[發(fā)明專(zhuān)利]基于顯著性檢測(cè)和聯(lián)合分割算法的背景圖像分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611116554.3
• 申請(qǐng)日: 2016-12-07
• 公開(kāi)（公告）號(hào): CN106780376A
• 公開(kāi)（公告）日: 2017-05-31
• 發(fā)明（設(shè)計(jì)）人: 張建華;李凱;孔繁濤;馮全;吳建寨;韓書(shū)慶
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所
• 主分類(lèi)號(hào): G06T5/00
• 分類(lèi)號(hào): G06T5/00;G06T7/11;G06T7/143
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司11002
• 代理人: 王慶龍

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，更具體地，涉及一種基于顯著性檢測(cè)和聯(lián)合分割算法的背景圖像分割方法。

背景技術(shù)

病害圖像識(shí)別包括圖像預(yù)處理、圖像分割、特征提取與模式識(shí)別。其中，圖像分割是關(guān)鍵步驟之一，分割精度直接影響特征提取的可靠性和模式識(shí)別的準(zhǔn)確性。經(jīng)典的分割方法有閾值法、邊緣檢測(cè)、基于統(tǒng)計(jì)模式識(shí)別的分割方法、基于人工神經(jīng)網(wǎng)絡(luò)的分割方法等。

現(xiàn)有技術(shù)中每種分割方法都適用于各自特定的情況。如閾值分割計(jì)算簡(jiǎn)單、運(yùn)算效率較高、速度快，只考慮灰度值，不考慮空間特征，對(duì)噪聲敏感；閾值確定后，將閾值與像素點(diǎn)的灰度值逐個(gè)進(jìn)行比較，而且像素分割可對(duì)各像素并行進(jìn)行，分割的結(jié)果直接給出圖像區(qū)域；然而，閾值分割只適用于前背景對(duì)比度強(qiáng)的圖像，由于在實(shí)際情況下，物體背景和前景的對(duì)比度在圖像當(dāng)中各處都不相同，因此很難有一個(gè)確定的閾值。邊緣檢測(cè)圖像灰度級(jí)或者結(jié)構(gòu)突變的地方進(jìn)行檢測(cè)，從而確定邊緣分布，常用Roberts算子、Prewitt算子和Sobel算子等一階微分算子和Laplace算子和Kirsh算子等二階微分算子進(jìn)行邊緣檢測(cè)，但通常只適用于小噪聲特征簡(jiǎn)單的圖像。因此，經(jīng)典的分割方法也具有一定的局限性與不足。

自然條件下，復(fù)雜背景、天氣光照都會(huì)對(duì)圖像的成像質(zhì)量造成較大的影響，容易使圖像前景和背景對(duì)比度不強(qiáng)，不同圖像之間變化很大，導(dǎo)致使用傳統(tǒng)方法分割效果不佳、適應(yīng)性不高。目前，并不存在一種通用的分割方法，能夠適用于所有特征、所有情況下的圖像。

基于圖割的分割方法是近年來(lái)出現(xiàn)的一種新的解決分割問(wèn)題的方法，在處理分割問(wèn)題具有普適性，分割效果較好。但是在圖像前景和背景對(duì)比度不高的情況下，分割結(jié)果容易出現(xiàn)粘連，影響分割精度。一些學(xué)者建議從具有共同目標(biāo)或共同前景的多張圖像中檢測(cè)到強(qiáng)特征，有助于區(qū)分前景和背景，這類(lèi)方法稱(chēng)為聯(lián)合分割法。聯(lián)合分割一般先對(duì)圖像用馬爾可夫隨機(jī)場(chǎng)建模，構(gòu)造能量方程，然后用圖割方法對(duì)其進(jìn)行優(yōu)化求解，以實(shí)現(xiàn)對(duì)分割的分割處理。

發(fā)明內(nèi)容

本發(fā)明提供一種克服上述問(wèn)題或者至少部分地解決上述問(wèn)題的基于顯著性檢測(cè)和聯(lián)合分割算法的背景圖像分割方法，能夠很好地解決普通分割法在分割過(guò)程中所出現(xiàn)的分割粘連的問(wèn)題，以達(dá)到精準(zhǔn)分割的目的；采用無(wú)監(jiān)督的顯著性檢測(cè)算法，又使本方法能實(shí)現(xiàn)分割過(guò)程的自動(dòng)化。

根據(jù)本發(fā)明的一個(gè)方面，提供一種背景圖像分割方法，包括以下步驟：

S1、對(duì)原始圖像進(jìn)行處理，得到單張圖像顯著性圖和多張圖像聯(lián)合顯著性圖；

S2、將多張圖像聯(lián)合顯著性圖中的顯著性特征作為各個(gè)單張圖像的共同顯著性，對(duì)前景與背景進(jìn)行區(qū)分；

S3、對(duì)背景圖像進(jìn)行分割。

作為優(yōu)選的，所述步驟S1具體包括：通過(guò)非監(jiān)督的共同顯著性算法對(duì)圖像進(jìn)行處理，得到每張圖像的單張圖像顯著性圖和多張圖像聯(lián)合顯著性圖。

作為優(yōu)選的，所述步驟S2包括：

S21、為一組具有共同顯著性的圖像分配最優(yōu)標(biāo)記，利用馬爾可夫隨機(jī)場(chǎng)為標(biāo)記后的圖像建立一個(gè)聯(lián)合分割的能量方程；

S22、通過(guò)建立的能量方程，將單張圖像顯著性圖中具有共同顯著性的局部特征像素標(biāo)記為前景，其余像素標(biāo)記為背景。

作為優(yōu)選的，所述步驟S21具體包括：通過(guò)混合高斯模型對(duì)多張圖像聯(lián)合顯著性圖與單張圖像顯著性圖的差異進(jìn)行建模，并將其作為馬爾可夫隨機(jī)場(chǎng)模型的全局約束來(lái)構(gòu)造聯(lián)合分割的能量方程。

作為優(yōu)選的，在步驟S21中，對(duì)于圖像I＝{I₁,…,I_i,…,I_N}，所述聯(lián)合分割的能量方程為：

E(S)＝E_A(S)+E_i(S)

式中，E_A(S)為單張圖像內(nèi)部能量項(xiàng)，E_i(S)為圖像間全局能量項(xiàng)；為圖像I_i中的共同顯著性能量項(xiàng)，為圖像I_i中的平滑度能量項(xiàng)，η是共同顯著性能量項(xiàng)的權(quán)重；P(·)表示高斯概率分布，是圖像I_i中像素k或j的特征,是圖像I_i中第k像素，和表示圖像I_i前景和背景的混合高斯模型參數(shù)，Θ_com表示由所有圖像的前景組成共同目標(biāo)的混合高斯模型參數(shù)。