赵 军,朱 荽,杨雯璟,许彦辉,庞 宇

(重庆邮电大学 计算智能重庆市重点实验室,重庆 400065)

0 概述

图像分割是计算机视觉和图像处理中的基础部分,其目的在于按照颜色、灰度、纹理等将图像划分成多个不相交的区块,从中提取研究者感兴趣的区域[1]。在计算机视觉领域,对于灰度图像的研究比对彩色图像的研究更为成熟。但随着人工智能的发展,对彩色图像研究方法的需求量在不断增加,针对彩色图像的研究得到了研究者高度重视。

研究者提出许多彩色图像的分割方法,这些方法可分为基于阈值的分割[2-4]、基于聚类的分割[5]、基于边缘或轮廓检测的分割[6-7]和基于区域提取的分割[8]四大类。相较于其他方法,由于聚类是一种无监督的分类算法,不必事先知道分类准则,因此研究者将各类聚类方法应用于图像分割领域,形成诸多基于聚类的图像分割方法,如模糊C均值(Fuzzy C-Means,FCM)聚类[9-11]、K-means聚类[12-13]、谱聚类[14]、Mean-Shift聚类[15-16]、简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)[17-18]等。其中,有些方法如K-means和FCM在给定聚类数的前提下,能够生成一种分割算法,但算法分割的性能对聚类中心和聚类数敏感,并且多数算法需要人工确定参数。而密度峰值聚类(Density Peak Clustering,DPC)适用于处理任何形状的数据集,无需提前设置簇的数量,所需参数少,算法原理简单容易理解,其复杂度也比一般的聚类算法如FCM和K-means低,但是DPC的可靠性依赖于截断距离的取值和人工确定的聚类中心。

本文提出一种基于DPC的图像分割算法。针对传统DPC中的参数截断距离靠经验取值的情况,引入信息论中信息熵的概念,求得其自适应的截断距离,得到改进后的密度峰值聚类(EDPC),并在EDPC的基础上对彩色图像进行分割。……