1.联合视觉显著性和图割优化的图像自动分割方法,其特征在于它包括以下步骤:
①利用HC算法(基于直方图对比度的方法)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。
2.根据权利要求1所述的联合视觉显著性和图割优化的图像自动分割方法,其特征在于所述步骤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,cl是像素颜色值,n是图像中颜色值不同的像素数目,fj是具有颜色值cl的像素数目。
3.根据权利要求1所述的联合视觉显著性和图割优化的图像自动分割方法,其特征在于所述步骤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:
fO={(x,y)|s(x,y)>Vthreshold}
bO={(x,y)|s(x,y)<Vthreshold}
其中,fO代表属于前景的像素,bO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,Vthreshold为自定义的阈值。
4.根据权利要求1所述的联合视觉显著性和图割优化的图像自动分割方法,其特征在于所述步骤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。