【技术实现步骤摘要】
本专利技术涉及图像分割，具体涉及一种基于自适应特征感知的图像分割方法。
技术介绍
1、随着无人机技术的广泛应用，从农业监测到城市规划，需要从大量图像中快速而准确地提取地面特征信息，而图像分割在无人机测绘和数据信息处理中发挥着重要作用。无人机作为一种强大的数据收集工具，能够获取大量高分辨率的地理图像，地理图像需要精确的分割来识别地物和地貌特征，如道路、建筑、水体和植被等。关于图像分割方法，现有存在基于阈值的分割、基于边缘的分割以及基于聚类结果的分割等，现有图像分割方法在图像分割过程中，受地理图像中复杂的地理环境的影响，分割结果准确性低下，不利于提取地理图像中较为准确的数据信息。
技术实现思路
1、为了解决上述现有图像分割方法的分割结果准确性低下，不利于提取地理图像中较为准确的数据信息的技术问题，本专利技术的目的在于提供一种基于自适应特征感知的图像分割方法，所采用的技术方案具体如下：
2、本专利技术一个实施例提供了一种基于自适应特征感知的图像分割方法，该方法包括以下步骤：
3、步骤s1，获取待分割图像中每个像素点的rgb值、lbp值和位置，将rgb值、lbp值和位置构成向量，将所述向量作为特征向量；
4、步骤s2，确定待分割图像中每个像素点对应的特征向量的初始权重；根据待分割图像中每个像素点对应的特征向量，利用k-means++算法，确定待分割图像中的各个初始聚类中心；
5、步骤s3，根据待分割图像中每个像素点对应的特征向量及其初始权重、
6、步骤s4，根据各个初始聚类簇中每个像素点对应的特征向量，计算各个初始聚类簇中每个像素点对应的轮廓系数；根据轮廓系数判断是否更新聚类中心；
7、步骤s5，若需要更新聚类中心，则根据每个像素点的初始权重、轮廓系数以及学习率，确定每个像素点对应的特征向量的第一权重；
8、步骤s6，根据各个初始聚类簇内每个像素点对应的特征向量及其第一权重更新聚类中心，确定各个第一聚类中心；以此类推，迭代执行步骤s3至步骤s6，直至不需要更新聚类中心，将此时的聚类结果作为待分割图像的分割结果。
9、进一步地，确定待分割图像中每个像素点对应的特征向量的初始权重，包括：
10、确定每个像素点对应的特征向量中的元素个数，采用均等权重方法，将元素个数的倒数作为每个像素点对应的特征向量的初始权重。
11、进一步地，根据待分割图像中每个像素点对应的特征向量，利用k-means++算法，确定待分割图像中的各个初始聚类中心，包括：
12、在待分割图像中任选一个像素点作为第一个初始聚类中心，将待分割图像中除第一初始聚类中心以外的其他各个像素点作为参考像素点；根据待分割图像中每个像素点对应的特征向量，计算各个参考像素点与第一个初始聚类中心之间的距离，获得各个参考像素点的距离；根据各个参考像素点的距离，计算各个参考像素点的聚类中心选择概率；将最大聚类中心选择概率对应的参考像素点作为第二个初始聚类中心；
13、将待分割图像中除第一初始聚类中心和第二个初始聚类中心以外的其他各个像素点作为参考像素点；计算各个参考像素点与第二个初始聚类中心之间的距离，获得各个参考像素点的距离；计算各个参考像素点的聚类中心选择概率，将最大聚类中心选择概率对应的参考像素点作为第三个初始聚类中心；以此类推，迭代执行初始聚类中心确定过程，直至获得所有的初始聚类中心。
14、进一步地，根据各个参考像素点的距离，计算各个参考像素点的聚类中心选择概率，包括：
15、计算各个参考像素点的距离平方，将单个参考像素点的距离平方与所有参考像素点的距离平方之和的比值，作为对应的参考像素点的聚类中心选择概率，获得各个参考像素点的聚类中心选择概率。
16、进一步地，根据待分割图像中每个像素点对应的特征向量及其初始权重、各个初始聚类中心对应的特征向量，获得各个初始聚类簇，包括：
17、将任意一个像素点作为选定像素点，根据选定像素点对应的特征向量及其初始权重、各个初始聚类中心对应的特征向量，确定选定像素点的各个加权距离；将最小加权距离对应的初始聚类中心作为选定像素点的目标初始聚类中心；
18、获得每个像素点的目标初始聚类中心，将目标初始聚类中心对应的所有像素点组成的聚类簇作为初始聚类簇。
19、进一步地，所述选定像素点的各个加权距离的计算公式为：
20、式中，dwp,c为待分割图像中第p个像素点的第c个加权距离，第p个像素点为选定像素点，d为待分割图像中第p个像素点对应的特征向量中的元素个数，wp,i为待分割图像中第p个像素点对应的特征向量中第i个元素的初始权重，gp,i为待分割图像中第p个像素点对应的特征向量中的第i个元素，jc,i为待分割图像中第c个初始聚类中心对应的特征向量中第i个元素；其中，像素点对应的特征向量中每个元素的初始权重等于特征向量的初始权重；加权距离与初始聚类中心一一对应，加权距离与初始聚类中心的序号均可用字符c表示。
