亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種圖像分割方法及裝置制造方法

文檔序號(hào):6488493閱讀:297來源:國知局
一種圖像分割方法及裝置制造方法
【專利摘要】本發(fā)明公開了一種圖像分割方法及裝置,該方法包括:獲取反映圖像的初始分割結(jié)果的概率矩陣X,其中,所述概率矩陣X用于代表圖像中每個(gè)像素點(diǎn)屬于前景和/或背景的概率;根據(jù)用戶設(shè)置的用于修改所述初始分割結(jié)果的邊界像素點(diǎn)的集合T,確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C;重新計(jì)算所述集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F。
【專利說明】一種圖像分割方法及裝置
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明涉及數(shù)字圖像處理技術(shù),特別涉及一種圖像分割方法及裝置。
【背景技術(shù)】
[0002]圖像分割就是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程。它是由圖像處理到圖像分析的關(guān)鍵步驟。圖像分割技術(shù)在在醫(yī)學(xué)影像,視頻編輯,計(jì)算機(jī)視覺等方面有著廣泛的應(yīng)用。例如,在醫(yī)學(xué)影像領(lǐng)域中,圖像分割技術(shù)可以用于測(cè)量人體器官、組織或者病灶的尺寸和體積,為醫(yī)生提供重要的圖像參考數(shù)據(jù)。 [0003]通常,為了獲取更為準(zhǔn)確的分割結(jié)果,首先需要利用一定的圖像分割算法對(duì)圖像進(jìn)行初始分割,以得到初始分割結(jié)果。然后,對(duì)該初始分割結(jié)果進(jìn)行手動(dòng)的修改,以便得到準(zhǔn)確的分割結(jié)果。
[0004]在現(xiàn)有圖像分割算法中,隨機(jī)游走(Random Walk)和圖切割(Graph Cut)是兩種常用的圖像分割算法。比如隨機(jī)游走算法中,用戶需要對(duì)圖像中的某些像素點(diǎn)進(jìn)行初始標(biāo)記,作為已知像素點(diǎn),以標(biāo)出背景像素點(diǎn)和前景像素點(diǎn);然后計(jì)算每個(gè)未標(biāo)記像素點(diǎn)(即未知像素點(diǎn))隨機(jī)游走到每個(gè)已知像素點(diǎn)的概率;最后通過設(shè)定閾值對(duì)每個(gè)像素點(diǎn)進(jìn)行分類,以實(shí)現(xiàn)圖像分割。
[0005]以下以Random Walk算法為例對(duì)現(xiàn)有技術(shù)中的圖像分割算法進(jìn)行描述。RandomWalk算法通過計(jì)算圖像中每個(gè)像素點(diǎn)到已知像素點(diǎn)的概率值來分割圖像。給定一個(gè)加權(quán)圖G{V,E,W},其中,V代表圖像中的像素點(diǎn),E代表邊界。Wu表示像素點(diǎn)Vi和 ' 之間的權(quán)值,
表示兩個(gè)像素點(diǎn)之間的相似程度。具體地,(其中,Ii和Ij分別代表像素點(diǎn)Vi和
Vj的灰度。σ為與灰度相關(guān)的歸一化常數(shù)。定義圖像的度矩陣D,D為NXN的對(duì)角陣,其
中,N為圖像G中像素點(diǎn)的個(gè)數(shù),且% =Σ% ’那么圖G的拉普拉斯矩陣可以定義為L=D-W。




J
用X代表每個(gè)像素點(diǎn)歸為前景或背景的概率矩陣,X為N行2列的矩陣,矩陣X的第一列代表每個(gè)像素點(diǎn)歸為前景的概率,第二列代表每個(gè)像素點(diǎn)歸為背景的概率,則
[0006]LX=b(I)
[0007]其中,b同樣為N行2列的矩陣,且第一列代表前景,第二列代表背景。具體地,在第一列中,如果bi;1的值為I (其中,i=l,2,3,...,N),則代表相應(yīng)的像素點(diǎn)Vi為已知的前景像素點(diǎn),第二列中,如果的值為1,則代表相應(yīng)的像素點(diǎn)Vi為已知的背景像素點(diǎn)。這樣,根據(jù)公式(I)可以計(jì)算出每個(gè)像素點(diǎn)歸為前景或背景的概率矩陣X,從而得到初始的分割結(jié)果。
[0008]圖G的拉普拉斯矩陣L可以被分解成已知像素點(diǎn)的拉普拉斯矩陣和未知像素點(diǎn)的拉普拉斯矩陣,即L= ^ ? ,其中,Lm表示已知像素點(diǎn)的拉普拉斯矩陣,Lu表示未知像

LuJ
素點(diǎn)的拉普拉斯矩陣,B表示已知像素點(diǎn)和未知像素點(diǎn)之間的邊的權(quán)重矩陣,Bt表示權(quán)重矩陣B的轉(zhuǎn)置。由于已知像素點(diǎn)的拉普拉斯矩陣Lm是固定不變的,這樣,根據(jù)上面的公式
(1),可以得出
[0009]LuXu=-BtM(2)
[0010]其中,Xu為未知像素點(diǎn)歸為前景和/或背景的概率矩陣,矩陣M為矩陣b中包含已知像素點(diǎn)的子矩陣。從公式(2)可以看出,只需要計(jì)算未知像素點(diǎn)歸為前景或背景的概率矩陣Xu,就可以得到初始的分割結(jié)果。
