专利名称：一种基于采样的图像集分割方法
技术领域：
本发明涉及对ー个包含任意图像的数据集所有图像前景分割的方法，尤其指基于对图像集中某些图像进行简单的人工交互基础上分割所有图像前景的算法。
背景技术：
目前，交互式的图像分割算法极大的简化了图像前景分割的任务。但是，以往的交互式图像分割算法都是对单张图像直接进行分割的。所以如果图像集包含的图像非常多，那么直接应用以前单张图像分割的方法对ー个图像集分割是一件很费カ的事情。联合分割算法(co-segmentation)可以对某些图像集所有前景同时进行分割，但是这ー类算法对图像集有一个很强的假设图像集的前景应该是一祥的，或者至少有非常相似的顔色分布。而这ー假设在大部分图像集中是不被严格遵循的。
发明内容
发明目的本发明所要解决的技术问题是针对现有技术的不足，提供ー种基于采样的图像集分割方法，该方法在保证图像集每个图像最終分割结果质量的前提下，最大可能的減少用户交互，从而方便用户对整个图像集进行前景分割。为了解决上述技术问题，本发明公开了ー种对任意图像集分割的算法，包括图像分割和迭代修正两部分。其中，所述图像分割部分包括以下步骤步骤1，图像选取提取图像集所有图像的顔色直方图的特征向量，对得到的特征向量聚类，选取K个的聚类中心点对应采样图像{IEk|k= 1，...，K}提供给用户，K的取值为任意自然数；这些采样图像提供给用户，用户直接采用单张图像交互分割方法(如，用Photoshop分割)分割出前景和背景。步骤2，提取采样图像IEk (samples)的前景和背景的顔色分布根据上ー步用户分割的前景和背景区域，使用经典的高斯混合模型(GMMs)的算法来计算前景和背景在RGB颜色空间中的颜色概率分布状況。高斯混合模型就是分别对所有的前景和背景像素点分别进行聚类，并认为每个类别近似服从于高斯分布，所以对每个类别计算出对应的颜色类中心和方差。另外，还要根据每个类别的像素点个数占前景或背景总像素点个数的比例计算出每个类别的权值。步骤3，采样图像对于目标图像的相似匹配对于一幅未分割的目标图像，本发明用基于ー种经典的基于区域的图像检索算法(integrated region matching)寻■找多个图像内容与目标图像相似的采样图像，并可以计算出对应的相似度。所述目标图像为图像集中除采样图像以外的任意图像；本发明以下公式来计算相似度S(IskJ) = \-Sg (ImJ) + A1-S1 (IpmJ)其中，S(IEk，I)是目标图像I与采样图像IEk的相似度。Sg(IEk，I)是这两张图像全局的基于颜色直方图的图像相似度。^ぬ,/)是这两张图像基于区域分割的图像相似度。入g和X1为控制权值。本发明对计算出的所有相似度进行归ー化以后，相似度大于0.7的就判定两张图像相似。步骤4，基于单张采样图像的目标图像的前景概率计算在步骤2，每一幅采样图像都有ー对前景和背景的高斯混合模型(GMMs)，所以直接在目标图像上根据这ー对高斯混合模型，可以计算出采样图像的前景和背景的顔色分布在目标图像上出现的概率。其计算方法为计算目标图像的每ー像素点在采样图像的高斯混合模型中每ー个聚类的类别得到高斯模型中出现的概率，然后把所有的类别计算出的概率根据每个类别的权值加权相加。所得的概率经过归ー化后，即可得到基于该采样图像的目标图像的前景概率。所述归ー化的过程为采样图像的前景在目标图像出现的概率除以采样图像的前景和背景在目标图像出现的概率之和。所述目标图像的前景概率是指每ー个像素点的前景概率。步骤5，目标图像的前景概率计算对于步骤3中与采样图像相似的目标图像，对每ー个目标图像使用步骤4计算出对应的前景概率；目标图像最終的前景概率是以步骤3计算出来的采样图像与目标图像的相似度作为权值，加权相加由步骤4计算出基于相似的采样图像的目标图像的前景概率。 步骤6,根据目标图像的前景概率构造吉布斯能量最小化(Gibbs energyminimiza tion)及图分割(graphcut)求解姆个像素对应的前景或背景的标签(label)。