基于核传递的半自动图像分割方法

1.一种基于核传递的半自动图像分割方法，其特征在于，包括如下步骤：
1)输入一幅图像，采用均值漂移方法将该图像预分割为超像素集 i＝1，
2，...，n，其中si为预分割输入图像所得的第i个超像素，n表示S所含超像素的个数；
2)提取每一个超像素的16级量化的颜色直方图，构成超像素颜色直方图特征集其中histi为第i个超像素的16级量化直方图，16级量化直方图横坐标所包含的颜色种类为4096；
3)依据超像素直方图特征集SF，采用Bhattacharyya系数公式计算任意两个超像素间的相似性系数： u为颜色特征直方图的第u类，获得大小为n×n
的相似度矩阵W＝{Wij}，i＝1，2，...，n，j＝1，2，...，n；
4)在预分割之后的图像上，通过用户交互操作对超像素进行标记，即将前景目标超像素标记为1，背景超像素标记为0，生成一个大小为num_seed×1的标记向量lsi∈{0，1}，其中lsi表示第i个种子超像素的标记，num_seed为标记的种子超像素的个数，并由num_seed个种子超像素构成种子超像素集合 其中sei为标记的第i个种子超像素；
5)查看种子超像素集合Sseed中种子超像素sei和sei+1的标记lsi和lsi+1，如果sei与sei+1的标记lsi和lsi+1相同，则用sei与sei+1在超像素颜色直方图特征集SF中对应的位置构造must-link约束集合M；否则，用sei与sei+1在超像素颜色直方图特征集SF中对应的位置构造cannot-link约束集合C；
6)将成对约束信息must-link约束集合M，cannot-link约束集合C以及相似度矩阵W，按照核传递方法的映射关系映射到一个核空间，得到大小为n×n的核矩阵R；
7)采用k均值聚类方法，把核矩阵R按行聚为两类，得到聚类标记向量
li∈{0，1}，其中li为第i个超像素si的标记；
8)将聚类标记向量中标记为0的超像素的颜色设置为白色，作为背景；将标记为1的超像素保持原始图像的颜色，作为分割出来的前景目标，输出并显示结果图像。
2.根据权利要求1所述的方法，其特征在于所述步骤4)中的用户交互操作，是按如下步骤进行：
4a)通过鼠标标记前景目标超像素：在预分割后的图像上，用户先通过鼠标选择随后要进行标记的类型，即前景类型，然后对前景目标超像素进行标记；4b)通过鼠标标记背景超像素：在预分割后的图像上，用户先通过鼠标选择随后要进行标记的类型，即背景类型，然后对背景超像素进行标记，得到带有前景标记和背景标记的图像。
3.根据权利要求1所述的方法，其特征在于步骤7)所述的采用k均值聚类方法，把核矩阵R按行聚为两类，按照如下步骤进行：
7a)将大小为n×n的核矩阵R的每一行视为一个数据点，得到n个数据点(X1，X2，...Xn)，其中Xi为核矩阵R第i行，对应于第i个超像素，i＝1，2，...，n；
7b)从(X1，X2，...Xn)中选取一个前景目标超像素对应数据点Xi和一个背景超像素对应数据点Xj，用Xi作为第一类数据点集 的聚类中心 用Xj作为第二类数据点集 的聚类中心 其中i＝1，2，...，num_seed，j＝1，2，...，num_seed，i≠j，根据欧氏距离公式，当k＝1时，计算第1次分类时每一个数据点Xi到两个聚类中心和 的距离 和
其中，Xi是第i个数据点，
如果 将数据点Xi划归到 所在的数据点集 即 反之将
数据点Xi划归到 所在数据点集 即
7c)对第k次分类得到两类数据点集 和 依据均值公式计算新聚类中心
j∈{1，2}，其中nj表示第j个数据点集 数据点的个数；
7d)根据欧氏距离公式，计算每一个数据点Xi到两个新聚类中心 的距离
其中，j∈{1，2}， 为第k+1次分类时第j类数据点集 的聚类中心，
如果 将数据点Xi划分到 所在数据点集 即
反之则将数据点Xi划分到 所在数据点集 即
7f)重复步骤7c)和7d)，直到 j∈{1，2}，即两类聚类中心不再变化为止，得到两类数据点集 和

暂无