专利名称：基于半监督学习和哈希索引的眉毛图像分割方法
技术领域：
本发明涉及一种基于半监督学习技术和局部敏感的哈希索引方法相结合的从原始 眉毛图像中提取出纯眉毛图像的方法，属于电子信息技术领域。
背景技术：
在现代社会中，随着计算机网络技术的高速发展和全球范围内电子商务的迅速兴 起，信息安全显示出前所未有的重要性，而生物特征识别作为信息安全的一个重要方
面开始越来越受到人们的重视。目前人们研究和使用的生物特征识别技术主要有:人脸 识别、虹膜识别、指纹识别、手形识别、掌纹识别、人耳识别、签名识别、声音识别、 步态识别、等等。眉毛作为人脸上的一个重要特征，具有作为识别特征的普遍性、唯 一性、稳定性和可采集性。事实上，与人脸图像相比，眉毛图像不仅具有轮廓鲜明、 结构简单和容易选取的优点，而且受光照和表情的影响较小，具有更好的稳定性和抗 干扰性；与虹膜图像相比，眉毛图像则又具有易于采集和使用方便的优点。此外，人
类的眉毛具有多种多样的形状，无固定结构，具有很好的身份特异性，因此能够被有 效地应用于身份鉴别。
应用眉毛进行识别， 一个重要的步骤就是眉毛图像的分割。图像分割历来是图像 分析和模式识别的首要问题，也是图像处理的经典难题之一，它是图像分析和模式识别系 统的重要组成部分，并决定图像的最终分析质量和模式识别的判别结果。目前，虽然有众
多的自动分割图像的方法，包括阈值法，聚类法，边缘检测等，但这些方法的分割结果 却经常不是人们所期望的。与这些自动的分割方法相比，半自动的图像分隔技术更为实用， 因此也受到了更多的关注。半自动或者交互的图像分割指通过借助人的帮助完成图像分 割，代表性的工作包括图切，随机漫步搜索，Lazy Snapping等。本质上，这些工作都 可以纳入半监督学习分类的框架里面。
半监督学习技术是介于有监督学习和无监督学习之间的一种学习技术，其中给定 的数据只有部分标注了类别。比如，j-^，…,;c,，;cw,…,;cj是一个给定的点集，％中前/个点都有类别标号Ov…，;^，其中兀€ = {1，...^}(!' = 1,...,/)，其余点没有标号，半 监督学习的目标就是以某种最优准则来标注7中没有标号的点。到目前为止，半监督 学习技术有以下几种主要的实现方法:产生式模型(genemtive model),自训练 (self-training)，联合训练(Co-training)，图方法(graph based methods)等。本发 明的目的在于提供一种基于图的半监督学习技术的眉毛图像分割技术。 一般地，眉毛 图像的分割由于受到头发、光照、姿势及表情的影响比之普通的图像分割更为困难。
自动分割的方法几乎不可能正确的提取出眉毛图像，其他的眉毛图像分割方法比如 主成分分析和模板匹配，虽然能基本定位，但是也都不能准确标定眉毛的边界。
发明内容
本发明的目的是提供一种基于半监督学习技术和局部敏感的哈希方法，相结合的眉毛 图像分割方法。
本发明是采用以下技术手段实现的 本发明依次包括以下步骤
步骤1;接受用户的原始眉毛图像，并将眉毛图像划分成大小相等的小像素块sxs， s的值可根据速度和精度要求选择s=2, 3, 4,...,10.