吉布斯能量最小化构造的方法主要考虑两种情况对每个像素点可能的标签(label)根据其前景概率设定惩罚项，和考虑相邻的像素点间标签(label)的一致性设定平滑性的惩罚项。对构造好的吉布斯能量最小化式子对图像直接应用图分割(graphcut)算法。图分割方法分割图像的过程一般是通过把对前面组织的优化问题等价为ー个对应的图结构，然后利用最大最小流算法计算出最小割的ー个算法。所述吉布斯能量最小化构造包括两种情况第一是对每个像素点可能的标签根据其前景概率设定惩罚项；第二是考虑相邻的像素点间标签的一致性设定平滑性的惩罚项；所述标签指像素点属于前景或背景，如果是前景，则标签取I，反之则取O。迭代修正包含以下几歩步骤7，用户对不太满意的图像分割的图像的修正在所有的图像分割中，用户挑选一幅图像I，通过添加前景和背景的标记，从而获得修正图像。在本发明中，用户不满意的图像分割结果，一般指用户关心的前景物体没有被完整的分割出来，或者用户不太关心的背景部分也被错误的分割为前景物体这两种情況。步骤8，更新图像更新步骤7中用户修正的图像和所有与用户修正的图像根据步骤3定义的相似图像构成的图像集T，迭代修正流程包括以下步骤步骤81，对每一幅相似图像的前景、背景及其邻域图像中的像素点进行采样获得采样领域，并计算出相应的特征向量；所述对邻域图像中的像素点进行采样的方法包括以每一幅相似图像的前景或背景中的每ー个像素点为中心，取ー个nXn的矩形框即为采样区域，矩形框与已有矩形框至少有四分之一的部分不重叠，从而得到ー个采样邻域集合即特征向量；步骤82，在图像集T除了图像I以外的所有相似图像上，根据所述特征向量，计算图像中每ー个像素点与标注图像区域的相似度M(Vi);具体计算方法为特征向量中每个矩形框与相似图像做卷积，然后取所有卷积图像对应像素位置上的最大值合成ー个新的卷积图像。所述新的卷积图像为相似图像中每ー个像素点关于修正图像的前景或背景区域的相似度；
步骤83，根据高斯混合模型计算相似图像上每一点的前景和背景概率；^(vj ;步骤84，直接应用所述高斯混合模型于更新图像集T上每一点的前景和背景概率；步骤85，以步骤82中的相似度作为权值，把步骤84中图像的前景和背景概率值加到步骤7中更新图像集T中每幅相似图像原有的前景和背景概率上，从而更新图像的前景和背景概率值；公式为pF (vt) oc pFs (V1) M (vt)如果更新图像就是用户修正的图像I，那么M(Vi)是ー个所有元素全为I的矩阵。如果更新图像是图像集T除图像I以外的其他图像，那么M(Vi)为步骤82中计算出的相似度矩阵，Af(K)为步骤84计算出概率；步骤86，根据步骤85中得到的前景概率,(Vi)，对于每一幅更新后的相似图像，用步骤85中更新后的前景概率除以前景概率和背景概率之和作为归ー化后的前景概率；步骤87，用步骤86中规则化后的前景概率，构造吉布斯能量最小化并应用图分割方法分割对应的图像。有益效果本发明的显著优点是可以极大的減少一个大规模图像集的每一幅图像都进行前景和背景分割操作中所需的大量用户交互。具体而言，本发明只有两处需要用户的简单交互，(I)在图像分割中，需要用户对选择出来的若干张采样图像(samples)并用以有的单张图像分割方法对采样图像进行分割。(2)在迭代修正中，需要用户对在图像分割中不太满意的图像，进行简单的修正，并用这些修正去迭代更新所有其他类似的不满意图像。以前的方法都对单ー图像或者具有相同前景的图像集分割，且需要大量的用户交互。对比而言，本发明可以对任意的有大量图像的数据集进行交互分割。
下面结合附图和具体实施方式
对本发明做更进一歩的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。图I为本发明的流程图。图2为本发明实施例一的例图。图3为本发明实施例ニ的图像分割部分例图。图4为本发明实施例ニ的迭代修正部分例图。