[0011]在得到初始分割結(jié)果之后,為了得到更準(zhǔn)確的分割結(jié)果,需要對(duì)該初始分割結(jié)果進(jìn)行修改。此時(shí),用戶設(shè)置一些新的邊界點(diǎn)作為種子點(diǎn),在整個(gè)圖像上重新運(yùn)行RandomWalk算法。這樣,之前的初始分割結(jié)果就被新的分割結(jié)果覆蓋了,該操作同時(shí)導(dǎo)致了分割結(jié)果的全局變化。另外,重新運(yùn)行Random Walk算法是非常費(fèi)時(shí)的,從而導(dǎo)致整個(gè)圖像分割過程實(shí)時(shí)性不佳。

【發(fā)明內(nèi)容】

[0012]本發(fā)明實(shí)施例提供了一種圖像分割方法及裝置,以便提高圖像分割結(jié)果的修改效率。
[0013]本發(fā)明實(shí)施例提供的技術(shù)方案包括:
[0014]一種圖像分割方法,包括:獲取反映圖像的初始分割結(jié)果的概率矩陣X,其中,所述概率矩陣X用于代表圖像中每個(gè)像素點(diǎn)屬于前景和/或背景的概率;根據(jù)用戶設(shè)置的用于修改所述初始分割結(jié)果的邊界像素點(diǎn)的集合T,確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C ;重新計(jì)算所述集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F。
[0015]一種圖像分割裝置,包括:初始分割結(jié)果獲取模塊、確定模塊和概率計(jì)算模塊;其中,所述初始分割結(jié)果獲取模塊用于獲取反映圖像的初始分割結(jié)果的概率矩陣X,其中,所述概率矩陣X用于代表圖像中每個(gè)像素點(diǎn)屬于前景和/或背景的概率;所述確定模塊用于根據(jù)用戶設(shè)置的用于根據(jù)用戶設(shè)置的用于修改所述初始分割結(jié)果的邊界像素點(diǎn)的集合T,確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C ;所述概率計(jì)算模塊用于重新計(jì)算所述集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F。
[0016]一種圖像分割裝置,包括:處理器和存儲(chǔ)器;其中,所述處理器與所述存儲(chǔ)器通信連接,所述存儲(chǔ)器中存儲(chǔ)有機(jī)器可讀指令,用于使得處理器執(zhí)行上述操作。
[0017]與現(xiàn)有技術(shù)相比,本發(fā)明實(shí)施例提出的圖像分割方法和裝置不需要在整個(gè)圖像上重新運(yùn)行圖像分割算法,而是僅在局部需要修改的區(qū)域進(jìn)行修改。這樣,由于本發(fā)明的方案僅對(duì)整個(gè)圖像的局部進(jìn)行矩陣計(jì)算,縮短了修改時(shí)間,使得修改過程接近于實(shí)時(shí),從而顯著的提高了圖像分割結(jié)果的修改效率。
【專利附圖】

【附圖說明】
[0018]圖1為本發(fā)明實(shí)施例提供的圖像分割方法流程圖。
[0019]圖2為本發(fā)明實(shí)施例提供的圖像分割裝置的示意圖。
[0020]圖3為本發(fā)明實(shí)施例提供的另一種圖像分割裝置的示意圖。
【具體實(shí)施方式】[0021]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白,下面結(jié)合附圖并舉實(shí)施例,對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。
[0022]本發(fā)明實(shí)施例提出了一種圖像分割方法。該方法包括:獲取反映圖像的初始分割結(jié)果的概率矩陣X,其中,概率矩陣X用于代表圖像中每個(gè)像素點(diǎn)屬于前景和/或背景的概率;獲取用戶設(shè)置的用于修改初始分割結(jié)果的邊界像素點(diǎn);根據(jù)用戶設(shè)置的邊界像素點(diǎn),確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C ;重新計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F。
[0023]從以上技術(shù)方案可以看出,本發(fā)明實(shí)施例提出的方法利用Random Walk或者其他基于圖論的算法(例如Graph Cut等)的初始分割結(jié)果,不需要在整個(gè)圖像上重新運(yùn)行圖像分割算法,而是僅在局部的需要修改的區(qū)域進(jìn)行修改。這樣,由于本發(fā)明的方案僅對(duì)整個(gè)圖像的局部進(jìn)行矩陣計(jì)算,縮短了修改時(shí)間,使得修改過程接近于實(shí)時(shí),從而顯著的提高了圖像分割結(jié)果的修改效率。
[0024]圖1為本發(fā)明實(shí)施例提供的一種圖像分割方法流程圖。如圖1所示,本發(fā)明實(shí)施例提供的圖像分割方法具體包括以下步驟。
[0025]步驟101,獲取反映圖像G的初始分割結(jié)果的概率矩陣X,其中,概率矩陣X用于代表圖像中每個(gè)像素點(diǎn)屬于前景和/或背景的概率。
