[發明專利]一種對輸入信息自適應的顯著物體分割方法

有效

• 申請號: 201810191703.5
• 申請日: 2018-03-08
• 公開（公告）號: CN108428240B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 任桐煒;武港山;王元天
• 申請（專利權）人: 南京大學
• 主分類號: G06T7/194
• 分類號: G06T7/194;G06T7/136;G06T5/30
• 代理公司: 南京天翼專利代理有限責任公司 32112
• 代理人: 奚銘

1.一種對輸入信息自適應的顯著物體分割方法，其特征是通過一個統一框架來充分結合不同輸入信息，輸入信息包括三類：僅有顯著性圖，同時有顯著性圖和顏色信息，同時有顯著性圖、顏色信息和深度信息；根據輸入信息的種類，動態調整分割方法的步驟細節，包括以下步驟：

1)顯著性圖的顯著性區間為[0,255]，采用自適應三閾值算法從輸入的顯著性圖中獲得三個閾值{α₁,α₂,α₃}，從而將顯著性區間分為四個分區間：確定背景區間T_cb＝[0,α₁]，可能背景區間T_pb＝[α₁+1，α₂]，可能前景區間T_pf＝[α₂+1,α₃]和確定前景區間T_cf＝[α₃+1,255]，并將滿足區間條件的顯著性圖的像素標注為對應的四類分割種子，分別為：確定背景可能背景可能前景和確定前景分割種子以和顯著性圖同樣尺寸的二值化圖表示；

2)利用自適應GrabCut算法，根據分割種子和原始輸入信息，生成顯著物體的粗標注圖：

2.1)定義自適應GrabCut算法的能量方程E^′為：

E′＝λ^sE(Θ,G^s,Λ,P^s)+λ^cE(Θ,G^c,Λ,P^c)+λ^dE(Θ,G^d,Λ,P^d)

其中，上標s、c、d分別表示顯著性圖、顏色信息和深度信息，E是對應輸入信息的能量方程，Θ是和顯著性圖同樣尺寸的四值化圖，初始化為G是對應輸入信息的高斯混合模型參數集，Λ是顯著性圖的前景和背景的灰度梯度圖，P是對應輸入信息的像素值集，λ^s、λ^c和λ^d分別是自適應輸入信息的參數；

2.2)定義對應輸入信息的能量方程E為：

E(Θ,G ,Λ,P)＝U(Θ,Λ,P)+S(Θ,P)

其中，U是原始GrabCut算法定義的數據模型，作用是評估在梯度Λ下，Θ對于P的適合度，S是平滑方程；

2.3)定義平滑方程S為：

其中，N表示相鄰像素對的集合，(n_i,n_j)為相鄰像素對，θ_i,θ_j是像素n_i,n_j在對應四值化圖Θ中的值，p_i,p_j是像素n_i,n_j在對應輸入信息中的值，e是自然指數，β＝(2(p_i-p_j)²)^-1，·表示對應輸入信息的期望值，D()是p_i,p_j的距離方程；

2.4)采用分割種子和輸入信息{s,c,d}初始化能量方程E^′，迭代步驟2.1)，獲得最小能量值，此時得到粗標注圖

3)根據粗標注圖，優化顯著物體的輪廓，獲得分割結果：

3.1)腐蝕得到再分割的確定前景種子

其中，r表示腐蝕操作，γ₁＝0.15，是的外接圓半徑；

3.2)再分割的可能前景種子定義為：

3.3)再分割的可能背景種子定義為：

其中，d表示膨脹操作，γ₂＝0.15，是區域的外接圓半徑；

3.4)再分割的確定背景種子定義為：

3.5)將步驟3.1)～3.4)得到的再分割種子和原始輸入能量方程E^′，迭代步驟2.1)，獲得最小能量值，此時得到優化物體輪廓的標注圖將和作為分割結果的背景，和作為分割結果的前景，完成分割。