[發明專利]一種結合貝葉斯分類與SLIC的Grabcut彩色圖像分割方法

在審

• 申請號: 201710813135.3
• 申請日: 2017-09-11
• 公開（公告）號: CN107564010A
• 公開（公告）日: 2018-01-09
• 發明（設計）人: 任大勇;賈振紅
• 申請（專利權）人: 新疆大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06K9/62
• 代理公司: 北京鼎佳達知識產權代理事務所(普通合伙)11348
• 代理人: 王偉鋒,劉鐵生

技術領域

本發明涉及一種彩色圖像分割方法，具體為一種結合貝葉斯分類與SLIC的Grabcut彩色圖像分割方法，屬于彩色圖像分割領域。

背景技術

基于圖論的Graph cut算法是近年來彩色圖像分割領域的熱點研究方向。2001年Greig等首次將Graph cut應用于計算機視覺領域，2004年Rother等以Graph cut為基礎，提出了交互式的Grabcut彩色圖像分割算法。該算法利用簡單的矩形框標出背景區域，使用高斯混合模型GMM(Gaussian Mixture Model)初始化更新前景和背景的種子點像素，迭代運用Graph cut算法進行GMM參數估計，直到整個算法收斂為止，從而明顯改善了Graph cut分割效果。但是迭代運算需要大量繁復的計算，不能滿足于現代高速分割彩色圖像的需要，而且基于超像素的Grabcut圖像分割算法在超像素數目較低時會出現分割惡化的現象。因此有效的提升Grabcut算法的效率問題，改善特定情況下的分割惡化現象一直是該領域研究的焦點。目前，提升Grabcut算法的效率問題的方法主要有兩類：第一類是在Grabcut算法之前進行各種預分割處理，提高算法的分割速度。如結合經典的分水嶺、二次分水嶺算法等；第二類就是人工介入，進行標注，進而降低計算量提升算法的效率。使用第一類方法效率很高，但是設置的預分割超像素塊數較少時仍然會出現較大分割錯誤，很難達到良好的分割效果。第二類方法需要人的主觀介入，不同人的主觀判斷會影響客觀分割結果，不具普適性。本發明屬于第一類方法，在前人的基礎上，針對當預分割后取樣點過少而導致嚴重分割錯誤的問題，使用貝葉斯分類對預分割后的取樣點進行分類，再對分類后的網格圖使用第二次SLIC進行聚類，并且以聚類后像素塊RGB均值代替其像素值進行高斯混合模型進行參數估計，最后使用最小割算法得出圖模型最優分割，不僅達到了比目前已有算法更高的分割效率，而且改善分割惡化的現象。

發明內容

本發明提供一種結合貝葉斯分類與SLIC的Grabcut彩色圖像分割方法，顯著改善了基于超像素的Grabcut圖像分割算法在超像素數目較低時出現分割惡化的現象，并有效的降低了Grabcut分割過程中Gibbs能量函數迭代求解過程中耗時等問題。

為實現上述目的，本發明提供如下技術方案：一種結合貝葉斯分類與SLIC的Grabcut彩色圖像分割方法，所述方法包括以下步驟：

S1、使用聚類方法對圖像進行聚類，使用聚類后的各像素塊的RGB均值作為像素點構建精簡的Graph Cuts模型；

S2、對模型中的像素點進行分類，對進行分類后的像素點進行二次聚類，并用各個像素塊的均值代替像素點值進行GMM(高斯混合模型)參數估計；

S3、獲取圖模型最優分割。

優選的，所述聚類方法為SLIC算法。

優選的，所述分類方法為經典的貝葉斯分類算法，使用貝葉斯分類對模型中的像素點進行分類，并且前后兩次分別結合SLIC算法。

優選的，所述獲取圖模型最優分割的方法為最小割算法。

優選的，利用貝葉斯分類并采用兩次SLIC進行處理，改善了基于超像素的Grabcut圖像分割算法在超像素數目較低時出現分割惡化的現象，提高了圖像分割的效率。

優選的，最小割算法的具體計算方法是采用網絡流理論的重要定理中的最大流最小割定理，是圖論中的一個核心定理；最大流最小割定理為：任何網絡中最大流的流量等于最小割的容量。

優選的，圖像使用圖論的方式進行表述，圖論將圖像映射為一個包含源點s與匯點t的s-t網絡圖，以圖中點的集合表示像素點，以點與點之間的邊集表示像素之間的相關程度，從而使s-t網絡映射成為一個函數f，f為一個頂點集V-{s,t}到{0,1}的映射，當時f(v)＝1,v∈s；當f(v)＝0時,v∈t。

優選的，圖像的最有分割路徑等效于求解在這個網絡流中能從源點到達匯點的最大流量；根據最大流最小割定理，上述最優路徑等效于從網絡中移除就能夠導致網絡流終端的邊的集合的最小容量和。

與現有技術相比，本發明的有益效果是：本發明提供一種結合貝葉斯分類與SLIC的Grabcut彩色圖像分割方法，顯著改善了基于超像素的Grabcut圖像分割算法在超像素數目較低時出現分割惡化的現象，并有效的降低了Grabcut分割過程中Gibbs能量函數迭代求解過程中耗時等問題。相比于現有算法，耗時更短，且在面臨極限情況下魯棒性依舊很好。

附圖說明

圖1為本發明Graph Cuts模型示意圖。