步骤2;通过计算机从原始眉毛图像中选定一些眉毛点和非眉毛点，所有的像素 块按照所包含的眉毛点与非眉毛点的多少给予相应的标号如果眉毛点数大于非眉毛 点数则该像素块的标号为1，反之为0;如果像素块中不包含任何选定的眉毛点和非眉 毛点，则该像素块没有标号；
步骤3;所有的像素块均用向量表示，比如可以用五维向量(r， g, 6， ；c,力表示， 其中r， g， 6表示该像素块的及G5值的平均值，jc， y表示该像素块的中心相对于左 上角的坐标值。记所有的像素块对应的向量组成的集合为X，有标号的向量子集为丄。 通过局部敏感的哈希方法计算像素块之间的相似度，生成相似距离矩阵『，并归一化 该相似距离矩阵为S，具体步骤如下
步骤3.1;令J为像素块的维数，^为分割阈值(欧式距离小于及的像素块将于较
大的概率散列到哈希表中的同一位置)，i-5为希望成功做到距离小于A的像素块散
列到哈希表中的同一位置的概率，w为哈希表的分割尺度，比如"^S4，0^A2^4，则
7认为A，"2具有相同的哈希值；
步骤3.2;估算参数A和Z，使得查询时间最少；
步骤3.2.1;通过计算机，从义中分别任意选出固定数目的向量，组成新的集合《 和々
步骤3.2.2;选定A为某固定常数，比如& = 16， /取为log^/log(l-;^)上取整，其 中A =
步骤3.2.3;通过计算机生成/个A:维复合向量c, =(^,￡^,...,^)(1^"/),其中 《K /,1《_/ 2 "为维向量，且c扭(l S / S /,1 2 A:，l《z《cZ)均为取自标准正态分布
的实数；记这/个A:维复合向量组成的集合为C;再通过计算机生成/个实数&(l2"/),
其中6,(l^W/)均取自均匀分布t/(0，w);
步骤3.2.4;对^中的每一个向量x,令
其中《表示向量的点积；令向量^=(几1，^2,...，;^)(1^^)，则JC,的/个哈希键值可表 示为
<formula>formula see original document page 8</formula>
其中"「 l"表示上取整函数，A(l^")取自均匀分布"(0,/m/^e), /^fe/ze为哈希 表/f的长度， 一般取为《的向量个数；哈希表/Z由每个哈希值到对应哈希桶的索引构 成，而每个哈希桶则由X,中具有相同哈希值的向量构成；
步骤3.2.5;按照;c,的/个哈希键值，依次将x,装入/f中该哈希键值对应的哈希桶
中；
步骤3.2.6;对J^中的每一个向量 执行步骤3.2.4计算 的/个哈希键值，并 用"9表示所需要的时间；根据 的/个哈希键值，査找哈希表z/中对应的哈希桶^，
用7;表示所有^的向量个数之和，用、表示总的査找时间；令 -c/,/射，令v,-r,〃；
计算所有^的每个向量和 之间的欧氏距离，所花费的时间记为A;令g《-G,/7;; 步骤3.2.7;令"=(2]、)/"， v = (J>g)/"， g = (2]g9)/"，其中"为集合J^中
￡ A € A ￡ "^"V
的向量个数；
步骤3.2.8;利用"、v和g的值，估算新的A:值，满足条件A: = arg min{ Z(wxA:x/ + vx/ + gx co船/ow)〉，
其 中 / 为 1og^/log(1-a" 的 上 取 整 值 ， co〃&o"= Z f (1/w)(l/Oe-^2必'2(l-;c/JW)血(力W为与、之间的欧氏距离)；
步骤3.2.9;根据新的A:值，计算新的/为log^/log(1-A"的上取整值；
步骤3.3;令X,为^，执行步骤3.2.3至步骤3.2.5重新生成哈希表/Z;
步骤3.4;遍历整个哈希表//,对于JT中任意两个向量;c,与x"若具有相同的哈
希键值，则定义^与 之间的相似度为
二 exp(— x,. — x乂 / 2cr2)
其中C为常数，否则定义^与。.之间的相似度为0，由此得到相似距离矩阵『；
步骤3.5;归一化相似距离矩阵『，令
_i 」
其中Z)为斜对角矩阵，且D,, =2^.;
乂
步骤4，依据步骤3得到的归一化相似矩阵S，采用基于图的半监督学习技术进
行迭代计算，为没有标号的像素块打上标号，具体步骤如下
步骤4.1;构造初始状态矩阵i;a，其中"为X所含向量的总数，包括有标号的和 无标号的向量，若AeZ为己标号向量中的眉毛块，则&=1, &=0;若j^e丄是已
