專利名稱：一種復(fù)雜圖像中顯著輪廓提取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域，具體涉及一種復(fù)雜圖像中顯著輪廓提取方法。
背景技術(shù)：
圖像中顯著輪廓的提取是計(jì)算機(jī)視覺中一個(gè)基礎(chǔ)性的核心問題。對(duì)于一幅圖像，顯
著輪廓通常為圖像中物體的幾何形狀，或用于區(qū)分物體之間的邊界，例如，圖l(c)是對(duì) 圖l (a)中顯著輪廓進(jìn)行人工標(biāo)注的結(jié)果。人們往往通過對(duì)這些顯著輪廓的感知就可以識(shí) 別出圖像中有那些物體，而不需要太多關(guān)于物體顏色和紋理的信息。顯著輪廓除了可以 用于感知和識(shí)別，在計(jì)算機(jī)視覺中，還可以用于圖像的壓縮、匹配、目標(biāo)跟蹤等。
通常，顯著輪廓提取的過程由兩個(gè)步驟組成第一步是輪廓組成單元的定義與檢測(cè)
方法，常用的算法是把單個(gè)像素看成輪廓的組成單元，檢測(cè)的方法，就是通過對(duì)單個(gè)像
素局部鄰域內(nèi)的像素值進(jìn)行濾波，而得到該像素屬于輪廓的程度，如，梯度計(jì)算，Gabor 濾波等方法。近幾年來，隨著機(jī)器學(xué)習(xí)理論在計(jì)算機(jī)視覺中的廣泛應(yīng)用，基于有監(jiān)督的 機(jī)器學(xué)習(xí)方法被用在了輪廓檢測(cè)上，例如，David R. Martin采用了基于邏輯回歸的機(jī) 器學(xué)習(xí)方法，圖卓文采用了基于adaboost的機(jī)器學(xué)習(xí)方法，二者均給出了圖像中每個(gè)像 素屬于輪廓的概率值。以上檢測(cè)方法均為基于像素的輪廓提取方法。第二步是從第一步 輸出的結(jié)果中，提取出具有感知顯著性的輪廓。 一幅圖像中，如果沒有噪聲，目標(biāo)物體 為人造的，且物體表明沒有復(fù)雜的紋理，物體所在的背景也是均勻的，那么，我們根本 不需要第二步的工作，僅用第一步中常用算法的輸出結(jié)果就可以得到感知顯著的輪廓， 例如，使用最為經(jīng)典的Canny邊緣檢測(cè)算法。然而，人們?nèi)粘＝佑|的圖像，大部分來自 自然場(chǎng)景下的，存在圖像的噪聲，物體表面的不規(guī)則紋理，復(fù)雜的背景等。目前，計(jì)算 機(jī)視覺中，像上述第一步中基于像素的輪廓檢測(cè)方法均存在兩個(gè)問題，即，對(duì)像素的"漏 判與誤判"，有的像素應(yīng)該被認(rèn)為是顯著輪廓上的，卻被認(rèn)為不是；而有的像素不應(yīng)當(dāng) 是顯著輪廓上，卻被認(rèn)為是，例如，圖l(b)就是采用Canny邊緣檢測(cè)算法得到的一種結(jié) 果，上述的"漏判與誤判"情況導(dǎo)致了所檢測(cè)到的邊緣存在"噪聲"。當(dāng)然，這種"漏判與誤判"之間的判斷標(biāo)準(zhǔn)，應(yīng)該由人眼做最終的判斷。如果把人眼所感知到的顯著輪 廓認(rèn)為是最終的理想結(jié)果，例如圖1(C)就是人眼所判斷的一種結(jié)果，那么上述第一步中 輸出的結(jié)果與這個(gè)理想結(jié)果的差距，就是上述第二步中要努力減小的。
目前，針對(duì)上述第二步要完成的目標(biāo)，主要是要把第一步結(jié)果中的輪廓，有選擇性 的聚集成顯著輪廓。聚集的依據(jù)，通常采用格式塔心理學(xué)中提供的感知要素。在目前的 一些方法中，通常不直接對(duì)像素直接聚集，而是聚集一些非像素的"高級(jí)"單元， 一般， 這種"高級(jí)"單元為小的直線段，這樣就可以方便的計(jì)算線段之間的方向、距離等，可 以更為方便的利用格式塔心理學(xué)中的感知要素，如，臨近性，共線性等。通常先對(duì)第一 步的結(jié)果做一些預(yù)處理，比如，去掉一些"誤判"的像素，這些像素可以通過其所在輪 廓的長(zhǎng)度而選取，通常在第一步的結(jié)果中，長(zhǎng)度小于某個(gè)閾值的輪廓，可以被看成是"誤 判"的，這些像素被去掉。另一方面，補(bǔ)上一些"漏判"的像素，最簡(jiǎn)單的方法是將每 個(gè)輪廓端點(diǎn)與其最近k鄰域端點(diǎn)用直線段連接起來。