一种基于点击式图像分割的无人机航拍图像电子勾绘方法
【技术领域】
[0001] 本发明设及计算机视觉和图像处理等领域，尤其设及应用高斯混合模型和图割的 一种基于点击式图像分割的无人机航拍图像电子勾绘方法，面向无人机航拍图像勾绘应 用。
【背景技术】
[0002] 本发明提出一种点击式的图像分割技术，基于该技术完成无人机航拍图像电子勾 绘任务。图像分割作为计算机视觉和图像处理领域的一个基本问题，是实现图像分析与理 解的关键性步骤，其目的是将图像划分互不交叠的区域，并提取出兴趣区域。随着计算机技 术的发展及其运算能力的提升，图像分割已在视频监控、生物医学、遥感等众多领域得到了 广泛的应用一一分割出监控视频中的兴趣目标，减少人力损耗，提高监控质量;分割出磁共 振图像中的特定器官，帮助医生快速准确的诊断病情;分割出航拍图像中的森林、耕地和城 市区域。
[0003] 虽然关于图像分割的研究起始于数字图像处理问世不久，并吸引了众多研究人员 付出了巨大努力，也提出了许多分割算法，但至今仍没有一个有效的通用方法。针对图像分 割可W分为两大类：自动分割和交互式分割。所谓自动分割，即根据输入图像不同区域的特 性，自动实现分割而无需人工干预。目前自动分割算法层出不穷，如特征空间聚类、阔值化、 区域生长等基于区域的分割方法；W及边界跟踪、微分算子边缘检测、霍夫变换等基于边界 的分割方法。但是对于复杂场景的图像，尤其是对目标精度要求高的图像，自动分割往往无 法获得令人满意的分割结果，因此，为了解决运一问题，交互式分割越来越受到研究者的青 睐。基于交互式的分割，通过用户选择特定区域，交互式地完成分割，其目标是人与计算机 相结合W获得精确的划分。当分割效果不佳时，可W通过迭代加入新的区域，即引入更多的 先验信息，直到得到满意的分割结果。目前主流的交互式分割算法包括图割、随机游走、活 动轮廓模型和遂平集等。
[0004] 航拍图像通常视场较大，背景复杂，存在树林、道路、房屋、河流等不同区域，且易 受光照变化的影响，因此分割难度大，分割效果不理想。针对航拍图像的分割问题，研究人 员提出了多种分割算法。例如，基于模糊C均值的分块聚类方法，但运种方法容易导致边界 块归属不明确;基于Mean Shift的图像分割虽然克服了传统聚类方法的缺陷，但针对复杂 的航拍图像容易造成聚类中屯、过多，且太密集，即导致图像过分割。因此，针对航拍图像的 分割还值得进一步的深入研究。
【发明内容】
[0005] 本发明实施例提供了一种基于点击式图像分割的无人机航拍图像电子勾绘方法， 通过用户点击兴趣目标，据此构造高斯混合模型，并利用图割算法求解能量方程，最终获取 分割结果，完成电子勾绘。
[0006] 为此，本发明实施例提供如下技术方案：
[0007] -种基于点击式图像分割的无人机航拍图像电子勾绘方法，通过构造高斯混合模 型W及计算像素间纹理相似度和空间距离确定能量方程，并利用图割算法求解，包括W下 步骤：
[0008] SOI.输入待分割的图像，W及图像通道数目和宽高信息，所述图像为固定翼无人 机拍摄的航拍图像；
[0009] S02.设置分割过程的必要参数，所述必要参数包括"噪声控制参数"，"分割精细度 控制参数"和"采样半径"；
[0010] S03.用户点击兴趣目标，捕获点击位置的（x，y)坐标，所述x，y取值为相对于图像 左上角的偏移；
[0011] S04.计算输入图像中像素点之间的纹理相似度，即计算灰度值之间差值的平方；
[0012] S05.根据步骤S03中用户点击位置和步骤S02中必要参数的"采样半径"，提取局部 像素点，像素点个数记为护，其中f表示兴趣目标中包含的部分像素点，依据运部分像素点 灰度值并结合图像边缘位置的局部像素点灰度值构造高斯混合模型；
[0013] S06.计算全部像素点属于兴趣目标或非兴趣目标的概率密度；
[0014] S07.计算像素点之间的空间距离，所述空间距离为位置坐标之间的欧式距离；
[0015] S08.通过图割算法求解能量方程，得到分割结果；