具体实施例方式本发明公开了ー种对任意图像集分割的算法，包括图像分割和迭代修正两部分。其中，图像分割包含以下几步步骤1，用户交互图像选取提取图像集所有图像的顔色直方图的特征向量，对得到的特征向量聚类，选取K个的聚类中心点对应采样图像{IEk|k= 1，...，K}提供给用户。这些采样图像提供给用户，用户直接采用单张图像交互分割方法(如使用PHOTOSHOP工具)分割出前景和背景。在这里本发明采用的最经典的两种单张图像分割方法Lazy Snapping和Grabcut。关于这两种算法的细节可以參考论文Yin Li, Jian Sun, Chi -Keung Tang,and Heung-Yeung Shum," Lazy snapping," (in Proceedings of ACM SIGG RAPH,2004,pp. 303-308)和 Carsten Rother,Vladimir Kolmogorov,and Andrew Blake, " Grabcut Interactive foreground extraction using iterated graph cuts," (ACM Transactions on Graphics, vol. 23,pp. 309-314,2004)。步骤I对应图I基本流程的图像分割部分中，对采样图像进行用户交互分割的一个子过程。图2和图3的采样图像行中给出了步骤I的直观结果。步骤2，提取采样图像(samples)的前景和背景的顔色分布根据上ー步用户分割的前景和背景区域，使用经典的高斯混合模型(GMMs)的算法来计算前景和背景的顔色分布。关于高斯混合模型在步骤I给出的Grabcut參考文献中有详细的描述。概括的说，高斯混合模型就是分别对所有的前景和背景像素点分别进行聚类，并认为每个类别近似服从于高斯分布，所以对每个类别计算出颜色类中心和方差。另外，还要根据每个类别的像素点 个数占前景或背景总像素点个数的比例计算出每个类别的权值。步骤2对应与图I中图像分割部分的前景/背景GMMs子流程。步骤3，采样图像对于目标图像的相似匹配对于一幅未分割的目标图像，本发明用基于ー种经典的基于区域的图像检索算法(integrated region matching, IRM)来寺找多个图像内容与目标图像相似的采样图像，并可以计算出对应的相似度。关于IRM的实现细节可以參考文章 James Z. Wang, Jia Li, and Gio ffiederhold, " Simplicity be mantics-sensitive integrated matching for picture libraries, " (IEEETransactions on Patte rn Analysis and Machine Intelligence, vol. 23,pp.947—963,2001)。该步对应图I中的采样、目标图像的相似匹配子流程。本发明用以下公式来计算衡量相似度S(IskJ) = \-Sg (ImJ) + A1-S1 (IpmJ)其中，S(IEk，I)是目标图像I与采样图像IEk的相似度。Sg(IEk，I)是这两张图像全局的基于颜色直方图的图像相似度。^/:,/)是这两张图像基于区域分割的图像相似度。入g和X1为控制权值。本发明对计算出的所有相似度进行归ー化以后，相似度大于0.7的就认为两张图像相似。步骤4，基于单张采样图像IEk的目标图像的每个像素点Xi的前景概率^00计算在步骤2，每一幅采样图像都有ー对前景和背景的高斯混合模型(GMMs)，所以直接在目标图像上根据这ー对高斯混合模型，计算出采样图像的前景和背景的顔色分布在目标图像上出现的概率/ろ)和乃:(ろ)。计算方法的细节可以參考步骤I给出的Grabcut參考文献的详细描述。