一种抠图算法的优化选取方法及装置与流程
本发明涉及图像处理技术领域，尤其涉及一种抠图算法的优化选取方法及装置。
背景技术：
对数字图像中的特定区域进行提取在实际应用中具有广泛的需求，而手动对图像进行抠取是一件非常复杂且繁琐的事情，而且抠取的精度由用户的能力决定。
目前，存在很多对图像进行自动抠取的算法，但是同一个图像抠取问题，选择不同的算法会产生不一样的抠取结果，甚至同一种算法采用不同的参数设置也会产生不同的效果。要实现图像的完美抠取，用户需要对算法以及算法参数进行反复的调节，这显然是不切实际的。
技术实现要素：
本发明所要解决的技术问题是针对现有技术的不足，提供一种抠图算法的优化选取方法及装置，以选取最优的抠图算法对图像进行处理。
为解决上述技术问题，本发明提供一种抠图算法的优化选取方法，包括以下步骤：
对原始图像进行区域划分，得到前景区域、背景区域以及第一模糊区域；
基于所述前景区域、所述背景区域以及所述第一模糊区域，构建图像处理模型；
构建智能优化算法集合，所述智能优化算法集合中至少包括一种图像抠取算法；并利用所述智能优化算法集合中的图像抠取算法对所述图像处理模型进行求解；
获取所述智能优化算法集合中的图像抠取算法求解所述图像处理模型的时间，选取求解所述图像处理模型用时最短的图像抠取算法。
本发明的有益效果是：首先将所述原始图像进行区域划分，并基于所述前景区域、所述背景区域以及所述第一模糊区域将所述原始图像构建为一个函数，即图像处理模型；然后构建一个构建智能优化算法集合对所述图像处理模型进行求解，并在所述智能优化算法集合中选取求解所述图像处理模型用时最短的图像抠取算法对所述原始图像进行抠图处理。通过比较所述智能优化算法集合中的图像抠取算法求解所述图像处理模型所用的时间，而不需关心参数设置等其他因素，能够自动选取最佳的图像抠取算法，提高图像抠取算法选取的速度以及准确度。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步地，所述对原始图像进行区域划分，得到前景区域、背景区域以及第一模糊区域，具体包括：
通过优化算子对所述原始图像进行边缘处理，得到边缘图像；
通过八边形邻域块对所述边缘图像进行覆盖扫描，在所述边缘图像上扫描得到空洞区域以及非空洞区域；
将所述空洞区域的闭环区域标记为所述前景区域，所述空洞区域的非闭环区域标记为所述背景区域，所述边缘图像上的其它区域标记为所述第一模糊区域。
采用上述进一步方案的有益效果是：通过优化算子以及八边形邻域块对所述原始图像进行处理，能够更准确地对所述原始图像进行区域划分，得到所述前景区域、所述背景区域以及所述第一模糊区域。
进一步地，所述优化算子包括：
若所述优化算子从左往右计算所述原始图像，则所述优化算子为：
若所述优化算子从右往左计算所述原始图像，则所述优化算子为：
其中，i为所述原始图像，i2为所述边缘图像；a为滑动参数，且0<a<1。
进一步地，所述对原始图像进行区域划分，得到前景区域、背景区域以及第一模糊区域，之后还包括：
基于图像邻域间的像素色度差对所述第一模糊区域进行区域再划分；
基于像素相似度将所述第一模糊区域中与所述前景区域的像素相似的区域标记为所述前景区域，将所述第一模糊区域中与所述背景区域的像素相似的区域标记为所述背景区域，所述第一模糊区域中的其它区域标记为第二模糊区域。
采用上述进一步方案的有益效果是：通过对所述第一模糊区域进行区域再划分，对第一模糊区域中的图像区域继续进行细分，能够提高所述原始图像的前景区域、背景区域的提取效率以及精度。
进一步地，所述基于图像邻域间的像素色度差对所述第一模糊区域进行区域再划分的计算公式为：
其中，iu(i,j)为所述第一模糊区域的当前边缘点，且
进一步地，所述像素相似度的计算公式为：
其中，iu(i,j)为所述第一模糊区域的当前边缘点，if(i,j)为所述前景区域的当前边缘点，ib(i,j)为所述背景区域的当前边缘点；
进一步地，所述图像处理模型的表达式为：
i＝αif+(1-α)ib+iu
其中，
进一步地，所述构建智能优化算法集合，所述智能优化算法集合中至少包括一种图像抠取算法；并利用所述智能优化算法集合中的图像抠取算法对所述图像处理模型进行求解，具体包括：
基于鸽群优化算法对所述智能优化算法集合中的图像抠取算法进行自动参数优化；
利用参数优化后的图像抠取算法对所述图像处理模型进行求解。
采用上述进一步方案的有益效果是：由于所述智能优化算法集合中包括多个图像抠取算法，而且每个图像抠取算法由于参数设置的不同，性能也会不同。因此，通过所述鸽群优化算法能够对所述智能优化算法集合中的图像抠取算法进行参数优化，得到图像抠取算法的最佳参数设置。
为解决上述技术问题，本发明实施例还提出一种抠图算法的优化选取装置，包括：