[0026]本發(fā)明實(shí)施例提供的方法需要首先獲取圖像的初始分割結(jié)果。這里,可以采用現(xiàn)有技術(shù)中的隨機(jī)行走(Random Walk)算法,圖割(Graph Cut)算法,測(cè)量學(xué)的分割(GeodesicSegmentation)或者不同的摳圖(Image Matting)算法,也可以采用其他基于圖論的圖像分割算法來獲得初始分割結(jié)果。Random walk可參照文獻(xiàn)L.Grady.Random Walks for ImageSegmentation.1EEE Trans.0n Pattern Analysis and Machine Intelligence, 28 (11):1768-1783, Nov.2006.Graph Cut可參照文獻(xiàn)Y.Boykov and M.-P.Jolly.1nteractive GraphCuts for Optimal Boundary and Region Segmentation of Objects in N-D Images.1nProc.0f ICCV 2001, pagesl05 - 112.1EEE Computer Society, IEEE, July 2001.GeodesicSegmentation 可參照文獻(xiàn) X.Bai and G.Sapir0.A Geodesic Framework for FastInteractive Image and Video Segmentation and Matting.1n Proc.0f ICCV 2007.1EEEComputer Society, IEEE, Oct 2007.1mage Matting 可參照文獻(xiàn) Jue Wang and MichaelCohen.1mage and Video Matting:A Survey.Foundations and Trends in ComputerGraphics and Vision, Vol.3, N0.2, 2007.[0027]具體地獲取初始分割結(jié)果的過程可以參考前面關(guān)于Random Walk算法的描述,這里不再贅述。本發(fā)明實(shí)施例對(duì)采用何種算法獲得初始分割結(jié)果不做限定。
[0028]在本實(shí)施例中,設(shè)用戶標(biāo)記的圖像中的已知像素點(diǎn)的集合為A,設(shè)初始分割得到的結(jié)果為概率矩陣X。根據(jù)以上描述可知,矩陣X代表圖像中每個(gè)像素點(diǎn)屬于前景和/或背景的概率。
[0029]步驟102,獲取用戶設(shè)置的用于修改初始分割結(jié)果的邊界像素點(diǎn)。
[0030]由于初始的分割結(jié)果并不十分準(zhǔn)確,因此在獲得初始分割結(jié)果即概率矩陣X之后,為了得到更準(zhǔn)確的分割結(jié)果,用戶會(huì)基于初始的分割結(jié)果在圖像G上新設(shè)定一些邊界像素點(diǎn),用來表示用戶希望對(duì)圖像G中的這些位置進(jìn)行修改。
[0031]因此,在本步驟中,需要進(jìn)一步獲取用戶設(shè)置的用于修改初始分割結(jié)果的邊界像素點(diǎn),以便進(jìn)行后續(xù)的修改操作。
[0032]步驟103,根據(jù)用戶設(shè)置的邊界像素點(diǎn),確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C。
[0033]與現(xiàn)有技術(shù)不同,本發(fā)明實(shí)施例中,不需要在整個(gè)圖像G上重新運(yùn)行圖像分割算法,而是在用戶設(shè)置邊界像素點(diǎn)之后,根據(jù)設(shè)置的邊界像素點(diǎn)確定出需要重新計(jì)算概率的像素點(diǎn)。這樣,只有這些新確定的像素點(diǎn)的概率需要重新計(jì)算,即只需針對(duì)新確定的像素點(diǎn)對(duì)初始分割結(jié)果進(jìn)行修改。
[0034]具體地,設(shè)步驟102中用戶設(shè)置的邊界像素點(diǎn)的集合為T,可以根據(jù)初始分割結(jié)果X中集合T內(nèi)的邊界像素點(diǎn)的概率,設(shè)置一個(gè)概率范圍,然后確定所述圖像G中概率在所述概率范圍內(nèi)的像素點(diǎn)的集合,該集合即為所述需要重新計(jì)算概率的像素點(diǎn)的集合C。
[0035]所述概率范圍可以按照如下方法確定:確定概率矩陣X中,集合T內(nèi)每個(gè)像素點(diǎn)歸為前景和/或背景的概率,確定所述概率中的最大值和最小值;根據(jù)所述最大值和最小值設(shè)置概率范圍。
[0036]下面通過具體例子對(duì)上述概率范圍的設(shè)置進(jìn)行說明。
[0037]對(duì)于用戶設(shè)置的邊界像素點(diǎn)的集合T,檢查概率矩陣X在集合T上的取值。設(shè)矩陣X在集合T上的最小值為Rmin,最大值為Rmax,即X(T) e [Rmin, RmaJ,則只有概率值在[min (0.5,Rmin)-e ,max(0.5,Rmax)+e ]范圍內(nèi)的像素點(diǎn)(記為集合C),其概率值需要重新計(jì)算,其中經(jīng)驗(yàn)值ε是一個(gè)較小的常數(shù),在本發(fā)明實(shí)施例中,ε的取值可以在0.01-0.05之間,如ε =0.03。例如,假設(shè)矩陣X在集合T上的最小值Rmin=0.45,最大值Rmax=0.6,即X(T) e [0.45,0.6],則當(dāng)ε =0.03時(shí),只有概率值在[0.42,0.63]區(qū)間內(nèi)的像素點(diǎn)的概率需要重新計(jì)算。
