性项"，第二项表示"边界属性项"，6(%呵）=
[0061] h4.利用图割求解能量方程：
[0062] 设一种"切割"记为化t，运种化t的损失为：
[0064]，则E( S(Qit)) = Cost (Qit )+const， 一 f 姆义t", E。、;,-e 姑t
[0065]其中，Sp 膊 O = 虹浊沪'。!姑，，马视 e触，Regi〇np( object ) = -ln(p(F|lp))， Regionp("background" ) = -kn(l-p(F I Ip))，
[0066] 最小化能量方程E(S(Cut))即最小化Cost(Cut)。
[0067] 与现有技术相比，本发明具有如下优点：
[0068] 1、由于航拍图像场景复杂，本发明中的点击式分割方法有效缓解了自动分割效果 不理想的问题。
[0069] 2、现有的交互式分割方法通常需要用户既选取兴趣目标，同时又选取背景作为先 验信息，并且为了取得理想的分割结果，通常需要选取较大面积的区域W提供充分的先验 信息；而本发明中的方法只要求用户点击兴趣目标即可完成分割，将分割操作复杂度简化 至最低。
[0070] 3、本发明中的分割方法无需训练，因此无需用户提供大规模训练数据。
【附图说明】
[0071] 图1是本发明实施例提供的点击式航拍图像分割方法流程图。
[0072] 图2是本发明实施例提供的图割示意图。
[0073] 图3是本发明实施例提供的分割效果示意图。
[0074] 图4是本发明实施例提供的又一分割效果示意图。
[00巧]附图标注说明：图2中，F:兴趣目标节点，B:非兴趣目标节点，P:像素点，F-P: %巧， B-P: SpAV P-P: Ep, q，Z:最小割（图2中虚线部分）。
【具体实施方式】
[0076] 为了使本发明的目的、技术方案及优点更加清楚明白，W下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的仅是本发明的一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前 提下所获得的所有其他实施例，都属于本发明保护的范围。
[0077] 图1是本发明实施例提供的一种基于点击式图像分割的无人机航拍图像电子勾绘 方法流程图，为了便于说明，仅示出了与本发明实施例相关的部分。
[0078] 本实施例所用图像RGB彩色航拍图像，图像分辨率1080P。
[0079] 如图1所示，该方法包括W下步骤：
[0080] 步骤SOl，输入待分割图像。
[0081] 具体的，输入待分割图像，获取图像rgb数据及图像通道数和尺寸信息，所述图像 为固定翼无人机拍摄的航拍图像。
[0082] 步骤S02,设置分割过程的必要参数，所述参数包括"噪声控制参数"，"分割精细度 控制参数"和"采样半径"。
[0083] 具体的，"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]。
[0084] 优选的，设置"噪声控制参数"为15,"分割精细度控制参数"为10,"采样半径"为3。
[0085] 步骤S03,用户点击兴趣目标，捕获点击位置的（x，y)坐标，所述x，y取值相对于图 像左上角。
[0086] 步骤S04,计算输入图像中像素点之间的纹理相似度。
[0087] 具体的，计算像素点之间的纹理相似度，即计算像素点灰度值之间差值的平方。
[0088] 步骤S05,根据点击位置提取局部像素点，构造高斯混合模型。
[0089] 具体的，根据步骤S03中用户点击位置和步骤S02中"采样半径"提取局部像素点作 为兴趣目标的先验信息，像素点个数记为护，在图像边缘根据"采样半径"提取局部像素点 作为非兴趣目标的先验信息，像素点个数记为冲，依据上述两部分先验信息构造高斯混合 模型，其步骤如下：
[0090] el，对兴趣目标的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：4; =: 1，…,n;，玄置;4== Nf;
[0091] 优选的设置聚类数目m = 5;
[0092] e2,对非兴趣目标的局部像素点进行聚类分析，聚类数目与步骤二中相等，每个聚 类中像素点的个数记为:皆；=S.,…，町艺置14' =妒；
[0093] e3,分别计算el和e2中两个高斯混合模型的均值：
[0096] 接;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(聚类中必），
[0097] 接: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，
[009引Cl:代表某一聚类，
[0099] 4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，iii为一矢量，矢 量维数等于图像通道数目），
[0100] 4:非兴趣目标局部像素点，聚类Ci中像素点的灰度值；
[0101] e4,分别计算el和e2中两个高斯混合模型的方差：
[0104]其中，缉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：
此 时，协方差矩阵为3x3的对称矩阵，
[0106]对灰度图像：
此时，协方差矩阵为1x1矩阵；
[0108] 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： Xf =诚鄉S，非兴趣目标对应的高斯混合模型权重：璋=璋/#。
[0109] S06,计算每个像素点属于兴趣目标或非兴趣目标的概率密度。
[0110] 具体的，分别计算像素点属于兴趣目标或非兴趣目标的概率密度，包括W下步骤：
[0111] f 1，逐像素点计算高斯混合模型的条件概率密度：
[0112] 像素点属于兴趣目标：3
[0113] 像素点属于非兴趣目标
[0114] f 2,逐像素点计算总的联合概率密度：
[011 引像素点属于兴趣目标:P(Ik，F)= 丫 p(Ik|F?w?) + (l-丫）p(Ik|F?)，
[0116] 像素点属于非兴趣目标:p(Ik，B)= 丫 p(Ik|BUNiFD?) + (i-丫）pQklB?)，
[0117] 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，
[011引优选的，运里设置丫 =0.05;
[0119] f 3，逐像素点计算其属于兴趣目标的后验概率：
[0120] 步骤S07，计算像素点间的空间距离。
[0121] 具体的，计算像素点间的空间距离，所述空间距离为位置坐标之间的欧式距离。
[0122] 步骤S08，求解能量方程，得到分割结果。
[0123] 具体的，通过图割算法求解能量方程，得到分割结果，包括W下步骤：
[0124] 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（；
[01巧]h2,确定边上的权重：
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， (-Aln(p(f|Ij>)) peP,P 泛 HJb
[0127] 辦p.Kf = ' 1 +调從pef 其中f为兴趣目标的局部像素点，b为 I & P e b， 非兴趣目标的局部像素点； (-M?5(1-p(f|Q)妒常，較语 fUb 玉牛m泌巧置3跡從与巧 P € b 0: .. pef !
[0129]优选的，设置0 = 150;
[0130] h3,构造能量方程： 、， ^ , (玉> P e "ob!狄t"
[0131] 设一种分剖知果S二（SI，S2，? ? ?，SpGP)，其中-妃P记"back巧ro齡诚；
[0132] 能量方程E(S)