标号向量中的非眉毛块，则&=1， &=o;否则，&=:^2=0;
步骤4.2;迭代计算/^+1) = 5^(0+(1-")^直到收敛，其中F(o)-;r， a是个介
于0到l之间的常数；
步骤4.3;假设F'为迭代的结果，则无标号向量、的标号取决于《中最大的分量。 即若^'>巧2'，则该向量对应的像素块属于眉毛区域，令像素块的标号为l;否则，
该向量对应的像素块属于非眉毛区域，令该像素块的标号为o。
步骤5;根据迭代的结果，从原始眉毛图像中提取出与原始标号为1的像素块相 连通且迭代结果为眉毛的像素块，完成眉毛的提取工作；
步骤5.1;令集合^为空集；任意取出一个眉毛像素块对应的向量Oei:,将O加入 集合^，并将0的标号改为2;
9步骤5.2;从集合乂中任意取出向量a，令^ = ^-{"};以a对应的像素块为起点， 在八个领域中查找标号为1的所有像素块加入集合」，并将这些像素块的标号改为2; 步骤5.3;执行步骤5.2直到集合j为空；
步骤5.4;把标号为2的像素块连成眉毛区域，并通过计算机把眉毛区域放到一个 能够包含它的最小矩形中生成一幅256色的纯眉毛图像，眉毛区域外部和最小矩形之
间的部分统一取为眉毛区域外部颜色的均值。
本发明的基本原理在于认为某个像素块是否属于眉毛区域可以通过它的近邻们判 断，利用迭代的方法，把每个像素块的标号信息(是否属于眉毛区域)扩展到它的近 邻直至达到一个全局稳态。
本发明与现有技术相比，具有以下明显的优势和有益效果
本发明由于利用了先验信息，分割效果要比自动分割的方法具有更好的效果，此 外因为采用了局部敏感的哈希方法计算基于图的半监督方法中的相似距离矩阵，所以 具有比较快的分割速度。
实施例的实验效果明显，说明本发明可以在实际应用中进行眉毛图像的分割。在
一个具体的实验中，选择5个人的40张原始眉毛图像进行实验，本发明都能正确的将
眉毛从原始图像中的背景中切割出来。这么好的分割效果，是在室内一般自然光照条 件下取得的，且对图像的成像质量并没有非常高的要求。所以，可以认为本发明具有 非常高的实用价值。事实上，与自动分割图像的方法相比，因为头发，眼睫毛与眉毛同 属毛发，自动分割的方法几乎不可能把眉毛从背景中完全正确的分离出来。其他的人机交
互的图像分割方法中与本发明比较相似的包括微软的Lazy Snapping以及Fei Wang等人 在CVPR，06上提出的应用LNP(Linear Neighborhood Propagation)进行图像分割的方法。
这两个方法与本发明都是通过在原始图像中画上一些线或点标注清楚背景和前景来完成 图像分割。与Lazy Snapping相比，应用Lazy Snapping进行眉毛图像分割，需要对眼睫
毛，头发等与眉毛颜色相近的地方进行特别的标注，而本发明并不需要；此外，因为眉毛 区域的边缘比较细微，复杂，Lazy Snapping在某些边界的标定上没有本发明准确。与LNP 相比，LNP运行比较缓慢，而本发明因为采用了局部敏感的哈希方法求取相似距离矩阵， 在运算速度上有大幅度的提高。本发明在许多领域中具有重要的应用价值。比如，在眉毛识别中，可以利用本发 明进行前期预处理提取出纯眉毛图像，建立眉毛数据库；又比如，可以作为某些图像 处理软件的插件，只需要简单的在原图像上画上几笔，就能把需要的对象从背景中提 取出来。
图1为本发明流程示意图2为原始眉毛图像的示意图3为在原始眉毛图像上进行标注的示意图4为纯眉毛图像的示意图5为原始眉毛图像的效果图6为在原始眉毛图像上进行标注的效果图7为纯眉毛图像的效果图。
具体实施例方式
根据图1配置本发明的实施例。本发明在实施时需要数码相机或数码摄像机之类 的数字图像采集设备和具有一般图像处理能力的普通台式微机。具体实方案为
步骤1;采用图像采集卡CG300、 CP240松下摄像机和75mm高精度日本进口镜 头组装成数字图像采集设备，微机选为DELL GX620型计算机；在一般的光照条件下 采集原始眉毛图像，并将原始眉毛图像装入计算机中；通过计算机把图像处理成RGB 彩色图像，并将眉毛图像划分成大小相等的一些小像素块，小像素块的大小为7x7;