[0038]以上只是一個(gè)確定集合C的具體實(shí)例。在實(shí)際應(yīng)用中,本領(lǐng)域技術(shù)人員可以根據(jù)實(shí)際情況對(duì)上述集合C的確定方法進(jìn)行修改。凡在本發(fā)明的精神和原則之內(nèi),所做的任何修改、等同替換、改進(jìn)等,均應(yīng)包含在本發(fā)明保護(hù)的范圍之內(nèi)。
[0039]另外,在實(shí)際應(yīng)用中,由于集合C內(nèi)的像素點(diǎn)可能分布在圖像G的各個(gè)位置,為了實(shí)現(xiàn)僅在用戶設(shè)置的邊界像素點(diǎn)周圍這樣一個(gè)較小范圍內(nèi)進(jìn)行修改操作,從而進(jìn)一步避免重新計(jì)算引起圖像分割結(jié)果的全局變化,可以設(shè)置一個(gè)距離閾值。在確定出集合C內(nèi)的像素點(diǎn)之后,進(jìn)一步計(jì)算這些像素點(diǎn)與用戶設(shè)置的邊界像素點(diǎn)的距離。具體地,需要計(jì)算集合C內(nèi)每個(gè)像素點(diǎn)到達(dá)各個(gè)邊界像素點(diǎn)的距離,如果某個(gè)像素點(diǎn)到達(dá)用戶設(shè)置的各個(gè)邊界像素點(diǎn)的最小距離大于所設(shè)置的距離閾值,則將該像素點(diǎn)從集合C中去除。
[0040]當(dāng)然,也可以用上述方法確定集合C。具體的步驟包括計(jì)算集合C中的每個(gè)像素點(diǎn)到達(dá)各個(gè)邊界像素點(diǎn)的距離,確定該像素點(diǎn)到達(dá)各個(gè)邊界像素點(diǎn)的距離中的最小距離,如果該最小距離大于預(yù)設(shè)的距離閾值時(shí),則將該像素點(diǎn)從集合C中去除。
[0041]步驟104,重新計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F。
[0042]在確定了需要重新計(jì)算概率的像素點(diǎn)即集合C之后,在本實(shí)施例中,可以利用擴(kuò)散(Diffusion)重新計(jì)算集合C內(nèi)像素點(diǎn)的概率矩陣。
[0043]Diffusion算法是一個(gè)迭代算法。在Diffusion算法中,任意點(diǎn)的值將更新為周圍所有鄰居點(diǎn)及其本身的加權(quán)值,直到達(dá)到平衡態(tài)。影響加權(quán)值的權(quán)重根據(jù)此點(diǎn)和鄰居點(diǎn)的相似度決定,其中,相似度的定義與前面描述的Random Walk中的Wij相同。[0044]為了計(jì)算集合C內(nèi)的像素點(diǎn)的概率矩陣F,首先需要確定集合C內(nèi)的已知像素點(diǎn)的集合E。具體地,集合E包含了計(jì)算步驟101中用戶設(shè)置的已知像素點(diǎn)的集合A和集合C的交集(即E=A H C)以及用戶修改的邊界像素點(diǎn)Τ。
[0045]在確定了集合C內(nèi)的已知像素點(diǎn)的集合E之后,集合C內(nèi)的像素點(diǎn)的概率矩陣F可以根據(jù)下面的迭代公式(3)來計(jì)算。
[0046]F(t+l) = a SF(t) + (l-a )Y(3)
[0047]其中,t=0, I, 2,3...,表示迭代次數(shù),當(dāng)t=0時(shí),F(xiàn)(O)表示集合C內(nèi)的像素點(diǎn)的初始分割結(jié)果,即F(O)為步驟101中矩陣X的子矩陣。設(shè)集合C內(nèi)包含I個(gè)像素點(diǎn),則F(O)為I行2列的矩陣。矩陣F(O)的第一列代表集合C內(nèi)每個(gè)像素點(diǎn)歸為前景的概率,第二列代表集合C內(nèi)每個(gè)像素點(diǎn)歸為背景的概率。
[0048]矩陣Y可為I行2列的矩陣,其中,矩陣Y的第一列表示像素點(diǎn)歸為前景的概率,第二列表示像素點(diǎn)歸為背景的概率。具體地,在第一列中,如果Ym的值為I (其中,i=l, 2,3,...,I ),則代表相應(yīng)的像素點(diǎn)Vi為集合C內(nèi)已知的前景像素點(diǎn);在第二列中,如果Yij2的值為1,則代表相應(yīng)的像素點(diǎn)Vi為集合C內(nèi)已知的背景像素點(diǎn),如果Ym的值為0.5,Yi,2的值也為0.5,則代表相應(yīng)的像素點(diǎn)Vi為用戶設(shè)置的邊界像素點(diǎn)。
[0049]S表示集合C內(nèi)的像素點(diǎn)的拉普拉斯矩陣或者歸一化的拉普拉斯矩陣。a為學(xué)習(xí)因子,在本實(shí)施例中,可以設(shè)置為0.0f0.1,比如0.05。當(dāng)然,a也可以設(shè)置為其他值,本發(fā)明實(shí)施例對(duì)a的具體取值不做限定。