图像处理模块，用于对原始图像进行区域划分，得到前景区域、背景区域以及第一模糊区域；
图像处理模型构建模块，用于根据所述前景区域、所述背景区域以及所述第一模糊区域，构建图像处理模型；
智能优化算法集合构建模块，用于构建智能优化算法集合，所述智能优化算法集合中至少包括一种图像抠取算法；并利用所述智能优化算法集合中的图像抠取算法对所述图像处理模型进行求解；
图像抠取算法选取模块，用于获取所述智能优化算法集合中的算法元素图像抠取算法求解所述图像处理模型的时间进行对比，并选取求解所述图像处理模型用时最短的算法元素图像抠取算法对所述原始图像进行处理。
为解决上述技术问题，本发明实施例还提出一种抠图算法的优化选取装置，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例任一项所述的抠图算法的优化选取方法。
附图说明
图1为本发明实施例提供的一种抠图算法的优化选取方法的流程示意图；
图2为本发明实施例提供的一种抠图算法的优化选取装置的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1给出了本发明实施例提供的一种抠图算法的优化选取方法的流程示意图，如图1所示，本实施例中，一种抠图算法的优化选取方法，包括以下步骤：
对原始图像进行区域划分，得到前景区域、背景区域以及第一模糊区域；
基于所述前景区域、所述背景区域以及所述第一模糊区域，构建图像处理模型；
构建智能优化算法集合，所述智能优化算法集合中至少包括一种图像抠取算法；并利用所述智能优化算法集合中的图像抠取算法对所述图像处理模型进行求解；
获取所述智能优化算法集合中的图像抠取算法求解所述图像处理模型的时间，选取求解所述图像处理模型用时最短的图像抠取算法。
由于在图像处理中，同一个图像处理问题，例如抠图问题，特别是在抠取图像中的某个人的图像时，需要达到毛发不损失情况下的抠取，这种情况通过人工抠取是不现实的。因此需要使用智能算法对其进行处理，但是处理一个抠图问题的方法可以是不同算法，而且同一个算法也具有不同的参数设置而效果不一。为达到最佳的图像处理算法的选取，本发明首先将对原始图像进行区域划分，到前景区域、背景区域以及第一模糊区域。基于所述前景区域、所述背景区域以及所述第一模糊区域，构建图像处理模型，即将所述前景区域、所述背景区域以及所述第一模糊区域表达为一个函数问题，即构成所述图像处理模型。进而通过构建智能优化算法集合对所述图像处理模型这一函数问题进行求解，得到求解时间。然后，选取求解所述图像处理模型用时最短的图像抠取算法对所述原始图像进行处理。
上述实施例中，通过将图像抠取问题转换成函数求解问题，通过构建所述智能优化算法集合，所述智能优化算法集合中包括至少一种图像抠取算法。通过利用所述图像抠取算法对所述图像处理模型进行求解，比较所述智能优化算法集合中的图像抠取算法求解所述图像处理模型所用的时间而不需关心参数设置等其他因素来进行图像抠取算法的选取。
具体地，所述对原始图像进行区域划分，得到前景区域、背景区域以及第一模糊区域，具体包括：
通过优化算子对所述原始图像进行边缘处理，得到边缘图像；
通过八边形邻域块对所述边缘图像进行覆盖扫描，在所述边缘图像上扫描得到空洞区域以及非空洞区域；
将所述空洞区域的闭环区域标记为所述前景区域，所述空洞区域的非闭环区域标记为所述背景区域，所述边缘图像上的其它区域标记为所述第一模糊区域。
具体地，所述优化算子包括：
若所述优化算子从左往右计算所述原始图像，则所述优化算子为：
若所述优化算子从右往左计算所述原始图像，则所述优化算子为：
其中，i为所述原始图像，i2为所述边缘图像；a为滑动参数，且0<a<1。
上述实施例中，由于抠图问题主要是对前景以及背景区域的抠取，首先对图像进行边缘处理，得到图像的轮廓，然后通过八边形邻域块对边缘图像进行扫描，识别出图像中的前景、背景区域。使得抠取精度大幅提高。
可选地，所述对原始图像进行区域划分，得到前景区域、背景区域以及第一模糊区域，之后还包括：
基于图像邻域间的像素色度差对所述第一模糊区域进行区域再划分；
基于像素相似度将所述第一模糊区域中与所述前景区域的像素相似的区域标记为所述前景区域，将所述第一模糊区域中与所述背景区域的像素相似的区域标记为所述背景区域，所述第一模糊区域中的其它区域标记为第二模糊区域。
需要说明的是，对所述第一模糊区域进行区域再划分，将所述第一模糊区域中的前景内容、背景内容进行再识别，以将其划分至所述前景区域以及所述背景区域中，可以提高所述原始图像中前景区域、背景区域的提取效率以及精度。
