刘南锋

摘  要：针对传统K-Means聚类算法对图像分割时受初始聚类数目设定对像素点进行分类存在聚类不准确、对聚类中心依赖性较强的问题和无法区分感兴趣区域（Region of Interest，ROI）和非感兴趣区域（Non Region of Interest，NROI）的弊端，提出一种基于改进K-Means聚类的视频感兴趣区域提取算法。首先，该算法根据视觉关注机制分别确定当前帧视频图像中运动剧烈区域的最小纹理复杂度和信息熵与运动平缓区域的最大纹理复杂度和信息熵;然后基于K-Means聚类思想随机选取k个初始聚类中心，并采用设计的聚类规则对像素点进行迭代分类，最后对分类后的各个聚类集合根据运动剧烈区域与运动平缓区域的纹理复杂度和信息熵进行区域分类，最终确定该视频帧的感兴趣区域和非感兴趣区域，完成视频感兴趣区域的提取。消除传统K-Means聚类算法对图像分割时分类不准确和鲁棒性弱的问题，并提取出视频的感兴趣区域。

关键词：K-Means聚类;感兴趣区域;非感兴趣区域;纹理复杂度;信息熵

0引言

随着计算机视觉领域的发展，图像处理在医疗、军事、电力等行业迅猛发展，而图像分割作为图像处理的基础手段在计算机视觉中发挥着重要作用[1]。人眼视觉关注机制表明[2]，人眼对于视频帧不同区域具有不同的关注度，对于运动剧烈的区域，即感兴趣区域更易引起人眼关注;而对于运动平缓区域，即非感兴趣区域关注度较低;目前针对视频帧的分割目的在于区别视频帧中不同运动剧烈程度的区域，而忽略了基于人眼视觉关注机制对于图像的分割。……