[發(fā)明專利]基于前景背景估計和分級區(qū)域關聯(lián)的圖像協(xié)同分割方法

在審

• 申請?zhí)枺?/td>: 201811157431.3
• 申請日: 2018-09-30
• 公開（公告）號: CN109389605A
• 公開（公告）日: 2019-02-26
• 發(fā)明（設計）人: 姚拓中;安鵬;何加銘
• 申請（專利權）人: 寧波工程學院
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明提供一種基于前景背景估計和分級區(qū)域關聯(lián)的圖像協(xié)同分割方法，所述方法包括步驟：S1、獲取所有圖像在不同尺度的超像素集合；S2、預估計每幅圖像中的每個超像素類別標簽和像素類別標簽；S3、估計所有圖像的前景高斯混合模型和背景高斯混合模型；S4、利用紋理分類器模型訓練每幅圖像對應的外觀模型；S5、根據(jù)前景高斯混合模型、背景高斯混合模型、紋理分類器模型，以及圖像集的圖像之間超像素標注的一致性進行約束，估計圖像的像素/超像素的標注；S6、更新估計所有圖像的超像素類別標簽和像素類別標簽；S7、判斷更新是否完成。上述方法克服了以往方法存在的需要具有明顯前景和背景差異的先驗約束，更具備魯棒性。

技術領域

本發(fā)明涉及圖像分割領域，尤其涉及一種基于前景背景估計和分級區(qū)域關聯(lián)的圖像協(xié)同分割方法。

背景技術

作為計算機視覺領域的一大研究熱點，圖像分割技術具有廣闊的應用前景，并在近二十年里獲得了快速發(fā)展。其中，圖像協(xié)同分割技術是該領域的一個研究分支，其目標是在給出兩幅及以上數(shù)目圖像的基礎上將圖像中的前景目標與背景區(qū)域區(qū)分開來。然而，由于拍攝視角和姿態(tài)變化以及前景物體的類內多樣性等因素的存在，求解該病態(tài)問題顯得頗具挑戰(zhàn)性。迄今為止，研究學者們已經(jīng)將圖像協(xié)同分割技術應用到圖像檢索、視覺摘要生成、醫(yī)學圖像分析、三維物體重建和目標識別等諸多熱門領域中。

Rother等人于2006年首先提出了圖像協(xié)同分割的概念，他們在馬爾可夫隨機場能量函數(shù)中結合了圖像間的一致性約束。與采用L1正則化的方法不同，Mukherjee等人使用了L2正則化來度量前景直方圖之間的相似性。Hochbaum和Singh等人提出了一種獎勵模型以滿足子模的條件，進而可使用經(jīng)典的圖切割法對協(xié)同分割問題進行有效求解。不過，上述早期的方法僅能從不同的背景中提取近似相同的前景物體。

近些年的圖像協(xié)同分割研究開始聚焦于如下幾個方面。首先，從僅能協(xié)同分割兩幅圖像發(fā)展到可以協(xié)同分割多幅圖像：Joulin等人在協(xié)同分割時考慮了更多的外觀變化，其將協(xié)同分割問題看作判別性聚類(Discriminative Clustering)問題；Batra等人提出了一種交互式協(xié)同分割算法，通過簡單的人工干預來實現(xiàn)更為精準的前景和背景區(qū)分；Collins等人將隨機游走算法應用到協(xié)同分割中，將前景區(qū)域的直方圖需要彼此匹配作為約束，而Lee等人在基礎上提出了多重隨機游走策略，通過彼此的交互從靜態(tài)分布中獲得協(xié)同分割結果；與此同時，部分協(xié)同分割算法致力于獲取前景區(qū)域之間的關聯(lián)性：Chang等人使用顯著性模型來排除圖像間不經(jīng)常出現(xiàn)的像素區(qū)域；Vicente等人從每幅圖像中生成候選的物體分割塊，并使用隨機森林分類器對每個候選分割塊對進行評分；Wang等人使用了功能圖來表示圖像對之間一致性的外觀關聯(lián)性，并聯(lián)合優(yōu)化所有圖像的分割置信度圖。其次，適用于同時存在多個前景目標的情況成為了發(fā)展趨勢：Kim等人證明了在線性各向異性擴散條件下系統(tǒng)的溫度具有子模性，這樣協(xié)同分割問題可在貪心算法基礎上通過對溫度最大化進行求解，該算法具有良好的可擴展性，不過卻需要人工設定前景目標的個數(shù)；Kim和Ma等人均致力于對具有多個前景重復出現(xiàn)的圖像集進行前景區(qū)域的協(xié)同分割，不過其僅適用于高度滿足背景單一且前景幾乎不變的約束。除此之外，雖然也有一些基于監(jiān)督式和半監(jiān)督式的協(xié)同分割技術，不過目前絕大多數(shù)主流的技術均是無監(jiān)督式的，無需耗時的人工標注。

發(fā)明內容

本發(fā)明的技術方案是：基于前景背景估計和分級區(qū)域關聯(lián)的圖像協(xié)同分割方法，所述方法包括步驟：

S1、對圖像集I＝{I₁,I₂,...,I_N}中的每幅圖像均進行超像素分割操作，獲取所有圖像在不同尺度的超像素集合，其中圖像I_k的超像素集合為R_k，超像素ν_r(k)包含R_k中的每個超像素：N為正整數(shù)，k∈N；