[0050]為了得到集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F,公式(3)可以重復(fù)迭代計(jì)算固定次數(shù),例如15次?;蛘?,公式(3)也可以重復(fù)迭代計(jì)算,直到收斂為止,即
F(t+1)-F(t) |〈 δ,在本實(shí)施例中,δ的取值可以在0.001-0.02之間,如可設(shè)置為0.005。本領(lǐng)域技術(shù)人員也可以根據(jù)經(jīng)驗(yàn)設(shè)置其他值,本發(fā)明對(duì)S的具體取值不做限定。
[0051]這樣,在公式(3)重復(fù)迭代計(jì)算固定次數(shù)或者重復(fù)迭代計(jì)算至收斂后,F(xiàn)(t+1)即為需要修改的區(qū)域內(nèi)的像素點(diǎn)的概率矩陣。
[0052]另外,也可以通過上述迭代公式(3),計(jì)算得到公式(4)
[0053]F=(l_a ) (1-a S)、(4)
[0054]其中,S表示集合C內(nèi)的像素點(diǎn)的拉普拉斯矩陣或者歸一化的拉普拉斯矩陣,a為學(xué)習(xí)因子,Y為概率矩陣,各個(gè)符號(hào)的具體含義與公式(3)中相同,在此不再贅述。
[0055]根據(jù)公式(4)可以直接求解得到集合C內(nèi)的像素點(diǎn)的概率矩陣F。但是,相對(duì)于公式(4 ),公式(3 )迭代求解過程可以避免矩陣求逆運(yùn)算,所以速度更快。
[0056]本領(lǐng)域技術(shù)人員也可以使用其他算法,例如置信度傳播(Belief Propagation),共軛梯度(Conjugate Gradient),或者高斯賽德爾迭代法(Gauss-Seidel)等迭代算法來計(jì)算集合C內(nèi)的像素點(diǎn)的概率矩陣F。Belief Propagation可參照文獻(xiàn)Kim, Jin H.; Pearl, Judea(1983)." A computational model for combined causaland diagnostic reasoning in inference systems' Proceedings of the EighthInternational Joint Conference on Artificial Intelligence.1.1JCAI_83:Karlsruhe,Germany.Conjugate Gradient 或 Gauss-Seidel 可參照文獻(xiàn) Saadj Yousef (2003).Iterative methods for sparse linear systems(2nd ed.).Philadelphia, Pa.: Societyfor Industrial and Applied Mathematics.1SBN978-0-89871-534-70 本發(fā)明實(shí)施例對(duì)米用何種算法計(jì)算集合C內(nèi)的像素點(diǎn)的概率矩陣F不做限定。
[0057]在步驟104之后,本發(fā)明實(shí)施例的方法可以進(jìn)一步包括:
[0058]步驟105,根據(jù)重新計(jì)算的概率矩陣F,對(duì)所述初始分割結(jié)果X進(jìn)行修改。
[0059]根據(jù)步驟104迭代計(jì)算得到的概率矩陣F (t+Ι),可以通過設(shè)定概率閾值,將需要修改的區(qū)域內(nèi)區(qū)分為前景點(diǎn)或者背景點(diǎn),已完成該區(qū)域的分割。
[0060]對(duì)應(yīng)上述的方法,本發(fā)明實(shí)施例進(jìn)一步提出了一種圖像分割結(jié)果的修改裝置,如圖2所示。該裝置包括:初始分割結(jié)果獲取模塊21、確定模塊22和概率計(jì)算模塊23 ;其中,
[0061]所述初始分割結(jié)果獲取模塊21用于根據(jù)用戶在圖像上標(biāo)記的像素點(diǎn)的集合A,獲取反映圖像的初始分割結(jié)果的概率矩陣X,其中,所述概率矩陣X用于代表圖像中每個(gè)像素點(diǎn)屬于前景和/或背景的概率;
[0062]所述確定模塊22用于根據(jù)用戶設(shè)置的用于修改所述初始分割結(jié)果的邊界像素點(diǎn)的集合T,確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C ;
[0063]所述概率計(jì)算模塊23用于重新計(jì)算所述集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F。
[0064]上述各個(gè)模塊的具體功能可以參見方法實(shí)施例部分,在此不再贅述。
[0065]本發(fā)明實(shí)施例還提供了一種圖像分割裝置,如圖3所示。該裝置包括:處理器31、存儲(chǔ)器32,其中,處理器31與存儲(chǔ)器32通信連接,存儲(chǔ)器32中存儲(chǔ)有機(jī)器可讀指令,所述指令用于使得處理器31可執(zhí)行以下操作:
[0066]根據(jù)用戶在圖像上標(biāo)記的像素點(diǎn)的集合A,獲取反映圖像的初始分割結(jié)果的概率矩陣X,其中,所述概率矩陣X用于代表圖像中每個(gè)像素點(diǎn)屬于前景和/或背景的概率;
