统计区域合并方法探析

经过SLIC算法分割以后的图像，具有明显的过分割效果，如图7.3（a）所示，本书将采用文献［199，200］中阐述的统计合并方法将超像素进行合并，最终消除过分割现象，并获得良好的图像分割效果。图形被分割为超像素以后，每个超像素都会有一个标记label，统计区域合并将以此为基础，预测区域相似性，根据预测结果对邻近区域进行合并。

在区域合并中，一幅图像的最优区域代表着分享一致属性的一组理论对象，所谓一致属性是指：

（1）在任意一个统计区域内，任何一个RGB信道，在该不同信道内这些统计像素集具有相同期望值。

（2）相邻统计区域的期望值至少在一个信道中是不同的。一幅图像的每一个信道用Q个独立随机变量来确切表示，因而信道内相似间隔为g/Q（g为信道最大取值个数，一般为256）。Q可以用来量化图像区域合并的复杂度，并且能够保证任务模型和统计困难度的一般性［6］。从实验的角度看，Q能够改变图像统计复杂性，并且能够用来控制图像分割的粗糙度。

文献［199，200］中已经从理论和实验角度详细证明了区域合并的有效性，其合并预测函数为：

(www.xing528.com)

式中，为相邻区域R各信道平均值；为区域R像素个数；Ri表示具有i个像素的区域集。

为了预测超像素之间的相似性，首先需统计计算各个超像素的平均RGB值，该过程可以根据每个超像素的label值经过一次遍历图像完成：

式中，Ci为第i个超像素；Rj、Gj、Bj为图像每个像素在RGB颜色空间中的值；Ni为每个超像素包含像素个数；分别为第i个超像素的平均RGB值。

为了描述超像素合并框架，我们以SLIC分割结果为基础，遍历图像相邻区域，根据预测函数进行区域合并。像文献［200］中描述的那样，采用Tarjan's disjoint-set数据结构，提高分割效率。算法伪代码描述如下。