在完成上述與處理之后，接下來就 是利用格式塔心理學(xué)提供的感知聚集要素，定義一種聚集標(biāo)準(zhǔn)，然后設(shè)計(jì)算法(目前算 法多采用動(dòng)態(tài)規(guī)劃或全局搜索)，從上述小的線段集中搜索出滿足聚集標(biāo)準(zhǔn)的一個(gè)子集 來，這個(gè)子集構(gòu)成了算法最終的結(jié)果，即顯著性結(jié)構(gòu)，它仍然是對(duì)理想結(jié)果的一種逼近， 但與單純的邊緣檢測(cè)算法相比，它減少了很多"噪聲"邊緣，保持了顯著輪廓的大部分 結(jié)構(gòu)，為后續(xù)的計(jì)算機(jī)視覺應(yīng)用提供了較好的輸入。
類似上述的這些方法，雖然取得了一些較為滿意的結(jié)果，但仍然存在不足，算法不 穩(wěn)定是一個(gè)主要的缺陷，對(duì)于相對(duì)簡(jiǎn)單的圖像來說，算法結(jié)果比較滿意，但遇到復(fù)雜的 圖像后，結(jié)果往往偏差較大，其原因在于，上述第二步的搜索算法依賴與上述第一步中 邊緣檢測(cè)的結(jié)果，如果第一步的結(jié)果不理想，輸入第二步之后，即使第二步的算法是最 佳的，也很難得到理想的結(jié)果，正如Stahl和Wang在文獻(xiàn)(J. S. Stahl， and S. Wang. "Edge Grouping. Combining Boundary and Region Information" ， IEEE Trans. Image Process., 16(10) :377 - 384 ， oct. 2007.)中提到的。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種復(fù)雜圖像中顯著輪廓提取方法，該方法對(duì)于復(fù)雜圖像的 顯著輪廓提取，能夠獲得良好的視覺效果。本發(fā)明提供的一種復(fù)雜圖像中顯著輪廓提取方法，其步驟為-
(1) 對(duì)于輸入圖像/0,y),首先按照式(i )獲得隨機(jī)生成線段中心點(diǎn)坐標(biāo)Pi = (x,y) 的采樣概率g(Pi)， i表示圖像中象素的序號(hào)
g(Pi) = l7/"y)/^y7/0,y) ( i )
其中P/(x,y)為圖像的梯度值，其計(jì)算公式為式(ii)-味y) = 2V[/(x + l,y) 二 /0,y)]2 + [/0,y +1) — /(Xy)]2 (ii)
(2) 按照下述過程建立線段集合『數(shù)學(xué)模型，對(duì)圖像中顯著輪廓的逼近
(2.1) 集合『的初始值設(shè)為空集，『={};
(2.2) 根據(jù)步驟(1)得到的采樣概率q(Pi)，采樣得到線段So的中心點(diǎn)坐標(biāo) Po = ，然后在預(yù)設(shè)的數(shù)值區(qū)間[Zn^,i饑M]上進(jìn)行均勻采樣，采出該線段的 長(zhǎng)度值^ ，接下來在方向區(qū)間[O,tt]上進(jìn)行均勻采樣，采出該線段的方向值& ，將
該線段& = ( Po , f(j , 加入集合『,'
(2.3) 生成一個(gè)位于0到1之間的隨機(jī)數(shù)rand，記錄迭代次數(shù)N=N+1， N的初始 值為0 ;如果rand小于等于^，進(jìn)入步驟(2.4)，如果mnd大于c^且小于等于qd+c^， 轉(zhuǎn)入步驟(2.6)，如果rand大于&+&，，轉(zhuǎn)入步驟(2.8); ^為隨機(jī)刪除一個(gè)線段的轉(zhuǎn) 移形式的概率，( b為隨機(jī)生成一個(gè)線段的這種轉(zhuǎn)移形式的概率；
(2.4)使用步驟(2.2)中的方法隨機(jī)生成一個(gè)新的線段& = (A A ，將其 暫時(shí)加入集合『，此時(shí)，定義新集合『為， W = W U {^}，戶(，)為轉(zhuǎn)移概率，其 定義如下
w') ^g(Pi)gCq(喻) (iv) 公式(iii )中qd為隨機(jī)刪除 一 個(gè)線段這種轉(zhuǎn)移形式的概率， card(MO為當(dāng)前狀態(tài)下線段的個(gè)數(shù)；q(Pi)為隨機(jī)生成線段中心點(diǎn)坐標(biāo)的采樣概率，其 分布由圖像的梯度確定；q(WPi)為隨機(jī)生成線段長(zhǎng)度的采樣概率，其分布為均勻分布； q(AIPi)為隨機(jī)生成線段方向的采樣概率，其分布為均勻分布；