[0067]根據(jù)用戶設(shè)置的用于修改所述初始分割結(jié)果的邊界像素點(diǎn)的集合T,確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C ;
[0068]重新計(jì)算所述集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F。
[0069]處理器31所執(zhí)行的具體地操作步驟和過程與前面方法實(shí)施例部分的描述相同,在此不再贅述。
[0070]其中,存儲(chǔ)器32可以是軟盤、硬盤、磁光盤、光盤(如⑶-ROM、⑶-R、⑶-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁帶、非易失性存儲(chǔ)卡和 ROM。
[0071]由以上方案可以看出,與現(xiàn)有技術(shù)相比,本發(fā)明實(shí)施例提出的圖像分割方法和裝置利用了初始分割的結(jié)果,不需要在整個(gè)圖像上重新運(yùn)行圖像分割算法,而是僅在局部的需要修改的區(qū)域進(jìn)行修改。這樣,由于本發(fā)明的方案僅對(duì)整個(gè)圖像的局部進(jìn)行矩陣計(jì)算,縮短了修改時(shí)間,使得修改過程接近于實(shí)時(shí),從而顯著的提高了圖像分割結(jié)果的修改效率。根據(jù)本發(fā)明實(shí)施例提供的方法,用戶只需設(shè)置少數(shù)邊界像素點(diǎn),修改操作簡單,計(jì)算效率很高。對(duì)現(xiàn)有分割算法在準(zhǔn)確度,速度及交互性等方面上有很大提高。在醫(yī)學(xué)影像,視頻編輯,計(jì)算機(jī)視覺等方面都有很高實(shí)用意義。
[0072]以上所述僅為本發(fā)明的較佳實(shí)施例而已,并不用以限制本發(fā)明,凡在本發(fā)明的精神和原則之內(nèi),所做的任何修改、等同替換、改進(jìn)等,均應(yīng)包含在本發(fā)明保護(hù)的范圍之內(nèi)。
【權(quán)利要求】
1.一種圖像分割方法,包括: 獲取反映圖像的初始分割結(jié)果的概率矩陣X,其中,所述概率矩陣X用于代表圖像中每個(gè)像素點(diǎn)屬于前景和/或背景的概率; 根據(jù)用戶設(shè)置的用于修改所述初始分割結(jié)果的邊界像素點(diǎn)的集合T,確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C ; 重新計(jì)算所述集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F。
2.根據(jù)權(quán)利要求1所述的方法,所述確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C進(jìn)一步包括: 根據(jù)所述集合T內(nèi)的邊界像素點(diǎn)在所述概率矩陣X中的概率,設(shè)置概率范圍; 根據(jù)所述概率范圍,確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C,所述集合C為概率在所述概率范圍內(nèi)的像素點(diǎn)的集合。
3.根據(jù)權(quán)利要求2所述的 方法,其特征在于,所述概率范圍的設(shè)置包括: 確定概率矩陣X中,集合T內(nèi)每個(gè)像素點(diǎn)歸為前景和/或背景的概率,確定所述概率中的最大值和最小值,設(shè)所述最大值為Rniax,所述最小值為Rniin ; 確定所述概率范圍為[min(0.5,Rmin)-e,max(0.5,Rmax)+e ],其中,ε為常數(shù)。
4.根據(jù)權(quán)利要求1所述的方法,集合C的確定進(jìn)一步包括: 計(jì)算所述圖像中的像素點(diǎn)與所述集合T內(nèi)的各個(gè)邊界像素點(diǎn)的距離; 當(dāng)所述圖像中的像素點(diǎn)與所述集合T內(nèi)的一個(gè)邊界像素點(diǎn)的距離小于預(yù)設(shè)的距離閾值時(shí),將所述圖像中的像素點(diǎn)添加到集合C中。
5.根據(jù)權(quán)利要求1-3任一項(xiàng)所述的方法,其特征在于,在根據(jù)用戶設(shè)置的邊界像素點(diǎn),確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C之后,進(jìn)一步包括: 計(jì)算集合C中的每個(gè)像素點(diǎn)到達(dá)各個(gè)邊界像素點(diǎn)的距離,確定該像素點(diǎn)到達(dá)各個(gè)邊界像素點(diǎn)的距離中的最小距離,如果該最小距離大于預(yù)設(shè)的距離閾值時(shí),則將該像素點(diǎn)從集合C中去除。
6.根據(jù)權(quán)利要求1所述的方法,進(jìn)一步包括根據(jù)用戶在醫(yī)學(xué)圖像上標(biāo)記的像素點(diǎn)的集合Α,獲取反映醫(yī)學(xué)圖像的初始分割結(jié)果的概率矩陣。