步骤2;在计算机的显示器上显示出原始眉毛图像，如图2所示，并在图像上通 过鼠标注上一些眉毛区域中的点和一些非眉毛区域中的点，图3是一个对图像中的点 进行标注的例子，其中外围的黑线(彩色图像中的红线)表示非眉毛区域，眉毛中的 白线(彩色图像中的绿线)表示眉毛区域；所有的像素块按照所包含的眉毛点与非眉 毛点的多少给予相应的标号如果眉毛点数大于非眉毛点数则该像素块的标号为1，
反之为O;如果像素块中不包含任何选定的眉毛点和非眉毛点，则该像素块没有标号。
11步骤3;所有的像素块均用五维向量^"' & 6， X，力表示，其中。g， 6表示该 像素块的^GB值的平均值，X， ^表示该像素块的中心相对于左上角的坐标值；记所 有的像素块对应的五维向量组成的集合为^，有标号的向量组成集合Z;下面通过局 部敏感的哈希方法计算像素块之间的相似度，生成相似距离矩阵『，并归一化 该相似距离矩阵为S，具体步骤如下
步骤3.1;令"5, w = 4， "0.3， i = 20; 步骤3.2;估算参数A:和/;
步骤3.2.1;通过计算机，从X中任意选出IOOO和100个向量，分别组成新 的集合Z,和A;
步骤3.2.2 ;取定* = 16 ， /为logWlog(l-的上取整值，其中
A = f 〃，； 步骤3.2.3;通过计算机生成/个A:维复合向量c,. =(^^,.2,...,^)(12^/)，其中 ~(1^/2/,1^_/2"为J维向量，且c扭(l2/S/,1《)2A:,lSzS力均为取自标准正态分布 的实数；记这/个A维复合向量组成的集合为C;通过计算机生成/个实数6,(1^/2/), 6,. (1/)均取自均匀分布f/(0, W);
步骤3.2.4;对X,中的每一个向量;c,令
A = (q x, + W / vv(l化/,1《_/ ") 其中*表示向量的点积；令向量a-0^,/7,2,…,;^)(1^^/)，则、的/个哈希键值 可表示为
广、
=i
其中"「 l"表示上取整函数，"u(l《w^)取自均匀分布t/(0,;^/w/ze)， /^/w&e为 哈希表//的长度， 一般取为义,的向量个数；哈希表//由每个哈希值到对应哈希桶的索 引构成，而每个哈希桶则由X,中具有相同哈希值的向量构成；
步骤3.2.5;按照x,的/个哈希键值，依次将JC,装入/Z中该哈希键值对应的哈希桶
中；
12步骤3.2.6;对％9中的每一个向量 执行步骤3.2.4计算、的/个哈希键值，并 用^表示所需要的时间；根据 的/个哈希键值，査找哈希表/Z中对应的哈希桶^^， 用7;表示所有&的向量个数之和，用、表示总的査找时间；令 ="9 /仏令= ^ 〃 ；
计算所有^的每个向量和、之间的欧氏距离，所花费的时间记为(^;令^=<^/7;;
步骤3.2.7;令"=(^] )/"， v = (J>》/"， g-(Z^)/"，其中"为集合j^中 的向量个数；
步骤3.2.8;利用"、V和g的值，估算新的A值，满足条件
A = argmin( Z(wxAx/ + vx/ + gxco〃z'57'o")},
i"， a
其 中 / 为 1og^/log(l-A" 的 上 取 整 值 ， co〃^"= Z f 力2^2(卜x/^ 0血(WW为；c,与、之间的欧氏距离)；
步骤3.2.9;根据新的A:值，计算新的/为log^/log(1-A"的上取整值； 步骤3.3;令X,为y，执行步骤(3.2.3)至步骤(3.2.5)重新生成哈希表/f; 步骤3.4;对于X中任意两个向量^与 ，若具有相同的哈希键值，则定义;c,.与
之间的相似度为
w" 二 exp(- 、 一 ;v乂 / 2<j2)
其中0" = 100为常数，否则定义^与。之间的相似度为0,由此得到相似距离矩阵 『。归一化相似距离矩阵『， 步骤3.5;令
」 i
其中D为斜对角矩阵，iA,=2>r 步骤4;依据步骤3得到的归一化k似矩阵S，采用基于图的半监督学习技术进 行迭代计算，为没有标号的像素块打上标号，具体步骤如下
步骤4.i;构造基于图的半监督学习技术中的初始状态矩阵y"x2，其中"为^所含
向量的总数，包括有标号的和无标号的向量；若;^ei:为已标号向量中的眉毛块，则 }^=1, :=0;若X,.e丄是已标号向量中的非眉毛块，则^=1， &=0;否则， H0;步骤4.2;迭代计算i^ + l)-o^(0 + (l-a)y直到收敛，其中尸(0) = 7，a = 0.9;