[0016] S09.对分割结果后处理，所述后处理即只输出包含用户点击位置的联通区域；
[0017] S10.当分割结果不满足用户要求时，重复步骤S03~S09,直到得到满意结果，输出 分割结果，所述结果包括兴趣目标的轮廓点坐标。
[0018] 本发明的技术方案中，所述步骤S02中，"噪声控制参数"取值范围为[1，15]，取值 越大效果越明显，"分割精细程度控制参数"取值范围为[0，100]，取值越小越精细，"采样半 径"取值范围[2,5]。
[0019] 本发明的技术方案中，所述步骤S05中构造高斯混合模型还包括W下步骤：
[0020] el.对步骤S05中局部像素点进行聚类分析，聚类数目记为m，所述聚类数目即为高 斯混合模型中高斯核的个数，每个聚类中像素点的个数记为：
[0021 ] 啦='主,..,,'!。，
[0022] =
[0023] e2.从图像边缘位置，提取部分像素点，作为非兴趣目标的先验信息，其像素点个 数记为仲，同样将运部分像素点聚为m类，每个聚类中像素点的个数为：
[0024] !扣=I,'''.. ,'n),
[0025] Sij。!，=妒；
[00%] e3.分别计算el和e2中两高斯混合模型的均值：
[0029] pf;根据兴趣目标中局部像素点灰度值构造的高斯混合模型的均值(聚类中屯、），
[0030] 掉:根据非兴趣目标(背景）中局部像素点灰度值构造的高斯混合模型的均值，
[0031] Cl:代表某一聚类，
[0032] 蚕兴趣目标局部像素点，聚类Cl中像素点的灰度值(对真彩色图像，化为一矢量，矢 量维数等于图像通道数目），
[0033] 餐非兴趣目标局部像素点，聚类Cl中像素点的灰度值；
[0034] e4.分别计算el和e2中两高斯混合模型的方差：
[0037]其中，4为根据兴趣目标中局部像素点灰度值构造的高斯混合模型的协方差矩 阵，璋为根据非兴趣目标中局部像素点灰度值构造的高斯混合模型的协方差矩阵，对真彩 色图像：
[0039] 此时，协方差矩阵为3x3的对称矩阵；
[0040] 对灰度图像：
此时，协方差矩阵为1x1矩阵；
[0042] e5 .计算高斯混合模型中个高斯的权重，兴趣目标对应的高斯混合模型权重： Af = nf/NM自兴趣目标对应的高斯混合模型权重:聲=皆鄉
[0043] 本发明的技术方案中，所述步骤S06中计算概率密度还包括W下步骤：
[0044] fl.逐像素点计算高斯混合模型的条件概率密度：
[0047] f 2.逐像素点计算总的联合概率密度：[004引像素点属于兴趣目标:p(Ik，F)= 丫 p(Ik|FUNiFGRM) + (l-丫）p(lk|F?)，[0049] 像素点属刊隊趣目标:p(Ik，B)= 丫 p(Ik|BUNiFDRM) + (l-丫）p(lk|B?)，[0050] 所述联合概率密度，当丫 =0是完全由高斯混合模型确定，当丫 =1时完全由均匀 分布确定；[0051 ] f 3.逐像素点计算其属于兴趣目标的后验概率：
[0045] 像素点属于兴趣目标：
[0046] 像素点属于非兴趣目杨
[0053] 本发明的技术方案中，所述步骤S08还包括W下步骤：
[0054] hi.构造图模型，所述图模型的节点包括图像中的像素点（两相邻像素点p，qeP) W及两个额外的节点（兴趣目标节点化和非兴趣目标节点化），图模型中的边包括像素点之 间Ep,qW及像素点与两个额外节点之间和);
[0化日]2.确定边上的权重：
臣城，其中（Ip-Iq)2由步骤S04计算，dist(p，q)由步 骤S07计算，N表示P，q为相邻像素，
，其中f为兴趣目标的局部像素点，b为 非兴趣目标的局部像素点，
[0化9] h3.构造能量方程：
[0060] 设一种分割结果5二（SI，S2, ...，SpEP)，其中％涕=，能量方程 E(S)=入 2 pep Regionp(Sp)+Xp,qsN Boundouryp,qS(Sp, Sq)，其中等式右侧第一项表示"区域 属