如下公式pL沿ニ pL響L沿考瓜具体计算方法可以概括为以下步骤计算每一像素点在高斯混合模型中每ー个聚类的类别得到高斯模型中出现的概率，然后把所有的类别计算出的概率根据每个类别的权值加权相加。所得的概率经过归ー化后，即可得到基于该采样图像的目标图像的前景概率。这个归一化的过程为前景在目标图像出现的概率除以前景和背景在目标图像出现的概率之和。(注这里的目标图像的前景概率是指每ー个像素点的前景概率。)步骤5，目标图像的前景概率pF(Xi)计算步骤3找到的若干个与目标图像相似的采样图像，每ー个都用步骤4计算出对应的前景概率AlOO。那么，目标图像最終的前景概率是以步骤3计算出来的采样图像与目标图像的相似度S(IEk，I)作为权值，加权相加由步骤4计算出基于相似的采样图像的目标图像的前景概率。图2和图3的初始概率行给出了对每张图像根据步骤4、5计算的結果。即如下公式
PF(Xi) ^ 2>/こ⑷X叩孤ノ)；
k步骤6,根据目标图像的前景概率构造吉布斯能量最小化(Gibbs energy minimization)及图分割(graphcut)求解姆个像素对应的前景或背景的标签(label)。吉布斯能量最小化构造的方法主要考虑两种情况对每个像素点可能的标签(label)根据其前景概率设定惩罚项，和考虑相邻的像素点间标签(label)的一致性设定平滑性的惩罚项。对构造好的吉布斯能量最小化式子对图像直接应用图分割(graphcut)算法。关于构造吉布斯能量最小化和图分割算法的细节參考文献Yuri Y. Boykov and Marie-Pie rrejolly, " Interactive graph cuts lor optimal boundary & region segmentation oiobject s in n_d images, " in Proceedings of IEEE International Conference onComputer Visio n,2001,pp. 105-112。该步对应图I的图像分割。图2、3的图像分割结果行给出了该步的直观結果。吉布斯能量最小化的公式为EiXt) = Y,E^Xi)+ Z E2(Xi,Xj)
ielieneighi i)其中，Xt是目标图像的所有像素，％ e{0,l}，E1 (Xi)是像素点Xi处的ー阶能量项，E(XpXj)是相邻的像素点Xi, Xj的ニ阶能量项。neigh(i)表示像素点i的邻域像素。图分割算法就是最小化上述公式得到满意的X值。上述公式包含两项，即E1(Xi)和E2(Xi，Xj) 0这两项对应权利要求书中第3条的吉布斯能量最小化的两种情况=E1(Xi)是指对像素点Xi根据其前景概率设定惩罚项；E2(Xi，Xj)则是考虑相邻的像素点Xi，Xj间标签的一致性设定平滑性的惩罚项。这两项分别从两个角度保证了每张图像分割结果的合理性(I)E1(Xi)保证了前景概率越大的像素点，被吉布斯能量最小化的公式最終计算成前景的可能性越大，
(2)E2(Xi, Xj)则保证相邻像素点之间标签有一定的一致性，图像分割结果的前景是平滑的。这种平滑性一般来说包括两个方面前景的边缘(即与背景的交界部分)和前景在图像上的内部区域都是平滑的。具体内容可以參考步骤I中所列出的关于Lazy Snapping和Graphcut分割方法的两篇文献。吉布斯能量最小化公式是对所有的图像像素点这两项求和。迭代修正包含以下几歩步骤7，用户对不太满意的图像分割的图像的修正在所有的图像分割中，用户挑选一幅图像I，通过添加前景和背景的标记，(如图4中用户交互修正)。该步对应图I中每张图像用户是否满意的判断框。在本发明中，用户不满意的图像分割结果，一般指用户关心的前景物体没有被完整的分割出来，或者用户不太关心的背景部分也被错误的分割为前景物体这两种情况。