(2.5) 按照公式(v)計(jì)算線段Si的接收概率ai(vv,w');在求得線段^的接收概率 之后，再生成一個(gè)O到l之間的隨機(jī)數(shù)r，如果大于r，則線段A將
被最終添加到集合『，否則將被丟掉；然后轉(zhuǎn)入步驟(3);
(2.6) 在當(dāng)前線段集合『中，隨機(jī)選中一個(gè)線段&= (p。Z。&)，將其暫時(shí)從集合『中刪除；此時(shí)，按照定義新集合『為礦，從當(dāng)前線段集合W中隨機(jī)刪除一個(gè)線
段，此時(shí)^' = ^\&，戶(，)仍采用公式(iii)和(iV)計(jì)算；
(2.7) 按照公式(v)計(jì)算線段A的刪除概率a2(vv,u/)，在求得線段^的刪除概 率a2(vv,w')之后，再生成一個(gè)O到1之間的隨機(jī)數(shù)r，如果a2(w,w')大于r，則線 段A將被最終從集合『中刪除，否則將不被刪除；然后轉(zhuǎn)入步驟(3);
(2.8) 在當(dāng)前線段集合『中，隨機(jī)選中一個(gè)線段&= (p。^,A)，生成一個(gè)O到 1之間的隨機(jī)數(shù)a， 如果a< 1/3，則^ = 如果1/3 < a < 2/3，則^ = ^ 一 ; 如果a>2/3，則^保持不變；用同樣的方法調(diào)整&的大??；線段中心點(diǎn)坐標(biāo)Pi保持 不變；這樣^將成為一個(gè)新的線段V ,同樣定義新集合『為^ , ir = (W\Si)U
{ }，其中A' = (A , ^ ± , & ± A0)，在這種轉(zhuǎn)移形式下，Z3( W', W)等于P( W, W');
(2.9) 按照公式(v)計(jì)算線段^的調(diào)整接收概率a3(w,w');在求得線段A的調(diào) 整接收概率a3(vv,w')之后，再生成一個(gè)O到l之間的隨機(jī)數(shù)r，如果a3(w,w')大于r， 則線段&將被最終調(diào)整為Si'，否則將保持不變；
a (w,w') = rnin(l,/ (w,w')) ( v )
其中i (w,w')為Green比值，其定義為
/ (W,W')-"1~:"^Li~(VI) P( w, w')/(w)7-
其中iX,)為轉(zhuǎn)移概率,/6)為線段集合的數(shù)學(xué)模型，:r為模擬退火算法中的當(dāng)前溫度；
(3)重復(fù)步驟(2.3)，每迭代一次，N的數(shù)值加l;當(dāng)溫度T趨于O時(shí)，算法收斂，
此時(shí)的線段集合r為該模型的最優(yōu)解，得到圖像的顯著輪廓。
本發(fā)明針對(duì)現(xiàn)有復(fù)雜圖像中輪廓提取方法的不足，提出了一種對(duì)顯著輪廓逼近的數(shù) 學(xué)模型，該模型將同時(shí)完成顯出輪廓組成單元的檢測(cè)與感知聚集。本發(fā)明直接對(duì)"高級(jí)" 的輪廓組成單元，線段，進(jìn)行描述，避免了目前邊緣檢測(cè)算法中"噪聲"邊緣的缺陷， 將輪廓組成單元的檢測(cè)與感知聚集統(tǒng)一在一個(gè)框架下，同時(shí)完成二者的實(shí)現(xiàn)。本發(fā)明方 法還避免了感知聚集過程對(duì)輪廓組成單元檢測(cè)算法的依賴，其輸出的結(jié)果是對(duì)理想輪廓 的一種逼近。逼近的結(jié)果具有良好的抗干擾性，對(duì)于復(fù)雜圖像的顯著輪廓提取，能獲得 良好的視覺效果。


圖l示出了自然圖像，用Carmy邊緣檢測(cè)得到的輪廓，和人工標(biāo)注的理想輪廓；
圖2示出了本方法的算法實(shí)現(xiàn)流程圖3示出了一個(gè)理想輪廓和一個(gè)線段集合對(duì)它的逼近；
圖4 (a)示出了本發(fā)明中線段的吸引區(qū)域；圖4 (b)示出了三個(gè)線段的連接情況； 圖4 (c)示出了本發(fā)明中線段的排斥區(qū)域。
圖5 (a)示出了的一幅合成圖像，圖5 (b) Carmy邊緣檢測(cè)算法的結(jié)果，圖5 (c) 本發(fā)明得到的結(jié)果。
圖6 (a) (b)示出了的一幅合成圖像，圖6 (c) (d) Canny邊緣檢測(cè)算法的結(jié)果， 圖6 (e) (f)本發(fā)明得到的結(jié)果。
