基于改进熵率超像素和区域合并的岩屑图像分割

岩屑颗粒的分割与提取在地质分析、矿物处理中起着关键的作用，是岩性识别和分析的基础。针对岩屑颗粒图像纹理、阴影、形状、边缘特征复杂的特点，本文提出一种改进熵率超像素分割和区域合并后续处理方法。熵率超像素算法提出具有紧凑性、区域一致性约束的目标函数，考虑岩屑颗粒的形状，对此目标函数加入基于镜面对称系数的几何对称性约束条件，用此目标函数对岩屑颗粒聚类超像素分割，使岩屑颗粒图像分割边缘定位更加准确。针对超像素过分割严重的特征，提出基于和差直方图的最大相似度合并算法，降低岩屑图像过分割率。实验结果表明，此算法用于岩屑的分割，比其他算法取得较好的分割结果。

在计算机视觉应用中，超像素具有减少算法复杂度的优点，常应用于图像处理的许多领域，如目标识别[1]、图像分割[2] [3]和3D 重建[4] [5]。目前国内外已有大量的超像素分割算法，大致可以分为基于图论的分割算法和基于梯度下降的超像素两类[6]， 代表性算法分别为Felzenswalb 等人[7]提出的FH 算法和Vincent 等人[8]提出的分水岭(Water Sheds)算法， 把这些算法应用在岩屑颗粒图像的分割上， 尽管都有各自的优势特点，但很难同时保证在分割准确率和时间效率两个衡量图像分割优劣核心指标。王亚静等人[9]采用熵率超像素分割算法[10]对岩屑图像进行分割，取得了较好的分割效果。熵率超像素分割算法提出了包含两项的目标函数：1) 图上随机游走熵率， 2) 平衡函数项， 运用贪心算法迭代目标函数策略最大化目标函数。本文在分析熵率超像素算法图像分割基础上，对算法目标函数加入基于镜面对称系数的几何对称性约束条件,以改进熵率岩屑分割效果。该算法考虑岩屑颗粒形状信息，可得岩屑颗粒图像边缘附着性好、分割区域紧致、均匀的分割结果。最后，针对超像素分割过分割严重的问题，提出改进的最大相似度区域合并(MSRM)算法， 以对岩屑颗粒分割图像后处理， 改善最终分割结果。

本文算法的主要框架如下图1。

2. 改进熵率超像素分割 2.1. 熵率超像素分割 1) 熵率：熵率超像素分割结合数学基础、图论、随机游走模型和信息熵的理论，假设原图为加权的 Figure 1. The framework of algorithm 图1. 算法框架