步骤8，更新图像更新步骤7中用户修正的图像和所有与用户修正的图像根据步骤3定义的相似图像构成的图像集T，该步对应图I的迭代修正部分的迭代修正流程，其包括以下步骤步骤81，对前景、背景及其邻域图像中的像素点进行采样获得采样领域，并计算出相应的特征向量；所述采样邻域计算方法如下以每ー个前景或背景中的像素点为中心，取ー个nXn的矩形框，矩形框与已有矩形框至少有四分之一的部分不重叠，从而得到ー个采样邻域集合即特征向量；步骤82，在图像集T除了图像I以外的所有图像上，根据所述特征向量，计算图像中每ー个像素点与标注图像区域的相似度；具体计算方法为每个矩形框与相似图像做卷积，然后取所有卷积图像对应像素位置上的最大值合成一个新的卷积图像。这个新的卷积图像就相似图像中每ー个像素点关于用户标注的前景或背景区域的相似度；步骤83，提取标注的前景和背景的像素点的高斯混合模型； 步骤84，直接应用所述高斯混合模型于更新图像集T上每一点的前景和背景概率；步骤85，以步骤82中的相似度作为权值，把步骤84中图像的前景和背景概率值加到更新图像集T原有的前景和背景概率上，从而更新图像的前景和背景概率值；可简述为如下公式Pf(Vi) oc pFs (V1)-M(V1)在这里，如果更新图像就是用户修正的图像I，那么M(Vi)是ー个所有元素全为I的矩阵。如果更新图像是图像集T除图像I以外的其他图像，那么M(Vi)为步骤82中计算出的相似度矩阵，为步骤84计算出概率；步骤86，根据步骤85中得到的前景概率pF(Vi)，对于每一幅更新图像，用步骤85中更新的前景概率除以前景概率和背景概率之和；步骤87，用步骤86中规则化后的前景概率，构造吉布斯能量最小化并应用图分割方法分割对应的图像。实施例I为了清楚、直观的展示中间结果，本发明把所有图的每ー个目标图像的相应的中间和最终结果按照列对齐。图2给出了分割一个图像集的例子。此图像集共5张图像，包括I张采样图像(第一行第I幅图)和4张目标图像(第二行4幅图)。首先，用户用Lazysnapping算法对采样图像进行手工分割，分割出前景和背景，所得即为第一行第2幅图，该图像集只进行了图像分割即可得到满意的結果。采样图像的选取和用户手工分割对应于具体实施步骤中图像分割部分的步骤I。根据分割的结果，本发明可以对其他4张自动进行分割而不需要用户其他的交互。具体实施步骤中图像分割部分的步骤2、3、4、5的执行结果可以得到初始概率。其中步骤3，计算的4张目标图像与采样图像相似度按照排列顺序分别为0. 95，0. 85，0. 87，0.92.步骤4和5，计算出的每张目标图像的初始概率如图2中第3行所示。为了便于直观观察所有像素点的初始概率结果，每个像素点根据概率数值被映射为不同的顔色，颜色白表示对应的初始概率越高。白色点对应初始概率为1，黑色点对应初始概率为O。初始概率根据具体实施步骤中图像分割部分的第6步骤给出的吉布斯能量最小化问题形式，用经典的图分割算法解该吉布斯能量最小化问题得到的结果就是最終的分割結果。在步骤6中，吉布斯能量最小化问题形式主要包含两项。其中第一项保证最終分割结果与初始概率的一致性，即初始概率高的像素点最終分割结果更有可能是前景，初始概率低的像素点最終分割结果更有可能是背景；第二项则保证分割物体边缘的平滑性，即最终图像物体的分割结果中边缘光滑。所以，图2中第4行是这个图像集目标图像的分割結果。实施例2图3的图像集共有9张图像，其中2张为采样图像(图3中第一行第I幅和第3幅图)，其余的7张为目标图像(图3中第二行)。采样图像为用户手工分割，分割结果为图3中第一行第2幅和第4幅图，根据相似度计算，图3第I行第I幅图的采样图像和第2行的 第I 3幅目标图像相似，图3第I行第3幅图的采样图像和第2行的第4 7幅的目标图像相似。对于该图像集，本发明的图像分割过程与图2中图像集是类似的。每张目标图像均可计算出与之相似的采样图像，根据相似度计算出每个目标图像的初始概率(结果如图3的第3行初始概率行所示)，然后根据初始概率计算出图像分割结果，第4行所示。