本發(fā)明屬于圖像處理
技術領域：
，涉及一種圖像分割技術，具體是一種基于tarjan算法和區(qū)域連接的圖像分割方法。
背景技術：
：所謂圖像分割指的是根據(jù)灰度、顏色、紋理和形狀等特征把圖像劃分成若干互不交迭的區(qū)域，并使得這些特征在同一區(qū)域內呈現(xiàn)相似性，在不同區(qū)域之間呈現(xiàn)明顯的差異性?，F(xiàn)有的圖像分割方法主要分以下幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于圖論的分割方法等。zahn提出一種基于圖的最小生成樹的分割方法，但這種簡單的割斷最小權重邊的方法存在很大缺陷。由于圖像中往往灰度劇烈變化的區(qū)域的像素之間的灰度差別很大，但是其對應在圖中的邊權重很小，若簡單的設置閾值來割斷小權重邊，則會出現(xiàn)不合理的分割。但是基于tarjan算法和區(qū)域連接的圖像分割技術，不僅在構圖的時候利用了有向的信息，而且在分割的過程中結合了區(qū)域的概念，既保證整體上是一個最小樹形圖，又保證了分割后的每個區(qū)域都是一個最小樹形圖，最后的區(qū)域連接技術再一次保證了圖像分割的準確性，防止出現(xiàn)過分割。技術實現(xiàn)要素：本發(fā)明目的是提供一種快速，準確的基于tarjan算法和區(qū)域連接的圖像分割方法，首次提出了在有向圖上進行的，不需要任何參數(shù)設置的快速圖像分割算法，該算法具有很大的發(fā)展前景和應用空間。本發(fā)明提供一種基于tarjan算法和區(qū)域連接的圖像分割方法，包括以下步驟：s1.基于圖像相鄰像素點之間的梯度差的正負對輸入圖像i構建有向圖i'。s2：在有向圖i'上利用tarjan算法構建最小樹形圖，為了保證樹形圖一定存在，需要添加一個虛擬節(jié)點，從虛擬節(jié)點構建直線連接有向圖的每個節(jié)點，權重為無窮大。構建完最小樹形圖之后去掉虛擬節(jié)點和虛擬節(jié)點所連接的邊，形成一個個獨立的根樹，每個根樹代表一個碎片區(qū)域。s3：計算相鄰碎片區(qū)域之間的兩類連接邊，一種邊連接相鄰兩區(qū)域的葉子節(jié)點，權重為we1。另一種邊連接相鄰兩區(qū)域的根節(jié)點，權重為we2。s4：將s3中所計算的兩類邊按we1，λwe2進行升序排列并依次判斷：若該邊所連接的兩碎片大小和相似性滿足區(qū)域連接條件，則用由區(qū)域間顏色差決定的權重邊連接兩碎片區(qū)域。s5：輸出分割圖像i”。進一步的，s1中構建有向圖的方法為：令p，q表示圖像i上一對相鄰的像素點，表示兩點的梯度值，若構建兩條有向連接線分別指向p和q。若構建一條有向連接線由q指向p，反之構建有向連接線從p指向q。進一步的，s3中所述we1和we2計算公式為：we2＝|avg(u)-avg(v)|其中p1和p2表示相鄰兩區(qū)域u和v的根樹的葉子節(jié)點，avg(u)和avg(v)代表區(qū)域u和v的平均顏色強度。avg(u)＝colsum(u)/size(u)colsum(u)表示區(qū)域u中所有像素點的rgb三通道顏色值之和，size(u)表示區(qū)域u中像素點的個數(shù)。進一步的，s4中λ取0.2，由于每個區(qū)域的根節(jié)點較葉子節(jié)點不易受邊界節(jié)點的影響，所以賦予根節(jié)點之間的連接邊更小的選擇權重。區(qū)域連接條件：size(u)-size(v)≤αsize(u)≤β或者size(v)≤βc＜min(int(u)+τ(u),int(v)+τ(v))其中α＝β＝50，c表示當前判斷的連接邊的權重，int(u)，int(v)表示區(qū)域u,v里面的最大的邊權重。