7.根據(jù)權(quán)利要求6所述的方法,其特征在于,所述重新計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F包括: 確定集合C內(nèi)的已知像素點(diǎn)的集合Ε,所述集合E集合了 C內(nèi)包含的已知點(diǎn)A以及用戶修改的邊界像素點(diǎn)T ; 根據(jù)集合Ε,重新計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F。
8.根據(jù)權(quán)利要求7所述的方法,其特征在于,所述根據(jù)集合Ε,重新計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F包括: 根據(jù)以下迭代公式計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F:
F(t+l) = a SF(t) + (l-a )Υ 其中,t=0, I, 2,3...,表示迭代次數(shù),當(dāng)t=0時(shí),F(xiàn)(O)表示集合C內(nèi)的像素點(diǎn)的初始分割結(jié)果;矩陣S表示集合C內(nèi)的像素點(diǎn)的拉普拉斯矩陣或者歸一化的拉普拉斯矩陣;矩陣Y為I行2列的概率矩陣,其中I為集合C內(nèi)像素點(diǎn)的個(gè)數(shù),Yijl的值為I代表相應(yīng)的像素點(diǎn)為集合C內(nèi)已知的前景像素點(diǎn),Yu2的值為I代表相應(yīng)的像素點(diǎn)為集合C內(nèi)已知的背景像素點(diǎn),Yu和\’2的值都為0.5,則代表相應(yīng)的像素點(diǎn)為用戶設(shè)置的邊界像素點(diǎn),其中,i=l, 2, 3,..., I ; α 為學(xué)習(xí)因子。
9.根據(jù)權(quán)利要求8所述的方法,其特征在于,所述迭代公式重復(fù)迭代計(jì)算固定次數(shù),或者重復(fù)迭代計(jì)算至收斂。
10.根據(jù)權(quán)利要求7所述的方法,其特征在于,所述根據(jù)集合Ε,重新計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F包括: 根據(jù)以下公式計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F:
F=(l-a ) (1-a S)、 其中,矩陣S表示集合C內(nèi)的像素點(diǎn)的拉普拉斯矩陣或者歸一化的拉普拉斯矩陣;矩陣Y為I行2列的概率矩陣,其中I為集合C內(nèi)像素點(diǎn)的個(gè)數(shù),Yijl的值為I代表相應(yīng)的像素點(diǎn)為集合C內(nèi)已知的前景像素點(diǎn),\2的值為I代表相應(yīng)的像素點(diǎn)為集合C內(nèi)已知的背景像素點(diǎn),Ym和\2的值都為0.5,則代表相應(yīng)的像素點(diǎn)為用戶設(shè)置的邊界像素點(diǎn),其中,i=l, 2, 3,..., I ; a 為學(xué)習(xí)因子。
11.根據(jù)權(quán)利要求7所述的方法,其特征在于,所述根據(jù)集合E,重新計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F包括: 根據(jù)集合E,采用置信度傳播,共軛梯度或者高斯賽德爾迭代法,重新計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率。
12.根據(jù)權(quán)利要求1-11所述的方法,所述圖像為醫(yī)學(xué)圖像。
13.一種圖像分割裝置,其特征在于,包括:初始分割結(jié)果獲取模塊、確定模塊和概率計(jì)算模塊;其中, 所述初始分割結(jié)果獲取模塊用于獲取反映圖像的初始分割結(jié)果的概率矩陣X,其中,所述概率矩陣X用于代表圖像中每個(gè)像素點(diǎn)屬于前景和/或背景的概率; 所述確定模塊用于根據(jù)用戶設(shè)置的用于根據(jù)用戶設(shè)置的用于修改所述初始分割結(jié)果的邊界像素點(diǎn)的集合T,確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C ; 所述概率計(jì)算模塊用于重新計(jì)算所述集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F。
14.根據(jù)權(quán)利要求13所述的裝置,其特征在于,所述確定模塊進(jìn)一步用于, 根據(jù)所述集合T內(nèi)的邊界像素點(diǎn)在所述概率矩陣X中的概率,設(shè)置概率范圍; 根據(jù)所述概率范圍,確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C,所述集合C為概率在所述概率范圍內(nèi)的像素點(diǎn)的集合。
15.根據(jù)權(quán)利要求14所述的裝置,其特征在于,所述確定模塊進(jìn)一步用于, 確定概率矩陣X中,集合T內(nèi)每個(gè)像素點(diǎn)歸為前景和/或背景的概率,確定所述概率中的最大值和最小值,設(shè)所述最大值為Rniax,所述最小值為Rniin ; 確定所述概率范圍為[min(0.5,Rmin)-e,max(0.5,Rmax)+e ],其中,ε為常數(shù)。