本图中有一些图像分割结果不满意的图像，对于需要修正的图像本发明用红框在图中标出，第4行中的第1、2、4、5幅图，并在下一行给出了对应的修正分割结果，其中第3、6、7幅图为以及满意的結果。每一幅目标图像对应的中间和最終結果是按照行对齐的。本发明在图4中以第1、3幅图的目标图像为例，详细阐述如何根据用户的表征修正进行分割结果的迭代修正过程。图4给出了分割图3中数据集的整个流程图。本图给出了一个迭代修正的例子。该图的最右边的采样图像列中给出了采样图像(步骤I)和用户手工分割出的采样图像的前景(背景是替代为黑色)。本图的第I行为该图像集中的目标图像，在这里本发明代表性的选取了3张。每一列的图像对应每张图像分割的中间和最終結果。该分割过程如下
(I)对采样图像按照步骤2提取前景和背景在RGB顔色空间中的颜色概率分布；(2)目标图像根据步骤3中采样图像对于目标图像的相似匹配，利用计算出的采样图像前景和背景在RGB顔色空间中的颜色概率分布，按照步骤4计算基于单张采样图像的目标图像的前景概率计算；(3)目标图像根据步骤5，计算出目标图像的前景概率，该前景概率如图4的第2行所示每个像素点都用根据颜色量化显示，顔色越白，表示该像素点前景概率越接近I ;(4)目标图像根据步骤6，计算出初始分割結果。该结果如图4第3行显示。从结果中，第一幅目标图像的分割结果是令人满意的。但目标图像图4中第I行第3幅图、图4中第I行第2幅图的分割结果错误的把一部分草地当成了前景物体，这样的结果是需要修正的。对于不满意的图像分割结果，用户手工标注没有区分的图像区域(步骤7)。又因为在图4中第I行第3幅图、图4中第I行第2幅图按照步骤3计算出的相似度为0. 85，即两个图像可以一起迭代修正。按照步骤8，在图4中第I行第2幅图中通过用户交互修正，标注草地为背景，见步骤81。本发明根据用户的标注计算出标注修正区域的高斯混合模型，即步骤83，然后按照步骤84 86计算更新后的初始概率。最后构造吉布斯能量最小化方程并用图分割求解得到修正分割結果，即步骤87。在图像4b中，因为用户是直接对本张图像修正的，所以并不需要计算步骤82所提及的与其他图像的相似度。所以在更新图像4b时在步骤85中的M(Vi)为ー个所有元素全为I的矩阵。本发明根据计算其他不满意图像，如图4中第I行第3幅图与用户标注的不满意的图4中第I行第2幅图之间的相关映射M(Vi)。关于图4中第I行第3幅图与图4中第I行第2幅图的相关映射的直观显示如图4中第6行第2幅图所示。M(Vi)矩阵的每ー个元素在O到I之间的区域，该图按照I对应白色，O对应黑色的原则来量化显示该矩阵。在更新图4中第I行第3幅图时，本发明只需计算步骤84 86并以相关映射作为权值，直接用用户交互修正的区域去修正该图的概率，得到修正后的概率，然后按照步骤87构造吉布斯能量最小化方程并用图分割求解得到修正分割結果。本 发明根据用户的标注迭代修正所有与用户修正图像相似的图像分割結果。最终图像集的每个图像都可以分割出满意的結果。本发明提供了一种基于采样的图像集分割方法的思路及方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
权利要求
1.一种基于采样的图像集分割方法，其特征在于，包括图像分割部分； 所述图像分割部分包括以下步骤 步骤1，图像选取提取图像集所有图像的顔色直方图的特征向量，进行特征向量聚类，选取K个的聚类中心点对应采样图像IEk，k = 1，. . .