具體實(shí)施例方式
下面結(jié)合附圖和實(shí)例對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明。 如圖2所示，本發(fā)明方法包括以下步驟-
(1) 對(duì)于輸入圖像/(;c,y)，首先獲得隨機(jī)生成線段中心點(diǎn)坐標(biāo)pi = (x,y)的采樣概 率g(Pi)， i表示圖像中象素的序號(hào)
<formula>formula see original document page 8</formula>(1) 其中P/0,y)為圖像的梯度值計(jì)算公式為
<formula>formula see original document page 8</formula>
(2) 建立線段集合『數(shù)學(xué)模型，滿足該模型的最優(yōu)解，即為對(duì)圖像中顯著輪廓的 逼近。本發(fā)明運(yùn)用了可逆瑕&轉(zhuǎn)馬爾科夫鏈蒙特卡洛(Reversible Jump Markov chain Monte Carlo (RJMCMC))和模擬退火算法對(duì)最優(yōu)線段集進(jìn)行求解。其具體步驟如下
(2.1) 集合『的初始值設(shè)為空集，
(2.2) 根據(jù)公式(l)中的概率分布q(Pi)，進(jìn)行隨機(jī)采樣，采樣出一個(gè)小線段&的 中心點(diǎn)坐標(biāo)Po = O0,y0)。然后在數(shù)值區(qū)間UmiJl,Zmax]上進(jìn)行均勻采樣，采出該小 線段的長(zhǎng)度值/o 。接下來在方向區(qū)間[O,ir]上進(jìn)行均勻采樣，采出該小線段的方向值 00 ，將該線段(po,k ,&)加入集合,。
數(shù)值區(qū)間[^n^,^似]依據(jù)經(jīng)驗(yàn)選取，Q^的取值范圍通常為7—9， ^M的取值范 圍通常為15 — 17。線段長(zhǎng)度如果過小，則計(jì)算量增大，同時(shí)可能會(huì)在結(jié)果中出現(xiàn)噪聲；線段長(zhǎng)度過長(zhǎng)，則會(huì)影響最終圖像中輪廓的逼近，逼近結(jié)果不夠連續(xù)平滑。
(2.3)生成一個(gè)位于0到1之間的隨機(jī)數(shù)rand。記錄迭代次數(shù)N-N+1， N的初始 值為O 。
(2.3.1) 如果rand小于1/3，使用步驟(2。2)中的方法隨機(jī)生成一個(gè)新的線段
A = (PiA，將其暫時(shí)加入集合『。此時(shí)，定義新集合『為W ,然后計(jì)算線段
A的接收概率，接收概率計(jì)算公式為
a(vv, w') = min(l, / (w, (2)
其中i (w,w')為Green比值，其定義為
/ (w, vv') = ~^-^~(3)
其中/>(，)為轉(zhuǎn)移概率，/6>為線段集合的數(shù)學(xué)模型(將在下面的文字中詳細(xì)說明)，r
為模擬退火算法中的當(dāng)前溫度。T隨迭代次數(shù)N的增加而減小，當(dāng)N小于2000時(shí)，T = T0， N大于2000以后，T的計(jì)算公式為
T =-- (4)
1og(l+kx2000) 、'
其中k=floor(N/2000)， S卩，小于N除以2000所得商的最大整數(shù)。
在求得線段Si的接收概率之后，再生成一個(gè)O到1之間的隨機(jī)數(shù)r，如
果a(vv,w')大于r，則線段^將被最終添加到集合『，否則將被丟掉。
(2.3.2) 如果rand大于1/3且小于2/3,則在當(dāng)前線段集合『中，隨機(jī)選中一個(gè)線 段A = (Pi,G ，將其暫時(shí)從集合,中刪除。此時(shí)，定義新集合『為^ ,然后 計(jì)算線段&的刪除概率a(w,w')，計(jì)算公式仍采用公式(2)。在求得線段^的刪除概 率a(vv,w')之后，再生成一個(gè)O到l之間的隨機(jī)數(shù)r，如果a(vv,w')大于r，則線段^將 被最終從集合『中刪除，否則將不被刪除。