τ(u)＝k/size(u)k＝m*n/sm和n表示輸入圖像i的寬度和高度，s＝200。τ(u)控制兩個區(qū)域之間的差異在多大程度上小于區(qū)域內差異才能被連接。連接兩區(qū)域的邊權重計算同we1。本發(fā)明是第一個用到梯度信息建立像素點之間聯(lián)系的圖像分割算法，打破了傳統(tǒng)的觀念：圖像只能被建立成無向圖，第一次嘗試在有向圖上進行圖像分割。圖像分割過程不需要任何參數(shù)的設置，分割結果更自然，能同時滿足速度和精度的要求，既滿足實時性，有能實現(xiàn)精確的分割。本發(fā)明所述的圖像分割過程結合了整體與局部，既保證整體上是一個最小樹形圖，又保證了分割后的每個區(qū)域都是一個最小樹形圖，最后的區(qū)域連接技術再一次保證了圖像分割的準確性，防止出現(xiàn)過分割。附圖說明圖1為有向圖示意圖。圖2為構建最小分支的過程。圖3為區(qū)域之間的兩類連接邊示意圖。圖4為在是圖像分割結果。其中，(a)baby1；(b)monopoly；(c)midd1；圖5為本發(fā)明的方法流程圖。具體實施方式下面，將結合附圖1～4進一步詳細說明本發(fā)明的具體實施方式本發(fā)明是基于tarjan算法和區(qū)域連接的圖像分割技術，具體實施步驟如下：s1.基于圖像相鄰像素點之間的梯度差的正負對輸入圖像i構建有向圖i'。令p，q表示圖像i上一對相鄰的像素點，表示兩點的梯度值，若構建兩條有向連接線分別指向p和q。若構建一條有向連接線由q指向p，反之構建有向連接線從p指向q。s2：在有向圖i'上利用tarjan算法構建最小樹形圖，為了保證樹形圖一定存在，需要添加一個虛擬節(jié)點，從虛擬節(jié)點構建直線連接有向圖的每個節(jié)點，權重為無窮大。構建完最小樹形圖之后去掉虛擬節(jié)點和虛擬節(jié)點所連接的邊，形成一個個獨立的根樹，每個根樹代表一個碎片區(qū)域。s3：計算相鄰碎片區(qū)域之間的兩類連接邊，一種邊連接相鄰兩區(qū)域的葉子節(jié)點，權重為we1。另一種邊連接相鄰兩區(qū)域的根節(jié)點，權重為we2。we2＝|avg(u)-avg(v)|其中p1和p2表示相鄰兩區(qū)域u和v的根樹的葉子節(jié)點，avg(u)和avg(v)代表區(qū)域u和v的平均顏色強度。avg(u)＝colsum(u)/size(u)colsum(u)表示區(qū)域u中所有像素點的rgb三通道顏色值之和，size(u)表示區(qū)域u中像素點的個數(shù)。s4：將s3中所計算的兩類邊按we1，λwe2進行升序排列并依次判斷：若該邊所連接的兩碎片大小和相似性滿足區(qū)域連接條件，則用由區(qū)域間顏色差決定的權重邊連接兩碎片區(qū)域。λ取0.2，由于每個區(qū)域的根節(jié)點較葉子節(jié)點不易受邊界節(jié)點的影響，所以賦予根節(jié)點之間的連接邊更小的選擇權重。區(qū)域連接條件：size(u)-size(v)≤αsize(u)≤β或者size(v)≤βc＜min(int(u)+τ(u),int(v)+τ(v))其中α＝β＝50，c表示當前判斷的連接邊的權重，int(u)，int(v)表示區(qū)域u,v里面的最大的邊權重。τ(u)＝k/size(u)k＝m*n/sm和n表示輸入圖像i的寬度和高度，s＝200。τ(u)控制兩個區(qū)域之間的差異在多大程度上小于區(qū)域內差異才能被連接。連接兩區(qū)域的邊權重計算同we1。s5：輸出分割圖像i”。表1提供了該算法對不同尺寸的圖片分割時間。表1圖片尺寸tarjan平均時間區(qū)域連接平均時間(a)baby1370*4130.21s0.04s(b)monopoly370*4430.24s0.03s(c)midd1370*4650.27s0.04s當前第1頁12