，K，采用单张图像分割方法分割出采样图像的前景和背景； 步骤2，提取采样图像IEk的前景和背景的顔色分布使用高斯混合模型计算采样图像IEk的前景和背景在RGB颜色空间中的颜色概率分布； 步骤3，采样图像对于目标图像的相似匹配对于目标图像，使用基于区域的图像检索算法找出图像内容与目标图像相似的采样图像，并计算对应的相似度，所述目标图像为图像集中除采样图像以外的任意图像； 步骤4，基于单张采样图像的目标图像的前景概率计算在目标图像上计算出采样图像的前景和背景的顔色分布在目标图像上出现的概率；计算方法为计算目标图像的每ー像素点在采样图像的高斯混合模型中每ー个聚类的类别得到高斯模型中出现的概率，然后把所有的类别计算出的概率根据每个类别的权值加权相加；所得的概率经过归ー化后，即为基于该采样图像的目标图像的前景概率；所述归ー化的过程为采样图像的前景在目标图像出现的概率除以采样图像的前景和背景在目标图像出现的概率之和； 步骤5，计算目标图像的前景概率对于步骤3中与采样图像相似的目标图像，对每ー个目标图像使用步骤4计算出对应的前景概率；目标图像最終的前景概率是以步骤3计算出来的采样图像与目标图像的相似度作为权值，加权相加后由步骤4计算出基于相似的采样图像的目标图像的前景概率； 步骤6，构造吉布斯能量最小化并通过图分割求解每个像素对应的前景或背景的結果，对构造好的吉布斯能量最小化式，使用图分割方法分割图像。
2.根据权利要求I所述的ー种基于采样的图像集分割方法，其特征在于，包括图像迭代修正部分 所述图像迭代修正部分包括以下步骤 步骤7，在所有图像分割后的结果图像中，挑选一幅图像并标记出前景和背景，从而获得修正图像； 步骤8，更新图像更新所述修正图像以及修正图像的相似图像，包括以下步骤 步骤81，对每一幅相似图像的前景、背景及其邻域图像中的像素点进行采样，从而获得采样领域，并计算出相应的特征向量； 所述对邻域图像中的像素点进行采样的方法包括以每一幅相似图像的前景或背景中的每ー个像素点为中心，取ー个nXn的矩形框即为采样区域，矩形框与已有矩形框至少有四分之一的部分不重叠，从而得到ー个采样邻域集合即特征向量； 步骤82，在每一幅相似图像上，根据所述特征向量，计算图像中每ー个像素点与每个采样区域的相似度M(Vi);具体计算方法为特征向量中每个矩形框与相似图像做卷积，然后取所有卷积图像对应像素位置上的最大值合成一个新的卷积图像，所述新的卷积图像为相似图像中每ー个像素点关于修正图像的前景或背景区域的相似度； 步骤83，提取修正图像的前景和背景的像素点的高斯混合模型； 步骤84，根据高斯混合模型计算相似图像上每一点的前景和背景概率；^(幻;步骤85，以步骤82中的相似度作为权值，把前景和背景概率；^(幻加到步骤8中相似图像的前景和背景概率上，从而更新得到相似图像的前景和背景概率值Pp(Vi)，公式为PF(Vi) Pps(Vi)-M(Vi)-, 其中M(Vi)为步骤82中计算出的相似度，；^(\)为步骤84计算出概率； 步骤86，根据步骤85中得到的前景和背景概率值pF(Vi)，对于每一幅更新后的相似图像，用更新后的前景概率除以前景概率和背景概率之和作为归ー化后的前景概率； 步骤87，用步骤86中归ー化后的的前景概率，构造吉布斯能量最小化并应用图分割方法分割对应的图像。
3.根据权利要求I所述的ー种基于采样的图像集分割方法，其特征在于，所述吉布斯 能量最小化构造包括两种情況第一是对每个像素点可能的标签根据其前景概率设定惩罚项；第二是考虑相邻的像素点间标签的一致性设定平滑性的惩罚项；所述标签指像素点属于前景或背景，如果是前景，则标签取1，反之则取O。
全文摘要
本发明公开了一种基于采样的图像集分割方法，包括以下步骤图像选取提取图像集所有图像的颜色直方图的特征向量，进行特征向量聚类；提取采样图像的前景和背景的颜色分布；采样图像对于目标图像的相似匹配；基于单张采样图像的目标图像的前景概率计算；计算目标图像的前景概率；构造吉布斯能量最小化并通过图分割求解每个像素对应的前景或背景的结果，对构造好的吉布斯能量最小化式，使用图分割方法分割图像。本发明的显著优点是可以极大的减少一个大规模图像集的每一幅图像都进行前景和背景分割操作中所需的大量用户交互。
文档编号G06T7/00GK102651128SQ201110044790
公开日2012年8月29日 申请日期2011年2月24日 优先权日2011年2月24日
发明者付彦伟, 郭延文 申请人:南京大学