iterative clustering,简称 SNIC)方法。在 SNIC 方法中,种子点
仅搜索 4 邻域或 8 邻域区域来进行聚类。SNIC 方法计算更少距离对,节省时间和空间成
本,增强了超像素间的连通性,但不能较好地贴合图像边缘。Ban 等
[18]
提出了一种基于局
部高斯混合模型的分割方法(superpixel segmentation using gaussian mixture model,简称
GMMSP)。该方法中每个高斯函数采用相同的权重,这使得每个超像素拥有相近的尺寸期
望值,有助于生成大小相似的超像素。该方法精度较高,但在贴合目标边缘方面还有一定
弱势。Chai
[19]
将超像素分割作为一个像素标记问题,提出了生成超像素网格的四值标记算
法,提高了效率,但在分割精度上仍有不足。
已有的超像素分割算法在性能表现上各有优劣,但都存在对目标边界点的区分能力弱
的缺点。为克服这个不足,提出一种新的 MNSS 算法。该算法保留 SNIC 算法非迭代聚类
框架的优势,引入颜色梯度特征和形态学轮廓特征,增强算法对颜色变化剧烈区域和目标
边缘的敏感度,保证算法边缘高命中率的同时,增强算法的分割性能。
1. 算法描述
1.1 特征表示
任一像素点 j 的特征由一个七维向量 p
j
=[l
j
, a
j
, b
j
, x
j
, y
j
, g
j
, u
j
]表示,其中:[l, a, b]为像素
点 CIELAB 空间中的颜色特征;[x, y]为空间特征;g 为梯度特征;u 为轮廓特征。
1.1.1 颜色和空间特征
对于任意两像素点 p
i
=[l
i
, a
i
, b
i
, x
i
, y
i
, g
i
, u
i
]和 p
c
=[l
c
, a
c
, b
c
, x
c
, y
c
, g
c
, u
c
],颜色距离定义为