本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及聯(lián)合視覺(jué)顯著性和圖割優(yōu)化的圖像自動(dòng)分割方法。

背景技術(shù)：

圖像分割是將圖像分成不同的區(qū)域，每個(gè)區(qū)域有相同的顏色、強(qiáng)度或紋理，在圖像分析、物體識(shí)別跟蹤和計(jì)算機(jī)視覺(jué)中它都具有重要作用。圖像分割的方法多種多樣，早期人們利用閾值法進(jìn)行分割，近些年研究人員更多地研究利用能量函數(shù)解決分割問(wèn)題。

閾值法是人們最開始使用也是最簡(jiǎn)單的圖像分割方法，給定一個(gè)事先定義好的灰度閾值，大于這個(gè)閾值的被視為前景物體，小于這個(gè)閾值的被視為背景物體。該方法關(guān)鍵是找到一個(gè)合適的灰度閾值，在這一方面Otsu的算法是最常被使用的。閾值法之后陸續(xù)出現(xiàn)了基于邊緣和基于區(qū)域的圖像分割方法，基于邊緣的分割方法利用連接圖像前景和背景的像素會(huì)有較大差異這一特性，對(duì)圖像求一階導(dǎo)數(shù)或二階導(dǎo)數(shù)可以檢測(cè)到這種不連續(xù)性。Sobel邊緣檢測(cè)子就是利用圖像梯度概念檢測(cè)邊緣，Canny邊緣檢測(cè)子通過(guò)使用濾波和強(qiáng)化操作能得到更好的分割結(jié)果。基于區(qū)域的分割方法利用同一區(qū)域內(nèi)像素是相似的這一特性，通過(guò)逐步迭代擴(kuò)大種子區(qū)域來(lái)進(jìn)行分割。像k-means方法、meanshift方法都是屬于基于區(qū)域的分割方法。這些圖像分割方法利用圖像底層屬性(強(qiáng)度、顏色或紋理)來(lái)對(duì)圖像進(jìn)行分割，同樣的還有watershed方法，其基本思想是把圖像看作是測(cè)地學(xué)上的拓?fù)涞孛?，圖像中每一像素的灰度值表示該像素的海拔高度，每一局部極小值及其影響區(qū)域稱為集水盆，集水盆的邊界形成分水嶺，找到分水嶺即完成了對(duì)圖像的分割。無(wú)論是閾值法、基于邊緣、基于區(qū)域或watershed方法，都容易導(dǎo)致圖像過(guò)度分割或分割不足的問(wèn)題。

基于能量函數(shù)的分割方法是對(duì)圖像構(gòu)建一個(gè)能量函數(shù)，當(dāng)能量函數(shù)達(dá)到最小值時(shí)圖像就完成了分割。圖割(Graph Cut)就屬于這一類，它最早被Boykov和Jolly提出，這種算法模型將圖像的邊緣特征和區(qū)域特征很好地結(jié)合起來(lái)，在一定程度上解決了過(guò)分割或分割不足的問(wèn)題。在圖割基礎(chǔ)上發(fā)展起來(lái)的Grab Cut如今應(yīng)用比較廣泛，它需要用戶將圖像中前景物體用矩形框出作為先驗(yàn)知識(shí)，在數(shù)據(jù)量較大時(shí)這項(xiàng)工作將變得費(fèi)時(shí)費(fèi)力。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的就是為了解決上述技術(shù)問(wèn)題，而提供聯(lián)合視覺(jué)顯著性和圖割優(yōu)化的圖像自動(dòng)分割方法。

本發(fā)明包括以下步驟：

①利用HC算法獲取圖像顯著圖；

②對(duì)圖像前景像素和背景像素進(jìn)行高斯混合模型訓(xùn)練；

③依據(jù)圖像高斯混合模型訓(xùn)練結(jié)果對(duì)圖像構(gòu)造圖結(jié)構(gòu)并利用圖割優(yōu)化方法對(duì)圖像進(jìn)行分割。

所述步驟①中，HC算法利用圖像像素顏色統(tǒng)計(jì)信息標(biāo)識(shí)各像素之間的區(qū)別，通過(guò)量化計(jì)算表示這種差別即為各像素的顯著值，計(jì)算公式為：

其中，c_l是像素顏色值，n是圖像中顏色值不同的像素?cái)?shù)目，f_j是具有顏色值c_l的像素?cái)?shù)目。

所述步驟②中，對(duì)獲取的圖像顯著圖的圖像前景像素和背景像素進(jìn)行初步估計(jì)，估計(jì)方法為閾值法：

f_O＝{(x,y)|s(x,y)＞V_threshold}

b_O＝{(x,y)|s(x,y)＜V_threshold}

其中，f_O代表屬于前景的像素，b_O代表屬于背景的像素，s(x,y)為步驟一中求得的各像素的顯著值，V_threshold為自定義的閾值。

所述步驟③中，用無(wú)向權(quán)重圖G＜V,E＞表示要分割的圖像，其中V表示頂點(diǎn)集合，E表示邊集合，頂點(diǎn)包括圖像中各像素點(diǎn)和分別代表前景的S和背景的T的兩個(gè)頂點(diǎn)，邊包括相鄰像素之間的連接和各像素與S、T之間的連接，且各條邊會(huì)有一個(gè)附加權(quán)重值，利用步驟3訓(xùn)練得到的圖像前景與背景高斯混合模型，對(duì)圖像中各像素求解該像素屬于前景和背景的概率，圖中各條邊的權(quán)重由該概率確定，由此確定圖像的圖結(jié)構(gòu)，求解圖的最小割問(wèn)題，定義圖像能量函數(shù)：