21、进一步地，所述每个像素点对应的特征向量的第一权重的计算公式为：
22、式中，为待分割图像中第p个像素点对应的特征向量的第一权重，wp为待分割图像中第p个像素点对应的特征向量的初始权重，η为学习率，取值为0.01，q为待分割图像中第p个像素点对应的轮廓系数，为轮廓系数关于第p个像素点对应的特征向量的初始权重的偏导数。
23、进一步地，根据各个初始聚类簇内每个像素点对应的特征向量及其第一权重更新聚类中心，确定各个第一聚类中心，包括：
24、将任一初始聚类簇作为选定初始聚类簇，计算选定初始聚类簇内每个像素点对应的特征向量与其对应的第一权重的乘积，将选定初始聚类簇对应的所有乘积的平均值作为第一聚类中心对应的特征向量，获得第一聚类中心。
25、进一步地，根据轮廓系数判断是否更新聚类中心，包括：
26、若预设数目个轮廓系数大于预设阈值，则判定不需要更新聚类中心；若预设数目个轮廓系数不大于预设阈值，则判定需要更新聚类中心。
27、本专利技术具有如下有益效果：
28、本专利技术提供了一种基于自适应特征感知的图像分割方法，该图像分割方法在提取图像特征信息，从三个不同的角度获取数据，有助于提取完整的特征信息，便于后续实现更精准的图像分割；为待分割图像中每个像素点对应的特征向量设置权重，其有助于提高在较为复杂的图像中区分不同区域的能力，特别是在颜色、纹理或形状差异较小的场景图像中；在确定各个初始聚类簇时，利用k-means++进行聚类中心初始化的方法，有助于减少了传统k-means算法对初始值选择的敏感性，提升了分割结果的稳定性和重复性；量化聚类簇的聚类效果，即确定轮廓系数，判断是否进行迭代更新聚类中心，该过程会重复进行，直到聚类结果收敛或达到预设的迭代次数，其有助于提高基于聚类的图像分割的准确性；确定第一本文档来自技高网...
【技术保护点】
1.一种基于自适应特征感知的图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自适应特征感知的图像分割方法，其特征在于，确定待分割图像中每个像素点对应的特征向量的初始权重，包括：
3.根据权利要求1所述的一种基于自适应特征感知的图像分割方法，其特征在于，根据待分割图像中每个像素点对应的特征向量，利用K-means++算法，确定待分割图像中的各个初始聚类中心，包括：
4.根据权利要求3所述的一种基于自适应特征感知的图像分割方法，其特征在于，根据各个参考像素点的距离，计算各个参考像素点的聚类中心选择概率，包括：
5.根据权利要求1所述的一种基于自适应特征感知的图像分割方法，其特征在于，根据待分割图像中每个像素点对应的特征向量及其初始权重、各个初始聚类中心对应的特征向量，获得各个初始聚类簇，包括：
6.根据权利要求2所述的一种基于自适应特征感知的图像分割方法，其特征在于，所述选定像素点的各个加权距离的计算公式为：
7.根据权利要求1所述的一种基于自适应特征感知的图像分割方法，其特征在于，所述
8.根据权利要求1所述的一种基于自适应特征感知的图像分割方法，其特征在于，根据各个初始聚类簇内每个像素点对应的特征向量及其第一权重更新聚类中心，确定各个第一聚类中心，包括：
9.根据权利要求1所述的一种基于自适应特征感知的图像分割方法，其特征在于，根据轮廓系数判断是否更新聚类中心，包括：
...【技术特征摘要】
1.一种基于自适应特征感知的图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自适应特征感知的图像分割方法，其特征在于，确定待分割图像中每个像素点对应的特征向量的初始权重，包括：
3.根据权利要求1所述的一种基于自适应特征感知的图像分割方法，其特征在于，根据待分割图像中每个像素点对应的特征向量，利用k-means++算法，确定待分割图像中的各个初始聚类中心，包括：
4.根据权利要求3所述的一种基于自适应特征感知的图像分割方法，其特征在于，根据各个参考像素点的距离，计算各个参考像素点的聚类中心选择概率，包括：
5.根据权利要求1所述的一种基于自适应特征感知的图像分割方法，其特征在于，根据待分割图像中每...
【专利技术属性】
技术研发人员：万洪浩，刘旭，金凯文，许廷轩，苏梓豪，
申请(专利权)人：西北核技术研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。