16.根據(jù)權(quán)利要求13所述的裝置,其特征在于,所述確定模塊進(jìn)一步用于, 計(jì)算所述圖像中的像素點(diǎn)與所述集合T內(nèi)的各個(gè)邊界像素點(diǎn)的距離; 當(dāng)所述圖像中的像素點(diǎn)與所述集合T內(nèi)的一個(gè)邊界像素點(diǎn)的距離小于預(yù)設(shè)的距離閾值時(shí),將所述圖像中的像素點(diǎn)添加到集合C中。
17.根據(jù)權(quán)利要求13至15任一項(xiàng)所述的裝置,其特征在于,所述確定模塊進(jìn)一步用于,在根據(jù)用戶設(shè)置的邊界像素點(diǎn),確定所述圖像中需要重新計(jì)算概率的像素點(diǎn)的集合C之后,設(shè)置距離閾值; 計(jì)算集合C中的每個(gè)像素點(diǎn)到達(dá)各個(gè)邊界像素點(diǎn)的距離,確定該像素點(diǎn)到達(dá)各個(gè)邊界像素點(diǎn)的距離中的最小距離,如果該最小距離大于所述距離閾值,則將該像素點(diǎn)從集合C中去除。
18.根據(jù)權(quán)利要求13所述的方法,進(jìn)一步包括根據(jù)用戶在醫(yī)學(xué)圖像上標(biāo)記的像素點(diǎn)的集合A,獲取反映醫(yī)學(xué)圖像的初始分割結(jié)果的概率矩陣。
19.根據(jù)權(quán)利要求18所述的裝置,其特征在于,所述概率計(jì)算模塊進(jìn)一步用于, 確定集合C內(nèi)的已知像素點(diǎn)的集合E,所述集合E集合了 C內(nèi)包含的已知點(diǎn)A以及用戶修改的邊界像素點(diǎn)T ; 根據(jù)集合E,重新計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F。
20.根據(jù)權(quán)利要求19所述的裝置,其特征在于,所述概率計(jì)算模塊進(jìn)一步用于, 根據(jù)以下迭代公式計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F:
F(t+l) = a SF(t) + (l-a )Y 其中,t=0, I, 2, 3...,表示迭代次數(shù),當(dāng)t=0時(shí),F(xiàn)(O)表示集合C內(nèi)的像素點(diǎn)的初始分割結(jié)果;矩陣S表示集合C內(nèi)的像素點(diǎn)的拉普拉斯矩陣或者歸一化的拉普拉斯矩陣;矩陣Y為I行2列的概率矩陣,其中I為集合C內(nèi)像素點(diǎn)的個(gè)數(shù),Yijl的值為I代表相應(yīng)的像素點(diǎn)為集合C內(nèi)已知的前景像素點(diǎn),\2的值為I代表相應(yīng)的像素點(diǎn)為集合C內(nèi)已知的背景像素點(diǎn),Ym和\2的值都為0.5,則代表相應(yīng)的像素點(diǎn)為用戶設(shè)置的邊界像素點(diǎn),其中,i=l, 2, 3,..., I ; a 為學(xué)習(xí)因子。
21.根據(jù)權(quán)利要求20所述的裝置,其特征在于,所述迭代公式重復(fù)迭代計(jì)算固定次數(shù),或者重復(fù)迭代計(jì)算至收斂。
22.根據(jù)權(quán)利要求19所述的裝置,其特征在于,所述概率計(jì)算模塊進(jìn)一步用于, 根據(jù)以下公式計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率矩陣F:
F=(l-a ) (1-a S)、 其中,矩陣S表示集合C內(nèi)的像素點(diǎn)的拉普拉斯矩陣或者歸一化的拉普拉斯矩陣;矩陣Y為I行2列的概率矩陣,其中I為集合C內(nèi)像素點(diǎn)的個(gè)數(shù),Yijl的值為I代表相應(yīng)的像素點(diǎn)為集合C內(nèi)已知的前景像素點(diǎn),\2的值為I代表相應(yīng)的像素點(diǎn)為集合C內(nèi)已知的背景像素點(diǎn),Ym和\2的值都為0.5,則代表相應(yīng)的像素點(diǎn)為用戶設(shè)置的邊界像素點(diǎn),其中,i=l, 2, 3,..., I ; a 為學(xué)習(xí)因子。
23.根據(jù)權(quán)利要求19所述的裝置,其特征在于,所述概率計(jì)算模塊進(jìn)一步用于, 根據(jù)集合E,采用置信度傳播,共軛梯度或者高斯賽德爾迭代法,重新計(jì)算集合C內(nèi)的像素點(diǎn)屬于前景和/或背景的概率。
24.根據(jù)權(quán)利要求13至23任一項(xiàng)所述的裝置,其特征在于,所述圖像為醫(yī)學(xué)圖像。
25.一種圖像分割裝置,其特征在于,包括:處理器和存儲(chǔ)器;其中,所述處理器與所述存儲(chǔ)器通信連接,所述存儲(chǔ)器中存儲(chǔ)有機(jī)器可讀指令,用于使得處理器執(zhí)行權(quán)利要求1-12的操作。
【文檔編號(hào)】G06T7/00GK103679679SQ201210320741
【公開日】2014年3月26日 申請(qǐng)日期:2012年8月31日 優(yōu)先權(quán)日:2012年8月31日
【發(fā)明者】黃寧, 鄧翔 申請(qǐng)人:西門子公司
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1