(2.3.3) 如果rand大于2/3，則在當(dāng)前線段集合『中，隨機(jī)選中一個(gè)線段 A = (Pi A , A)，生成一個(gè)0到1之間的隨機(jī)數(shù)a，如果a< 1/3，貝仏=^ + 如 果1/3<&<2/3，則^ = ^一"；如果&>2/3，貝1』^保持不變。用同樣的方法調(diào)整^的 大小。只有線段中心點(diǎn)坐標(biāo)巧不調(diào)整。這樣Sf將成為一個(gè)新的線段Si'，同樣定義新 集合,為^ ，然后計(jì)算線段A的調(diào)整接收概率a(w,w')，計(jì)算公式仍采用公式(2)。 在求得線段Si的調(diào)整接收概率a(w,w')之后，再生成一個(gè)O到1之間的隨機(jī)數(shù)r，如 果大于r,則線段Sf將被最終調(diào)整為A'，否則將保持不變。(2. 4)重復(fù)步驟(2. 3)，每迭代一次，N的數(shù)值加1。當(dāng)溫度T趨于0時(shí)，算法收斂， 此時(shí)的線段集合^即為所求結(jié)果。
下面對(duì)公式(3)中的/>(，)和/(9的具體說明
①在步驟(2.3.1)中，隨機(jī)生成一個(gè)新的線段，并添加到W中，此時(shí)W'-Wufe), P(,)為轉(zhuǎn)移概率，其定義如下
w') = ^(Pi)幽l油(物i) (6) 公式(5)、 (6)， card(MO為當(dāng)前狀態(tài)下線段的個(gè)數(shù)，^為隨機(jī)刪除一個(gè)線段這種 轉(zhuǎn)移形式的概率，公式中&為隨機(jī)生成一個(gè)線段的這種轉(zhuǎn)移形式的概率，( (Pi)為隨機(jī)生 成線段中心點(diǎn)坐標(biāo)的采樣概率，其分布由圖像的梯度確定；g(Wpi)為隨機(jī)生成線段長(zhǎng)度 的采樣概率，其分布為均勻分布；g(&lpi)為隨機(jī)生成線段方向的采樣概率，其分布為 均勻分布。由步驟(2.3)開始的隨機(jī)數(shù)rand可知，^和^均為1/3 。
在步驟(2.3.2)中，從當(dāng)前線段集合W中隨機(jī)刪除一個(gè)線段，此時(shí)IT = ^\&，其 實(shí)與步驟(2.3. l)是一個(gè)逆過程，P(，)仍采用公式(5)和(6)計(jì)算，只是其中的vv與 w'不同0
在步驟(2.3.3)中，在當(dāng)前線段集W中隨機(jī)選取一個(gè)線段，然后，重新隨機(jī)的調(diào)整 其長(zhǎng)度和方向，此時(shí)W'-(M^^)U(V)，其中V-(Pf,^土AZ,A土A。，在這種轉(zhuǎn) 移形式下，w)等于P(iv, w')。
在說明線段集合的數(shù)學(xué)模型/()之前，首先說明線段的三種類型，如圖(3)所示，每 個(gè)小線段都有兩個(gè)端點(diǎn)，假設(shè)為點(diǎn) 〃和點(diǎn)K如果一個(gè)小線段的一個(gè)端點(diǎn)與另外一個(gè)小 線段的一個(gè)端點(diǎn)之間的距離小于"則認(rèn)為這兩個(gè)小線段為相連的。據(jù)此，小線段可分 為3中類型，如果一個(gè)小線段的兩個(gè)端點(diǎn)均為相連的，則稱該線段為雙連線段；如果只 有一個(gè)端點(diǎn)是相連的，則稱其為單連線段；如果兩個(gè)端點(diǎn)均不相連，則稱其為自由線段。 (i)小線段集合的數(shù)學(xué)模型為
f(W) oc |3nexp(-E(W)) = pnexp - (E"W) + ED(W)) (7)
該模型采用了概率形式的表達(dá)，f(w)是沒有歸一化的概率密度公式， 卩表示波松過程的密度，即用來控制小線段的個(gè)數(shù)，n表示當(dāng)前狀態(tài)下小線段的個(gè)數(shù)，&(/\0表示線段之間的關(guān)聯(lián)能量，它描述了當(dāng)前狀態(tài)下小線段空間分布之間的關(guān)系。
Ed(W)表示踐段的數(shù)據(jù)能量，它描述了小線段對(duì)實(shí)際圖像中理想輪廓的擬合程度。通過 上述建模，給出一幅圖像，對(duì)其顯著輪廓的逼近，就是求出公式(7)中使得f(W)為最
大的一個(gè)集合W。其數(shù)學(xué)表示就是
W* = arg min限(W) + ED(W) - nlog(B} (8) 本發(fā)明中，將把上式的-nlogP合并到E,(W)中。
(ii) 用來描述線段空間分布幾何關(guān)系的&(MO定義為