步骤4.3;假设F'为迭代的结果，则无标号向量x,的标号取决于巧'中最大的分量。 即若F;〉i^'，则该向量对应的像素块属于眉毛区域，令像素块的标号为l;否则， 该向量对应的像素块属于非眉毛区域，令该像素块的标号为0;
步骤5;根据迭代的结果，从原始眉毛图像中提取出与原始标号为1的像素块相 连通且迭代结果为眉毛的像素块，完成眉毛的提取工作
步骤5.1;令集合」为空集；任意取出一个眉毛像素块对应的向量oeZ，将O加入 集合^，并将0的标号改为2;
步骤5.2;从集合」中任意取出向量"，令^-J-(^;以fl对应的像素块为起点， 在八个领域中查找标号为1的所有像素块加入集合^，并将这些像素块的标号改为2;
步骤5.3;执行步骤5.2直到集合^为空；
步骤5.4;把标号为2的像素块连成眉毛区域，并通过计算机把眉毛区域放到一个 能够包含它的最小矩形中生成一幅256色的纯眉毛图像，眉毛区域外部和最小矩形之
间的部分统一取为眉毛区域外部颜色的均值。
最后应说明的是以上实施例仅用以说明本发明而并非限制本发明所描述的技术 方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但 是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一
切不脱离发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范 围当中。
1权利要求
1、一种基于半监督学习和哈希索引的眉毛提取方法，其特征在于，依次包括以下步骤步骤1；接受用户的原始眉毛图像，并将眉毛图像划分成大小相等的小像素块s×s，s的值可根据速度和精度要求选择s＝2，3，4，...，10.步骤2；通过计算机从原始眉毛图像中选定眉毛点和非眉毛点，所有的像素块按照所包含的眉毛点与非眉毛点的多少给予相应的标号如果眉毛点数大于非眉毛点数则该像素块的标号为1，反之为0；如果像素块中不包含任何选定的眉毛点和非眉毛点，则该像素块没有标号；步骤3；所有的像素块均用向量表示，比如可以用五维向量(r，g，b，x，y)表示，其中r，g，b表示该像素块的RGB对应分量的平均值，x，y表示该像素块的中心相对于左上角的坐标值；记所有像素块对应的向量组成的集合为X，其中有标号的子集为L；通过局部敏感的哈希方法计算像素块之间的相似度，生成相似距离矩阵W，并归一化该相似距离矩阵为S。
2、 根据权利要求l所述的基于半监督学习和哈希索引的眉毛提取方法，其特征在于 所述的步骤3包括步骤3.1;令d为像素块的维数，及为分割阈值(欧式距离小于及的像素块将于较大的 概率散列到哈希表中的同一位置)，l-^为希望成功做到距离小于i 的像素块散列到哈希 表中的同一位置的概率，w为哈希表的分割尺度，比如0S/^S4,0S&S4，则认为/^,/^具 有相同的哈希值；步骤3.2;估算参数A:和/，使哈希表的查询时间最少。
3、 根据权利要求2所述的基于半监督学习和哈希索引的眉毛提取方法，其特征在于 所述的步骤3.2包括步骤3.2.1;通过计算机，从Z中分别任意选出固定数目的向量，组成新的集合义,和步骤3.2.2;选定A为某固定常数，比如^ = 16， /为log^/log(l-;^)的上取整值，其 中A = l"(l/w)(l/;rK'2，2(1-〃単；步骤3.2.3;通过计算机生成/个&维复合向量^=(^^,.2，...，^)(1《"/)，其中S /《/,1《_/ S A)为d维向量，且c"l《z' S /,1 S _/ S 、1《z 2力均为取自标准正态分布的 实数；记这/个A:维复合向量组成的集合为C;通过计算机生成/个实数^(1^^/)， 6,. (1 S / S /)均取自均匀分布f/(0, W);步骤3.2.4;对义,中的每一个向量;c,令-py = (Cy w(l《"/，B _/ S A:)其中*表示向量的点积；令向量A -(ApPc^/^XlSz^O,则&的/个哈希键值可表示 为/「 * 1、mod / os/m'ze (1 S / 2 /)其中"「 l"表示上取整函数，A(lS"^)取自均匀分布"(0,/^fo/ze)， /m/w/ze为哈希表// 的长度， 