Subspace Clustering Methodfor Robust Image Segmentation（已开源超像素块特征提取代码）子空间聚类的图像分割

摘要：从图像中分割出有意义的视觉结构是图像分析算法中最基本和解决最多的问题。然而，在多种视觉模式、噪声、复杂背景以及前景和背景中存在的相似纹理等因素中，图像分割仍然是一个具有挑战性的研究问题。在本文中，所提出的方法采用无监督方法，将图像分割作为图像特征向量的子空间聚类。最初，图像被划分为一组称为超像素的同质区域，从中计算局部光谱直方图特征。随后，创建特征数据矩阵，然后应用子空间聚类方法。

通过 l 1/ 2 和 l2 范数最小化的联合作用，制定了具有增强分割能力的单阶段优化模型。 l 1 2 正则化对噪声和稀疏度高估的稳健性分别提供了同时的噪声稳健性和更好的子空间选择。而 l2 范数有利于分组效果。因此，设计的优化模型确保了改进的稀疏解和具有精确块对角线结构的稀疏表示矩阵，从而有利于获得正确分割的图像。然后，将所提出方法的实验结果与最先进的算法进行比较。结果表明我们的方法比最先进的算法性能有所提高

 

从超像素生成特征向量
在使用聚类技术的图像分割问题中，找到相似区域等同于在该图像中找到适当数量的聚类 [6]。为此，需要将图像划分为一组称为超像素的特定区域 [4、5]。图像的超像素是一组任意形状的均匀图像块，严格对齐图像中存在的边缘 [4, 15]。

在所提出的方法中，给定图像 A 首先被划分为一组超像素 [29]。然后，计算超像素的颜色直方图 (CH)、局部二元模式 (LBP)、定向梯度直方图 (HOG) [4] 和局部单调模式 (LMP) 等局部光谱直方图 (LSH) 特征。然后，根据超像素 [6, 30] 的 LSH 特征创建特征数据矩阵 X = [x1, x2, x3...xN ] ∈ RM×N。每个列向量 xi ∈ X 被视为对应于第 i 个超像素的 M 维特征向量，其中 N 表示超像素的总数。此外，属于同一相干区域的特征彼此线性相关 [6]。超像素保存空间结构，因为这些补丁携带图像的连贯内容 [15]