联合视觉显著性和图割优化的图像自动分割方法与流程

本发明涉及图像处理技术领域，具体涉及联合视觉显著性和图割优化的图像自动分割方法。

背景技术：

图像分割是将图像分成不同的区域，每个区域有相同的颜色、强度或纹理，在图像分析、物体识别跟踪和计算机视觉中它都具有重要作用。图像分割的方法多种多样，早期人们利用阈值法进行分割，近些年研究人员更多地研究利用能量函数解决分割问题。

阈值法是人们最开始使用也是最简单的图像分割方法，给定一个事先定义好的灰度阈值，大于这个阈值的被视为前景物体，小于这个阈值的被视为背景物体。该方法关键是找到一个合适的灰度阈值，在这一方面Otsu的算法是最常被使用的。阈值法之后陆续出现了基于边缘和基于区域的图像分割方法，基于边缘的分割方法利用连接图像前景和背景的像素会有较大差异这一特性，对图像求一阶导数或二阶导数可以检测到这种不连续性。Sobel边缘检测子就是利用图像梯度概念检测边缘，Canny边缘检测子通过使用滤波和强化操作能得到更好的分割结果。基于区域的分割方法利用同一区域内像素是相似的这一特性，通过逐步迭代扩大种子区域来进行分割。像k-means方法、meanshift方法都是属于基于区域的分割方法。这些图像分割方法利用图像底层属性(强度、颜色或纹理)来对图像进行分割，同样的还有watershed方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一像素的灰度值表示该像素的海拔高度，每一局部极小值及其影响区域称为集水盆，集水盆的边界形成分水岭，找到分水岭即完成了对图像的分割。无论是阈值法、基于边缘、基于区域或watershed方法，都容易导致图像过度分割或分割不足的问题。

基于能量函数的分割方法是对图像构建一个能量函数，当能量函数达到最小值时图像就完成了分割。图割(Graph Cut)就属于这一类，它最早被Boykov和Jolly提出，这种算法模型将图像的边缘特征和区域特征很好地结合起来，在一定程度上解决了过分割或分割不足的问题。在图割基础上发展起来的Grab Cut如今应用比较广泛，它需要用户将图像中前景物体用矩形框出作为先验知识，在数据量较大时这项工作将变得费时费力。

技术实现要素：

本发明的目的就是为了解决上述技术问题，而提供联合视觉显著性和图割优化的图像自动分割方法。

本发明包括以下步骤：

①利用HC算法获取图像显著图；

②对图像前景像素和背景像素进行高斯混合模型训练；

③依据图像高斯混合模型训练结果对图像构造图结构并利用图割优化方法对图像进行分割。

所述步骤①中，HC算法利用图像像素颜色统计信息标识各像素之间的区别，通过量化计算表示这种差别即为各像素的显著值，计算公式为：

其中，c_l是像素颜色值，n是图像中颜色值不同的像素数目，f_j是具有颜色值c_l的像素数目。

所述步骤②中，对获取的图像显著图的图像前景像素和背景像素进行初步估计，估计方法为阈值法：

f_O＝{(x,y)|s(x,y)＞V_threshold}

b_O＝{(x,y)|s(x,y)＜V_threshold}

其中，f_O代表属于前景的像素，b_O代表属于背景的像素，s(x,y)为步骤一中求得的各像素的显著值，V_threshold为自定义的阈值。

所述步骤③中，用无向权重图G＜V,E＞表示要分割的图像，其中V表示顶点集合，E表示边集合，顶点包括图像中各像素点和分别代表前景的S和背景的T的两个顶点，边包括相邻像素之间的连接和各像素与S、T之间的连接，且各条边会有一个附加权重值，利用步骤3训练得到的图像前景与背景高斯混合模型，对图像中各像素求解该像素属于前景和背景的概率，图中各条边的权重由该概率确定，由此确定图像的图结构，求解图的最小割问题，定义图像能量函数：

E(L)＝αR(L)+B(L)