一般取为^的向量个数；哈希表i/由每个哈希值到对应哈希桶的索引构成，而 每个哈希桶则由中具有相同哈希值的向量构成；步骤3.2.5;按照:c,的/个哈希键值，依次将^装入//中该哈希键值对应的哈希桶中； 步骤3.2.6;对J^中的每一个向量、执行步骤3.2.4计算、的/个哈希键值，并用C^表示所需要的时间；根据、的/个哈希键值，査找哈希表/Z中对应的哈希桶^，用7;表示所有A的向量个数之和，用^表示总的査找时间；令"9="9/^/，令、=^〃；计算所有^的每个向量和、之间的欧氏距离，所花费的时间记为G,;令g,-G"7;;步骤3,2.7;令"=(2>》/"， v=(J>"/"， g-(j;^)/"，其中"为集合J^中的 eA^ s^向量个数；步骤3.2.8;利用w、 v和g的值，估算新的&值，满足条件-A: = argmin( 2(wxA:x/ + vx / + ,其中/为logS/log(1 —;^)的上取整值，co〃&o"= 2 j[(l/w)(l/;r)e-^2血2(l-;c/cfe)血(为JC,与 之间的欧氏距离)；步骤3.2.9;根据新的A值，计算新的/为l0g5/l0g(1-^)的上取整值；步骤3.3;令X,为I，执行步骤3.2.3至步骤3.2.5重新生成哈希表i/;步骤3.4;遍历整个哈希表i/，对于I中任意两个向量;c,与x"若具有相同的哈希键值，则定义X,.与、之间的相似度为=exp(-|x, _jcy.| /2cr2)其中O"为常数，否则定义^与^之间的相似度为0，由此得到相似距离矩阵『； 步骤3.5;归一化相似距离矩阵『，令其中d为斜对角矩阵，且￡> . = j>y.;
4、 根据权利要求1所述的基于半监督学习和哈希索引的眉毛提取方法，其特征在于 所述得到的归一化相似矩阵S，采用基于图的半监督学习技术进行迭代计算，为没有标号 的像素块打上标号，具体步骤如下步骤4.1;构造初始状态矩阵1^2，其中W为X所含向量的总数，包括有标号的和无标号的向量，若^e丄为己标号向量中的眉毛块，则&=1，《2=0;若;c,. e丄是已标号向 量中的非眉毛块，则&=1， &=0;否则，i^=:p;2=o;步骤4.2;迭代计算FO + l)-aSF(0 + (l-a)y直到收敛，其中F(0)-y， a是个介于 0到1之间的常数；步骤4.3;假设F'为迭代的结果，则无标号向量JC,.的标号取决于^'中最大的分量。即若&'>《2'，则该向量对应的像素块属于眉毛区域，令像素块的标号为l;否则，该 向量对应的像素块属于非眉毛区域，令该像素块的标号为0。步骤5;根据迭代的结果，从原始眉毛图像中提取出与原始标号为1的像素块相连通 且迭代结果为眉毛的像素块，完成眉毛的提取工作；
5、 根据权利要求1所述的基于半监督学习和哈希索引的眉毛提取方法，其特征在于 所述步骤5包括步骤5.1;令集合X为空集；任意取出一个眉毛像素块对应的向量oe丄，将O加入集 合^，并将0的标号改为2;步骤5.2;从集合^中任意取出向量fl，令^ = ^-{fl};以fl对应的像素块为起点，在八个领域中查找标号为1的所有像素块加入集合」，并将这些像素块的标号改为2;步骤5.3;执行步骤5.2直到集合^为空；步骤5.4;把标号为2的像素块连成眉毛区域，并通过计算机把眉毛区域放到一个能 够包含它的最小矩形中生成一幅256色的纯眉毛图像，眉毛区域外部和最小矩形之间的部 分统一取为眉毛区域外部颜色的均值。
全文摘要
本发明公开了一种基于半监督学习和哈希索引的眉毛图像分割技术，依次包括以下步骤接受用户的原始眉毛图像，将眉毛图像划分成大小相等的小像素块，并通过计算机在眉毛区域内外分别选定一些像素块赋予不同的标号；将每个像素块均表示成向量的形式，并通过局部敏感的哈希方法计算出这些像素块之间的相似度，得到归一化的相似距离矩阵；利用基于图的半监督学习技术为没有标号的像素块打上标号，并从中提取出标号为眉毛的像素块，完成眉毛的提取工作。本发明因为利用局部敏感的哈希方法求解基于图的半监督学习技术中的相似距离矩阵，大大地提高了运用半监督技术进行图像分割的速度。
文档编号G06K9/00GK101493887SQ200910079518
公开日2009年7月29日 申请日期2009年3月6日 优先权日2009年3月6日
发明者张晨光, 李玉鑑 申请人:北京工业大学