&(MO = w0n + w!r^ + w2ns + "a!]句,s戶4(Si,S/) +叫l(wèi)]〈^s戶/r(Si,s;) (9) 式中av就是公式(3)中的一fo^8， oh, 0)2，叫，^代表各項(xiàng)能量懲罰參數(shù)，除了 Wa為負(fù)數(shù)之外，其余均為正數(shù)。w表示當(dāng)前集合中線段總數(shù)，n,表示當(dāng)前集合中自由線
段個(gè)數(shù)， 表示當(dāng)前集合中單連線段個(gè)數(shù)。<&》 >表示當(dāng)前集合中兩個(gè)相連的線段對(duì)，
/aO i^)表示兩相連線段之間的吸引能量，；h,^)表示兩相連線段之間的排斥能量。
(iii) 相連線段之間的吸引與排斥能量計(jì)算為
<formula>formula see original document page 11</formula>(10)
<formula>formula see original document page 11</formula>(11)
以算上兩式均采用了一個(gè)圓形區(qū)域的定義G，即圓心為o半徑為r的圓?！筤表示
對(duì)面積的計(jì)算。圖像中輪廓的分布是隨機(jī)的，導(dǎo)致了小線段的分布也是隨機(jī)的，在這種 情況下，我們希望相鄰的線段首尾相連起來，通過線段的吸引區(qū)域，就可以量化相連線
段之間臨近的程度，如圖4(a)中的虛線圓形區(qū)域，其半徑為線段長(zhǎng)度的1/4，圓心為線 段的端點(diǎn)，在公式(10)中有明確定義。然而，兩線段之間應(yīng)該滿足共線連續(xù)性，艮卩， 線段之間的方向不應(yīng)有太大差別。如圖4 (b)，三個(gè)線段的相連，且共享一個(gè)端點(diǎn)，通
過公式(10)的計(jì)算，線段對(duì)〈Si，S2〉與〈S!，S3〉具有相同的吸引能量，而從經(jīng)驗(yàn)得知，^與S3之間的連接應(yīng)更為合理，與格式塔心理學(xué)更為吻合。基于這樣的考慮，公式Ul)
考慮了兩個(gè)線段之間的排斥因素，如圖4 (c)，虛線圓為三個(gè)線段的排斥區(qū)域，其半徑 為對(duì)應(yīng)線段的1/2，圓心為線段的中點(diǎn)(即公式(11)中的PJ。 (iv)用于描述線段集數(shù)據(jù)能量的ED(MO定義為
^)(WXsXA) (12)
式中Wd為能量懲罰參數(shù)，取正數(shù)。是對(duì)單個(gè)線段對(duì)輪廓的擬合程度)UOi)的 重新量化，)WOi)的定義，依賴于具體圖像的類型，比如，彩色，二值，灰度圖像等，具 體定義在下面的具體實(shí)例中給出，但無論如何定義jU(Si)，本發(fā)明，對(duì)M'(Sf)的定義均為
<formula>formula see original document page 12</formula>
本發(fā)明中實(shí)現(xiàn)了合成二值圖像和灰度圖像的輪廓提取，對(duì)于合成二值圖像，如圖5 (a)所示，其像素值為0或255，對(duì)于這類圖像jU(Sf)的數(shù)值為線段上所有對(duì)應(yīng)像素的
像素值均值，此種情況下，本發(fā)明中^ = 190， t2 = 225。
對(duì)于真實(shí)的灰度圖像，如圖6 (a) (b)，對(duì)于這類圖像，在計(jì)算ju(Si)之前，對(duì)每個(gè) 線段，先定義兩個(gè)矩形，這兩個(gè)矩形的大小為fxAvv ， Z為線段的當(dāng)前長(zhǎng)度，Aw = 4， 這兩個(gè)矩形以線段為它們的一個(gè)共享邊，且它們與線段同向，二者分別沿著線段的方向， 處在線段的左邊與右邊，此種情況下，= |mR — mzJ/ 7 + of/nL ， mR, r^為 右邊與左邊矩形中像素值的均值，^， of為對(duì)應(yīng)的標(biāo)準(zhǔn)差，nR， r^為右邊與左邊矩形 中像素的個(gè)數(shù)，這里二者是相等的，此種情況下，本發(fā)明中^ = 9， t2 = 10。
實(shí)例
(1) 初始化公式(9) (12)中的系統(tǒng)參數(shù)
wo = 20, a = 220, <u2 = 40,o>a = 一10000,av = 10000, o>d = 10
T0 = 25