其中，R(L)是区域项，B(L)是边界项。

本发明具有以下优点：本发明提供联合视觉显著性和图割优化的图像自动分割方法，可实现图像的自动分割,即不需要人为参与完成图像分割，具有很好的推广应用价值。

附图说明

图1是本发明步骤示意图。

图2是本发明进行图像自动分割的原图。

图3是本发明步骤①得到的图像显著图。

图4是本发明步骤③割优化获取的图像前景物体蒙版图。

图5是发明自动分割的得到前景物体图。

具体实施方式

下面结合附图对本发明做进一步说明。

如图所示，联合视觉显著性和图割优化的图像自动分割方法包含三个步骤。

步骤①：利用HC算法获取图像显著图

在该步骤中，HC算法利用图像像素颜色统计信息标识各像素之间的区别，通过量化计算表示这种差别即为各像素的显著值，计算公式为：

其中，c_l是像素颜色值，n是图像中颜色值不同的像素数目，f_j是具有颜色值c_l的像素数目。通过该公式即求得了一幅图像中不同像素之间的显著值，该图像中的前景物体往往具有更大的显著值，因此在图像显著图中前景物体会高亮显示，得到原图1的图像显著图2。

经过HC算法获取的图像显著图对图像前景部分会有一个初步的估计。该估计也是下面步骤的输入。

步骤③：对图像前景像素和背景像素进行高斯混合模型训练

在该步骤中，利用步骤1获取的图像显著图对图像的前景像素和背景像素进行初步估计，估计方法为阈值法：

f_O＝{(x,y)|s(x,y)＞V_threshold}

b_O＝{(x,y)|s(x,y)＜V_threshold}

其中，f_O代表属于前景的像素，b_O代表属于背景的像素，s(x,y)为步骤一中求得的各像素的显著值，V_threshold为自定义的阈值。有了图像前景像素和背景像素的初步估计后，对图像前景和背景进行高斯混合模型训练。

步骤3：依据图像高斯混合模型训练结果对图像构造图结构并利用图割优化方法对图像进行分割

在该步骤中，用无向权重图G＜V,E＞表示要分割的图像，其中V表示顶点集合，E表示边集合。顶点包括图像中各像素点和分别代表前景的S和背景的T的两个顶点，边包括相邻像素之间的连接和各像素与S、T之间的连接，且各条边会有一个附加权重值。利用步骤3训练得到的图像前景与背景高斯混合模型，对图像中各像素求解该像素属于前景和背景的概率，图G中各条边的权重由该概率确定，由此确定图像的图结构。

进一步地，求解图的最小割问题具体包括：

定义图像能量函数：

E(L)＝αR(L)+B(L)

其中，R(L)是区域项，B(L)是边界项，α是区域项和边界项之间的重要因子，决定它们对能量的影响大小。通过最小化该能量函数完成对图像的分割问题。

具体实验结果如图所示，图3为图割优化获取的图像前景物体蒙版与前景物体，从图4和图5可以看出，在经过图割优化这一步骤后，图像前景物体被分割出来，从而达到了本发明的图像自动分割效果。

本发明技术方案中的关键术语解释如下：

视觉显著性:人类的视觉注意机制能够将有限的认知资源聚集于场景中重要的刺激而抑制那些不重要的信息,在计算机视觉领域，有关显著性的研究在于提出模拟人类视觉注意机制的模型。

图像分割:把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。

图割:图割是指基于图论的分割方法移除特定的边，将图划分为若干子图从而实现分割。将图像映射为带权无向图G＝<V，E>，图中每个节点N∈V对应于图像中的每个像素，每条边∈E连接着一对相邻的像素，边的权值表示了相邻像素之间在灰度、颜色或纹理方面的非负相似度。而对图像的一个分割s就是对图的一个剪切，被分割的每个区域C∈S对应着图中的一个子图。而分割的最优原则就是使划分后的子图在内部保持相似度最大，而子图之间的相似度保持最小。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。