[發(fā)明專利]基于多視角融合的圖像前景自動提取方法

在審

• 申請?zhí)枺?/td>: 201711216652.9
• 申請日: 2017-11-28
• 公開（公告）號: CN108090485A
• 公開（公告）日: 2018-05-29
• 發(fā)明（設(shè)計）人: 王敏;馬宏斌;侯本棟
• 申請（專利權(quán)）人: 西安電子科技大學昆山創(chuàng)新研究院;西安電子科技大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/34;G06K9/46;G06K9/62;G06T3/40
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

本發(fā)明公開了一種基于多視角融合的圖像前景自動提取方法，主要解決現(xiàn)有基于技術(shù)提取過程繁瑣和提取前景邊緣不精確的問題。其實現(xiàn)方案是：先對SVM分類器進行訓(xùn)練，再獲取待提取圖像的灰度圖像；通過訓(xùn)練好的SVM分類器在灰度圖像中檢測包含前景的子圖像；將子圖像在待提取圖像中的位置坐標作為GrabCut算法的輸入，對待提取圖像進行前景提取，得到待提取圖像的像素視角下的提取結(jié)果；以SLIC算法對待提取圖像生成超像素視角下的圖像；將超像素視角下的圖像和像素視角下的提取結(jié)果進行融合，得到待提取圖像前景提取結(jié)果。本發(fā)明簡化了前景提取過程，提高了提取的效率和精度，可用于立體視覺、圖像語義識別，三維重建和圖像搜索。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進一步涉及一種基于多視角融合的圖像前景自動提取方法，本發(fā)明可用于立體視覺、圖像語義識別，圖像搜索等的應(yīng)用與研究。

背景技術(shù)

前景提取是一種在圖像中提取感興趣目標的手段。它把圖像分成若干個特定的、具有獨特性質(zhì)的區(qū)域并提出感興趣目標的技術(shù)和過程，并且已經(jīng)成為從圖像處理到圖像分析的關(guān)鍵步驟。具體解釋為根據(jù)灰度、顏色、紋理和形狀等特征把圖像劃分成若干互補交疊的區(qū)域，并使這些特征在同一區(qū)域內(nèi)呈現(xiàn)出相似性，而在不同區(qū)域間呈現(xiàn)出明顯的差異。經(jīng)過了幾十年的發(fā)展與變化，前景提取逐步形成了自己的科學體系，新的提取方法層出不窮，已然成為了一個跨學科的領(lǐng)域，并且引起了各個領(lǐng)域的研究人員和應(yīng)用人士的廣泛關(guān)注，如醫(yī)學領(lǐng)域，航空航天遙感領(lǐng)域，工業(yè)檢測，安防與軍事領(lǐng)域等。

當前前景提取方法主要包括基于閾值的前景提取方法、基于邊緣的前景提取方法、基于區(qū)域的前景提取方法、基于圖切割的前景提取方法、基于能量泛函的前景提取方法和基于深度學習的圖像前景提取方法等。其中基于圖切割的前景提取方法因為提取精度高，操作簡單而受到青睞，基于圖切割的前景提取方法是一種基于圖論的組合優(yōu)化方法,根據(jù)用戶的交互信息，它將一幅圖像映射成一個網(wǎng)絡(luò)圖，并建立關(guān)于標號的能量函數(shù)，運用最大流最小割算法對網(wǎng)絡(luò)圖進行有限次的迭代切割，得到網(wǎng)絡(luò)圖的最小割，作為圖像的前景提取結(jié)果。但是因為人機交互的存在，對多幅圖像進行提取時，人工操作量太大，限制了其在工程中的應(yīng)用。例如，Meng Tang等人2013年在2013IEEE International Conference onComputer Vision上發(fā)表的《GrabCut in One Cut》，通過用戶選擇前景區(qū)域，然后將前景所在區(qū)域映射為圖，通過One Cut對映射圖進行有限次迭代切割，獲得圖像的前景提取結(jié)果，但是需要人機交互標定前景所在區(qū)域，導(dǎo)致前景提取過程比較繁瑣，而且有限次的能量迭代優(yōu)化只能獲得較優(yōu)解的最小割，難以得到精確的前景邊緣。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出了一種基于多視角融合的圖像前景自動提取方法，用于解決現(xiàn)有基于圖切割的前景提取方法中，因為人機交互的存在導(dǎo)致的前景提取過程比較繁瑣和有限次的能量迭代優(yōu)化導(dǎo)致的前景邊緣不精確的問題。

為實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案包括如下：

(1)對SVM分類器進行訓(xùn)練，得到訓(xùn)練好的SVM分類器；

(2)對待提取圖像進行灰度化，得到灰度圖像；

(3)通過訓(xùn)練好的SVM分類器，在灰度圖像中檢測包含前景目標的子圖像pk；

(3a)采用多尺度窗口，按照設(shè)定的間隔在灰度圖像中進行逐行滑動，得到由多個子圖像組成的圖像集P＝{p1,p2,...pk,...,pq}，其中，k∈[1,q],pk為第k個子圖像，q為子圖像的數(shù)量；