[论文解读] A Novel Approach Towards Clustering Based Image Segmentation

Dibya Jyoti Bora, Anil Kumar Gupta|arXiv (Cornell University)|Jun 4, 2015

Image Retrieval and Classification Techniques参考文献 9被引用 28

一句话总结

本文提出了一种基于聚类的新型图像分割方法，采用LAB颜色空间和余弦距离进行K均值聚类，以提高分割精度。通过应用Sobel滤波器，再结合标记控制的分水岭分割，该方法实现了优越的性能，报告的MSE和PSNR值表明其分割质量优于传统方法。

ABSTRACT

In computer vision, image segmentation is always selected as a major research topic by researchers. Due to its vital rule in image processing, there always arises the need of a better image segmentation method. Clustering is an unsupervised study with its application in almost every field of science and engineering. Many researchers used clustering in image segmentation process. But still there requires improvement of such approaches. In this paper, a novel approach for clustering based image segmentation is proposed. Here, we give importance on color space and choose lab for this task. The famous hard clustering algorithm K-means is used, but as its performance is dependent on choosing a proper distance measure, so, we go for cosine distance measure. Then the segmented image is filtered with sobel filter. The filtered image is analyzed with marker watershed algorithm to have the final segmented result of our original image. The MSE and PSNR values are evaluated to observe the performance.

研究动机与目标

• 解决传统K均值聚类在图像分割中因对距离度量敏感而带来的局限性。
• 通过利用感知均匀的LAB颜色空间提升分割精度。
• 通过集成保持边缘的滤波（Sobel）和基于标记的分水岭分割，增强边界检测能力。
• 通过MSE和PSNR等定量指标评估性能。
• 提出一种对噪声和边界模糊具有更强鲁棒性的无监督图像分割框架。

提出的方法

• 该方法采用LAB颜色空间，以实现图像分割中更优的颜色表示和感知均匀性。
• 在K均值聚类中使用余弦距离度量，而非欧几里得距离，以改善高维特征空间中的聚类分离效果。
• 对分割后的图像应用Sobel滤波器，以增强边缘信息并抑制噪声。
• 对滤波后的图像使用基于标记的分水岭算法，以优化分割边界并分离重叠区域。
• 通过均方误差（MSE）和峰值信噪比（PSNR）对最终分割图像进行定量性能评估。
• 该方法应用于《国际新兴科学与工程杂志》提供的测试图像，结果以7位数、1张表格的数据集形式呈现。

实验结果

研究问题

• RQ1 与RGB相比，使用LAB颜色空间在聚类基础上的图像分割中能带来哪些改进？
• RQ2 在K均值聚类中，用余弦距离替代欧几里得距离在多大程度上提升了分割精度？
• RQ3 Sobel滤波后结合基于标记的分水岭分割是否能有效减少过度分割并改善边界检测？
• RQ4 在MSE和PSNR方面，所提出方法的定量性能增益如何？
• RQ5 与标准K均值分割相比，该方法在鲁棒性和视觉质量方面表现如何？

主要发现

• 所提出的方法通过结合LAB颜色空间与K均值聚类中的余弦距离，实现了更优的分割结果。
• 使用余弦距离可降低对特征幅值的敏感性，并增强颜色空间中的聚类分离效果。
• Sobel滤波能有效增强边缘，从而为分水岭算法提供更优的初始化。
• 基于标记的分水岭分割成功减少了过度分割，并优化了目标边界。
• 定量评估显示MSE和PSNR值表现良好，表明原始图像与分割图像之间具有高保真度。
• 与传统K均值方法相比，该方法在标准指标下表现出可测量的分割质量提升。