[发明专利]深度图像的自适应聚类分割算法

摘要

本发明提供一种深度图像的自适应聚类分割算法，涉及数字图像处理技术领域。该方法包括获取深度图像，对采集的图像样本进行滤波等预处理，提取深度图像的直方图，采用改进的自适应K‑means算法对直方图数据进行聚类，得到类别中心和类别标记等信息，作为分割深度图像的阈值。本发明能自适应地确定深度图像的目标数目，增强K‑means算法的收敛性，降低K‑means算法的迭代次数，从而快速有效分割深度图像。

主权项

一种深度图像的自适应聚类分割算法，其步骤如下：步骤1：建立深度图像样本库；采用3D摄像机采集深度图像，场景不限，前景目标主要为操作者或是操作者的脸、手、手臂、躯干；所述步骤1的3D摄像机为微软的体感外设3D摄像机Kinect；步骤2：预处理步骤；对采集的深度图像进行预处理，采用中值滤波过滤噪声，以便于后续处理；所述步骤2的预处理方法为：采用中值滤波对图像进行平滑，过滤噪声；步骤3：获取深度图像的直方图；经过预处理后，提取深度图像的直方图数据；所述步骤3中的获取深度图像的直方图过程为：在深度图像中，统计具有相同距离的像素点个数，得到相应的直方图；步骤4：改进的自适应K‑means算法基本步骤如下：（1）从直方图数据中选择N个点作为初始聚类中心；（2）扫描全部数据，计算每个点与聚类中心的距离，并根据最小距离将该点归入相应的类；（3）根据步骤（2）的划分，重新计算每个类的聚类中心；（4）设定终止条件：如果条件满足，则算法终止；如果条件不满足，则返回到步骤（2）；所述步骤4中的基本步骤（1）从直方图数据中选择N个点作为初始聚类中心，具体采用如下方法：按照从小到大的顺序，在直方图中查找连续不为零的一段数据，将其标记为一类，并将其中的最大值标记为该类的初始类中心；若该段数据宽度不足即：连续不为零的数据个数小于阈值T，则与相邻段合并，直到满足预设的数据宽度阈值T；在深度图像的直方图中，数据所表达的含义是深度信息，即：目标与采集设备的距离，若数据不连续即：两段数据的间隔超过阈值T，间隔中的数据均为零，即可判定为不同目标；步骤5：提取分割阈值；根据最终的类别中心点及类别标记信息，计算分割图像前景所需要的阈值。