此外，線段的寬度為l個(gè)像素，長(zhǎng)度范圍為^^ = 9,^^ = 17 線段隨機(jī)調(diào)整的長(zhǎng)度和方向?yàn)锳f = 2,a0 =兀/12
(2) 對(duì)于輸入圖像/0,y),首先獲得隨機(jī)生成線段中心點(diǎn)坐標(biāo)pi-(x,y)的采樣
概率"Pi)-t7/o,y)/^y,'y)。
其中W(;c,y)為圖像的梯度值計(jì)算公式為
= V[,0c + — /(&y)]2 + [/Or,y + 1) - /0,y)]2。
(3)采用可逆跳轉(zhuǎn)馬爾科夫鏈蒙特卡洛(Reversible Jump Markov chain Monte Carlo (RJMCMC))算法進(jìn)行迭代求解，迭代次數(shù)為3*105次。 圖5與圖6為本發(fā)明算法得到的結(jié)果。
根據(jù)本發(fā)明的典型實(shí)施例，用于實(shí)現(xiàn)本發(fā)明的計(jì)算機(jī)系統(tǒng)可以包括，特別是，中央 處理器(CPU)、存儲(chǔ)器和輸入/輸出(I/O)接口。計(jì)算機(jī)系統(tǒng)通常通過I/0接口與顯示 器和諸如鼠標(biāo)和鍵盤此類的各種輸入設(shè)備相連，配套電路可以包括像高速緩存、電源、 時(shí)鐘電路和通信總線這樣的電路。存儲(chǔ)器可以包括隨機(jī)存儲(chǔ)器(RAM)、只讀存儲(chǔ)器(ROM)、 磁盤驅(qū)動(dòng)器、磁帶機(jī)等，或它們的組合。計(jì)算機(jī)平臺(tái)還包括操作系統(tǒng)和微指令代碼。此 處所述各種過程和功能可以是通過操作系統(tǒng)執(zhí)行的微指令代碼或應(yīng)用程序(或它們的組 合)的一部分。此外，各種其他外圍設(shè)備可以連接到該計(jì)算機(jī)平臺(tái)，如附加數(shù)據(jù)存儲(chǔ)設(shè) 備和打印設(shè)備。
還應(yīng)理解，因?yàn)楦綀D中所述的某些構(gòu)成系統(tǒng)的組件和方法步驟可以軟件形式來實(shí)現(xiàn)， 所以系統(tǒng)組件(或過程步驟)之間的實(shí)際連接可能有所不同，具體視本發(fā)明的編程方式 而定?；诖颂幪岢龅谋景l(fā)明原理，相關(guān)領(lǐng)域的普通專業(yè)人員可以設(shè)想本發(fā)明的這些以 及類似實(shí)施方案或配置。
權(quán)利要求
1、一種復(fù)雜圖像中顯著輪廓提取方法，其步驟包括(1)對(duì)于輸入圖像I(x,y)，首先按照式(i)獲得隨機(jī)生成線段中心點(diǎn)坐標(biāo)pi＝(x，y)的采樣概率q(pi)，i表示圖像中象素的序號(hào)其中為圖像的梯度值，其計(jì)算公式為式(ii)(2)按照下述過程建立線段集合W數(shù)學(xué)模型，對(duì)圖像中顯著輪廓的逼近(2. 1)集合W的初始值設(shè)為空集，W＝{}；(2. 2)根據(jù)步驟(1)得到的采樣概率q(pi)，采樣得到一個(gè)線段s0的中心點(diǎn)坐標(biāo)p0＝(x0，y0)，然后在預(yù)設(shè)的數(shù)值區(qū)間[lmin，lmax]上進(jìn)行均勻采樣，采出該線段的長(zhǎng)度值l0，接下來在方向區(qū)間
上進(jìn)行均勻采樣，采出該線段的方向值θ0，將該線段s0＝(p0，l0，θ0)加入集合W；(2. 3)生成一個(gè)位于0到1之間的隨機(jī)數(shù)rand，記錄迭代次數(shù)N＝N+1，N的初始值為0；如果rand小于等于qb，進(jìn)入步驟(2.4)，如果rand大于qb且小于等于qd+qb，轉(zhuǎn)入步驟(2.6)，如果rand大于qd+qb，，轉(zhuǎn)入步驟(2.8)；qd為隨機(jī)刪除一個(gè)線段的轉(zhuǎn)移形式的概率，qb為隨機(jī)生成一個(gè)線段的這種轉(zhuǎn)移形式的概率；(2. 4)使用步驟(2.2)中的方法隨機(jī)生成一個(gè)新的線段si＝(pi，li，θi)，將其暫時(shí)加入集合W，此時(shí)，定義新集合W為W′，W′＝W∪{si}，P(，)為轉(zhuǎn)移概率，其定義如下P(w，w′)＝qbq(pi)q(li|pi)q(θi|pi) (iv)公式(iii)中qd為隨機(jī)刪除一個(gè)線段這種轉(zhuǎn)移形式的概率，card(W)為當(dāng)前狀態(tài)下線段的個(gè)數(shù)；q(pi)為隨機(jī)生成線段中心點(diǎn)坐標(biāo)的采樣概率，其分布由圖像的梯度確定；q(li|pi)為隨機(jī)生成線段長(zhǎng)度的采樣概率，其分布為均勻分布；q(θi|pi)為隨機(jī)生成線段方向的采樣概率，其分布為均勻分布；(2. 