由于图像的前景和背景之间的过渡区域具有差异性，即邻域间的像素色度差跳跃大。因此，基于图像邻域间的像素色度差对所述第一模糊区域进行区域再划分，得到多个区域。然后通过跟所述前景区域以及所述背景区域进行像素相似度比较，将划分出来的区域分别归入对应的前景区域或背景区域。即将所述第一模糊区域中跟所述前景区域像素相似度高的区域划分进所述前景区域；将所述第一模糊区域中跟所述背景区域像素相似度高的区域划分进所述背景区域；剩余的其他区域则划分为第二模糊区域。
具体地，所述基于图像邻域间的像素色度差对所述第一模糊区域进行区域再划分的计算公式为：
其中，iu(i,j)为所述第一模糊区域的当前边缘点，且
其中，iu(i,j)为所述第一模糊区域的当前边缘点，if(i,j)为所述前景区域的当前边缘点，ib(i,j)为所述背景区域的当前边缘点；
需要说明的是，通过所述像素相似度的计算公式对第一模糊区域中的图像区域进行再划分，例如：所述第一模糊区域的a像素点与所述前景区域的像素相似度达到某一阈值，则将所述第一模糊区域的a像素点划分至所述前景区域；若所述a像素点与所述背景区域相似度更高，则划分至所述背景区域。若均不相似，则归入所述第二模糊区域。对所述第一模糊区域进行区域再划分是要缩小所述第一模糊区域的面积，提高抠取的精度以及速度。
具体地，所述图像处理模型的表达式为：
i＝αif+(1-α)ib+iu
其中，
进一步地，所述构建智能优化算法集合，所述智能优化算法集合中至少包括一种图像抠取算法；并利用所述智能优化算法集合中的图像抠取算法对所述图像处理模型进行求解，具体包括：
基于鸽群优化算法对所述智能优化算法集合中的图像抠取算法进行自动参数优化；
利用参数优化后的图像抠取算法对所述图像处理模型进行求解。
需要说明的是，所述智能优化算法集合中包括至少一种图像抠取算法，但是由于同一个图像抠取算法存在不同参数设置会导致不同的处理效果。因此，所述图像抠取算法基于鸽群优化算法进行自动参数优化，以使所述智能优化算法集合中的图像抠取算法的参数设置达到最优。
鸽群在寻找目的地的过程中，会先参照太阳和磁场进行初步定位，然后依照地标进行精确定位，根据这一特性，鸽群优化算法提出了两种相对应的算子，分别为地图罗盘算子和地标机制，来模拟鸽群的这种特性，并将这两种算子结合起来解决优化问题。基于鸽群优化算法对所述智能优化算法集合中的图像抠取算法进行自动参数优化，即根据鸽群中的个体的数量、每一次迭代鸽群移动的位置大小、每一次迭代鸽群移动的速度大小、每一次迭代鸽群中最优鸽子的位置等参数的自动变化而生成同一类但性能不同的图像抠取算法。因此，所述智能优化算法集合可以理解为一个变种的鸽群优化算法。
需要说明的是，选取求解所述图像处理模型用时最短的图像抠取算法对所述原始图像进行处理，即是选取求解所述图像处理模型用时最短的图像抠取算法。但是若存在两个或多个图像抠取算法求解所述图像处理模型的时间一样，意味着处理该问题的图像抠取算法在精度、处理时间均一样，则在求解时间相同的图像抠取算法中任意选择一个图像抠取算法进行处理。
例如，对所述智能优化算法集合中的图像抠取算法求解所述图像处理模型的时间进行对比，所述图像处理模型的目标函数为
若所述性能优化模型中c＞1，则图像抠取算法a求解所述图像处理模型的时间小于图像抠取算法b求解所述图像处理模型的时间，则选择图像抠取算法a对所述原始图像进行处理；
若所述性能优化模型中c＜1，则图像抠取算法a求解所述图像处理模型的时间大于图像抠取算法b求解所述图像处理模型的时间，则选择图像抠取算法b对所述原始图像进行处理；
若所述性能优化模型中c＝1，则图像抠取算法a求解所述图像处理模型的时间等于图像抠取算法b求解所述图像处理模型的时间,则在图像抠取算法a或图像抠取算法b中任意选择一个对所述原始图像进行处理。
为解决上述技术问题，如图2所示，本发明实施例还提出一种抠图算法的优化选取装置，包括：
图像处理模块，用于对原始图像进行区域划分，得到前景区域、背景区域以及第一模糊区域；
图像处理模型构建模块，用于根据所述前景区域、所述背景区域以及所述第一模糊区域，构建图像处理模型；
智能优化算法集合构建模块，用于构建智能优化算法集合，所述智能优化算法集合中至少包括一种图像抠取算法；并利用所述智能优化算法集合中的图像抠取算法对所述图像处理模型进行求解；
图像抠取算法选取模块，用于获取所述智能优化算法集合中的算法元素图像抠取算法求解所述图像处理模型的时间进行对比，并选取求解所述图像处理模型用时最短的算法元素图像抠取算法对所述原始图像进行处理。
为解决上述技术问题，本发明实施例还提出一种抠图算法的优化选取装置，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例任一项所述的抠图算法的优化选取方法。
该装置为计算机设备等实体装置。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！