[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

一種對輸入信息自適應的顯著物體分割方法，首先采用自適應三閾值算法，從顯著性圖中生成分割種子，然后擴展GrabCut算法，從而能夠根據不同的輸入信息自適應地初始化算法，并通過自適應GrabCut算法的到顯著物體的粗標注圖，最后采用自適應初始化分割，優化顯著物體輪廓，得到分割結果。本發明采用一個統一框架來處理不同的輸入信息，并根據輸入信息的變化動態調整方法的模塊步驟，從而綜合利用了不同輸入信息中的物體特征，提高了顯著物體分割的準確性和完整性。

技術領域

本發明屬于計算機技術領域，涉及針對多種輸入信息的顯著物體分割方法，具體為一種對輸入信息自適應的顯著物體分割方法。

背景技術

物體分割的目標是在圖像或視頻中，以像素級別的粒度將物體從背景中區分開來。這項技術作為計算機視覺領域的其他應用的基礎，可以廣泛應用于物體識別、物體檢測、圖像檢索、動作識別和圖像標注中。

傳統的圖像分割技術可以大致分為三類：基于學習的分割、交互式分割和自動化分割。基于學習的分割依賴于人工標注的訓練數據，訓練成本高，且分割結果容易受訓練數據的分布影響；交互式分割需要有經驗的人工標注提供分割線索，精確性較好，但是受人工標注限制效率低下；自動化分割不需要手工標注的輔助，能夠處理大量的圖片數據，但是對于復雜圖像的分割效果不理想。

作為自動化分割的一個分支，顯著物體分割的目標是以給出的顯著性圖作為主要輸入，自動化地分割出顯著物體。根據對顯著性圖的利用方式，現有的顯著物體分割方法可以大致分為兩類：一類只依據顯著性圖的顯著值或明度等特征，劃分生成分割結果；另一類首先對顯著性圖進行顯著性分析，以顯著性較高的部分作為種子，結合其他輸入信息，例如顏色信息和深度信息，作為現有的交互式分割算法的輸入，再進行分割。

隨著輸入信息的增加，更多的顯著物體特征能夠被利用。然而現有的各種顯著物體分割方法只能對應利用固定的輸入信息，而不能隨著輸入信息的增加或變化而動態優化分割策略。因此，本發明提出了一種新的方法，綜合利用多種輸入信息，包括顯著性圖、顏色信息和深度信息，可以根據輸入信息的變化，動態地優化分割效果。

發明內容

本發明要解決的問題是：現有的基于顯著性物體分割方法不能依據不同的輸入信息動態調整，當輸入信息變化時，無法自適應地調整合適的分割策略。

本發明的技術方案為：一種對輸入信息自適應的顯著物體分割方法，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：