[發(fā)明專利]聯(lián)合視覺(jué)顯著性和圖割優(yōu)化的圖像自動(dòng)分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611200224.2
• 申請(qǐng)日: 2016-12-22
• 公開(kāi)（公告）號(hào): CN106846331A
• 公開(kāi)（公告）日: 2017-06-13
• 發(fā)明（設(shè)計(jì)）人: 葛水英;陸鈞;能紀(jì)濤
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院文獻(xiàn)情報(bào)中心
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06T7/194;G06T7/90
• 代理公司: 北京中濟(jì)緯天專利代理有限公司11429
• 代理人: 楊樂(lè)

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及聯(lián)合視覺(jué)顯著性和圖割優(yōu)化的圖像自動(dòng)分割方法。

背景技術(shù)

圖像分割是將圖像分成不同的區(qū)域，每個(gè)區(qū)域有相同的顏色、強(qiáng)度或紋理，在圖像分析、物體識(shí)別跟蹤和計(jì)算機(jī)視覺(jué)中它都具有重要作用。圖像分割的方法多種多樣，早期人們利用閾值法進(jìn)行分割，近些年研究人員更多地研究利用能量函數(shù)解決分割問(wèn)題。

閾值法是人們最開(kāi)始使用也是最簡(jiǎn)單的圖像分割方法，給定一個(gè)事先定義好的灰度閾值，大于這個(gè)閾值的被視為前景物體，小于這個(gè)閾值的被視為背景物體。該方法關(guān)鍵是找到一個(gè)合適的灰度閾值，在這一方面Otsu的算法是最常被使用的。閾值法之后陸續(xù)出現(xiàn)了基于邊緣和基于區(qū)域的圖像分割方法，基于邊緣的分割方法利用連接圖像前景和背景的像素會(huì)有較大差異這一特性，對(duì)圖像求一階導(dǎo)數(shù)或二階導(dǎo)數(shù)可以檢測(cè)到這種不連續(xù)性。Sobel邊緣檢測(cè)子就是利用圖像梯度概念檢測(cè)邊緣，Canny邊緣檢測(cè)子通過(guò)使用濾波和強(qiáng)化操作能得到更好的分割結(jié)果。基于區(qū)域的分割方法利用同一區(qū)域內(nèi)像素是相似的這一特性，通過(guò)逐步迭代擴(kuò)大種子區(qū)域來(lái)進(jìn)行分割。像k-means方法、meanshift方法都是屬于基于區(qū)域的分割方法。這些圖像分割方法利用圖像底層屬性(強(qiáng)度、顏色或紋理)來(lái)對(duì)圖像進(jìn)行分割，同樣的還有watershed方法，其基本思想是把圖像看作是測(cè)地學(xué)上的拓?fù)涞孛玻瑘D像中每一像素的灰度值表示該像素的海拔高度，每一局部極小值及其影響區(qū)域稱為集水盆，集水盆的邊界形成分水嶺，找到分水嶺即完成了對(duì)圖像的分割。無(wú)論是閾值法、基于邊緣、基于區(qū)域或watershed方法，都容易導(dǎo)致圖像過(guò)度分割或分割不足的問(wèn)題。

基于能量函數(shù)的分割方法是對(duì)圖像構(gòu)建一個(gè)能量函數(shù)，當(dāng)能量函數(shù)達(dá)到最小值時(shí)圖像就完成了分割。圖割(Graph Cut)就屬于這一類，它最早被Boykov和Jolly提出，這種算法模型將圖像的邊緣特征和區(qū)域特征很好地結(jié)合起來(lái)，在一定程度上解決了過(guò)分割或分割不足的問(wèn)題。在圖割基礎(chǔ)上發(fā)展起來(lái)的Grab Cut如今應(yīng)用比較廣泛，它需要用戶將圖像中前景物體用矩形框出作為先驗(yàn)知識(shí)，在數(shù)據(jù)量較大時(shí)這項(xiàng)工作將變得費(fèi)時(shí)費(fèi)力。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了解決上述技術(shù)問(wèn)題，而提供聯(lián)合視覺(jué)顯著性和圖割優(yōu)化的圖像自動(dòng)分割方法。

本發(fā)明包括以下步驟：

①利用HC算法獲取圖像顯著圖；

②對(duì)圖像前景像素和背景像素進(jìn)行高斯混合模型訓(xùn)練；

③依據(jù)圖像高斯混合模型訓(xùn)練結(jié)果對(duì)圖像構(gòu)造圖結(jié)構(gòu)并利用圖割優(yōu)化方法對(duì)圖像進(jìn)行分割。

所述步驟①中，HC算法利用圖像像素顏色統(tǒng)計(jì)信息標(biāo)識(shí)各像素之間的區(qū)別，通過(guò)量化計(jì)算表示這種差別即為各像素的顯著值，計(jì)算公式為：

其中，c_l是像素顏色值，n是圖像中顏色值不同的像素?cái)?shù)目，f_j是具有顏色值c_l的像素?cái)?shù)目。

所述步驟②中，對(duì)獲取的圖像顯著圖的圖像前景像素和背景像素進(jìn)行初步估計(jì)，估計(jì)方法為閾值法：

f_O＝{(x,y)|s(x,y)＞V_threshold}

b_O＝{(x,y)|s(x,y)＜V_threshold}

其中，f_O代表屬于前景的像素，b_O代表屬于背景的像素，s(x,y)為步驟一中求得的各像素的顯著值，V_threshold為自定義的閾值。

所述步驟③中，用無(wú)向權(quán)重圖G＜V,E＞表示要分割的圖像，其中V表示頂點(diǎn)集合，E表示邊集合，頂點(diǎn)包括圖像中各像素點(diǎn)和分別代表前景的S和背景的T的兩個(gè)頂點(diǎn)，邊包括相鄰像素之間的連接和各像素與S、T之間的連接，且各條邊會(huì)有一個(gè)附加權(quán)重值，利用步驟3訓(xùn)練得到的圖像前景與背景高斯混合模型，對(duì)圖像中各像素求解該像素屬于前景和背景的概率，圖中各條邊的權(quán)重由該概率確定，由此確定圖像的圖結(jié)構(gòu)，求解圖的最小割問(wèn)題，定義圖像能量函數(shù)：

E(L)＝αR(L)+B(L)

其中，R(L)是區(qū)域項(xiàng)，B(L)是邊界項(xiàng)。

本發(fā)明具有以下優(yōu)點(diǎn)：本發(fā)明提供聯(lián)合視覺(jué)顯著性和圖割優(yōu)化的圖像自動(dòng)分割方法，可實(shí)現(xiàn)圖像的自動(dòng)分割,即不需要人為參與完成圖像分割，具有很好的推廣應(yīng)用價(jià)值。

附圖說(shuō)明

圖1是本發(fā)明步驟示意圖。

圖2是本發(fā)明進(jìn)行圖像自動(dòng)分割的原圖。