5)按照公式(v)計(jì)算線段si的接收概率α1(w，w′)；在求得線段si的接收概率α1(w，w′)之后，再生成一個(gè)0到1之間的隨機(jī)數(shù)r，如果α1(w，w′)大于r，則線段si將被最終添加到集合W，否則將被丟掉；然后轉(zhuǎn)入步驟(3)；(2. 6)在當(dāng)前線段集合W中，隨機(jī)選中一個(gè)線段si＝(pi，li，θi)，將其暫時(shí)從集合W中刪除；此時(shí)，按照定義新集合W為W′，從當(dāng)前線段集合W中隨機(jī)刪除一個(gè)線段，此時(shí)W′＝W\si，P(，)仍采用公式(iii)和(iv)計(jì)算；(2. 7)按照公式(v)計(jì)算線段si的刪除概率α2(w，w′)，在求得線段si的刪除概率α2(w，w′)之后，再生成一個(gè)0到1之間的隨機(jī)數(shù)r，如果α2(w，w′)大于r，則線段si將被最終從集合W中刪除，否則將不被刪除；然后轉(zhuǎn)入步驟(3)；(2. 8)在當(dāng)前線段集合W中，隨機(jī)選中一個(gè)線段si＝(pi，li，θi)，生成一個(gè)0到1之間的隨機(jī)數(shù)a，如果a<1/3，則li＝li+Δl；如果1/3<a<2/3，則li＝li-Δl；如果a>2/3，則li保持不變；用同樣的方法調(diào)整θi的大小；線段中心點(diǎn)坐標(biāo)pi保持不變；這樣si將成為一個(gè)新的線段si′，同樣定義新集合W為W′，W′＝(W\si)∪{si′}，其中si′＝(pi，li±Δl，θi±Δθ)，在這種轉(zhuǎn)移形式下，P(w′，w)等于P(w，w′)；(2. 9)按照公式(v)計(jì)算線段si的調(diào)整接收概率α3(w，w′)；在求得線段si的調(diào)整接收概率α3(w，w′)之后，再生成一個(gè)0到1之間的隨機(jī)數(shù)r，如果α3(w，w′)大于r，則線段si將被最終調(diào)整為si′，否則將保持不變；α(w，w′)＝min{1，R(w，w′)}(v)其中R(w，w′)為Green比值，其定義為其中P(，)為轉(zhuǎn)移概率，f()為線段集合的數(shù)學(xué)模型，T為模擬退火算法中的當(dāng)前溫度；(3)重復(fù)步驟(2. 3)，每迭代一次，N的數(shù)值加1；當(dāng)溫度T趨于0時(shí)，算法收斂，此時(shí)的線段集合W為該模型的最優(yōu)解，得到圖像的顯著輪廓。
全文摘要
本發(fā)明公開了一種復(fù)雜圖像中顯著輪廓提取方法，其步驟為①將理想輪廓抽象成由一個(gè)小線段集合組成，小線段之間首尾相連。理想輪廓由這個(gè)小線段集合逼近；②對(duì)線段集合W建立數(shù)學(xué)模型，滿足該模型的最優(yōu)解，即為對(duì)圖像中顯著輪廓的逼近。③運(yùn)用可逆跳轉(zhuǎn)馬爾科夫鏈蒙特卡洛和模擬退火算法對(duì)最優(yōu)線段集W進(jìn)行求解。本發(fā)明直接對(duì)“高級(jí)”的輪廓組成單元(線段)進(jìn)行描述，避免了目前邊緣檢測(cè)算法中“噪聲”邊緣的缺陷，將輪廓組成單元的檢測(cè)與感知聚集統(tǒng)一在一個(gè)框架下，同時(shí)完成二者的實(shí)現(xiàn)。避免了感知聚集過程對(duì)輪廓組成單元檢測(cè)算法的依賴，輸出結(jié)果是對(duì)理想輪廓的逼近。逼近結(jié)果具有良好的抗干擾性，對(duì)復(fù)雜圖像的顯著輪廓提取，能獲得良好的視覺效果。
文檔編號(hào)G06K9/46GK101436255SQ20081023660
公開日2009年5月20日 申請(qǐng)日期2008年11月28日 優(yōu)先權(quán)日2008年11月28日
發(fā)明者唐奇伶, 張?zhí)煨? 農(nóng) 桑, 王岳環(huán), 峻 高, 高常鑫, 銳 黃 申請(qǐng)人:華中科技大學(xué)