E(L)＝αR(L)+B(L)

其中，R(L)是區(qū)域項(xiàng)，B(L)是邊界項(xiàng)。

本發(fā)明具有以下優(yōu)點(diǎn)：本發(fā)明提供聯(lián)合視覺(jué)顯著性和圖割優(yōu)化的圖像自動(dòng)分割方法，可實(shí)現(xiàn)圖像的自動(dòng)分割,即不需要人為參與完成圖像分割，具有很好的推廣應(yīng)用價(jià)值。

附圖說(shuō)明

圖1是本發(fā)明步驟示意圖。

圖2是本發(fā)明進(jìn)行圖像自動(dòng)分割的原圖。

圖3是本發(fā)明步驟①得到的圖像顯著圖。

圖4是本發(fā)明步驟③割優(yōu)化獲取的圖像前景物體蒙版圖。

圖5是發(fā)明自動(dòng)分割的得到前景物體圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步說(shuō)明。

如圖所示，聯(lián)合視覺(jué)顯著性和圖割優(yōu)化的圖像自動(dòng)分割方法包含三個(gè)步驟。

步驟①：利用HC算法獲取圖像顯著圖

在該步驟中，HC算法利用圖像像素顏色統(tǒng)計(jì)信息標(biāo)識(shí)各像素之間的區(qū)別，通過(guò)量化計(jì)算表示這種差別即為各像素的顯著值，計(jì)算公式為：

其中，c_l是像素顏色值，n是圖像中顏色值不同的像素?cái)?shù)目，f_j是具有顏色值c_l的像素?cái)?shù)目。通過(guò)該公式即求得了一幅圖像中不同像素之間的顯著值，該圖像中的前景物體往往具有更大的顯著值，因此在圖像顯著圖中前景物體會(huì)高亮顯示，得到原圖1的圖像顯著圖2。

經(jīng)過(guò)HC算法獲取的圖像顯著圖對(duì)圖像前景部分會(huì)有一個(gè)初步的估計(jì)。該估計(jì)也是下面步驟的輸入。

步驟③：對(duì)圖像前景像素和背景像素進(jìn)行高斯混合模型訓(xùn)練

在該步驟中，利用步驟1獲取的圖像顯著圖對(duì)圖像的前景像素和背景像素進(jìn)行初步估計(jì)，估計(jì)方法為閾值法：

f_O＝{(x,y)|s(x,y)＞V_threshold}

b_O＝{(x,y)|s(x,y)＜V_threshold}

其中，f_O代表屬于前景的像素，b_O代表屬于背景的像素，s(x,y)為步驟一中求得的各像素的顯著值，V_threshold為自定義的閾值。有了圖像前景像素和背景像素的初步估計(jì)后，對(duì)圖像前景和背景進(jìn)行高斯混合模型訓(xùn)練。

步驟3：依據(jù)圖像高斯混合模型訓(xùn)練結(jié)果對(duì)圖像構(gòu)造圖結(jié)構(gòu)并利用圖割優(yōu)化方法對(duì)圖像進(jìn)行分割

在該步驟中，用無(wú)向權(quán)重圖G＜V,E＞表示要分割的圖像，其中V表示頂點(diǎn)集合，E表示邊集合。頂點(diǎn)包括圖像中各像素點(diǎn)和分別代表前景的S和背景的T的兩個(gè)頂點(diǎn)，邊包括相鄰像素之間的連接和各像素與S、T之間的連接，且各條邊會(huì)有一個(gè)附加權(quán)重值。利用步驟3訓(xùn)練得到的圖像前景與背景高斯混合模型，對(duì)圖像中各像素求解該像素屬于前景和背景的概率，圖G中各條邊的權(quán)重由該概率確定，由此確定圖像的圖結(jié)構(gòu)。

進(jìn)一步地，求解圖的最小割問(wèn)題具體包括：

定義圖像能量函數(shù)：

E(L)＝αR(L)+B(L)

其中，R(L)是區(qū)域項(xiàng)，B(L)是邊界項(xiàng)，α是區(qū)域項(xiàng)和邊界項(xiàng)之間的重要因子，決定它們對(duì)能量的影響大小。通過(guò)最小化該能量函數(shù)完成對(duì)圖像的分割問(wèn)題。

具體實(shí)驗(yàn)結(jié)果如圖所示，圖3為圖割優(yōu)化獲取的圖像前景物體蒙版與前景物體，從圖4和圖5可以看出，在經(jīng)過(guò)圖割優(yōu)化這一步驟后，圖像前景物體被分割出來(lái)，從而達(dá)到了本發(fā)明的圖像自動(dòng)分割效果。

本發(fā)明技術(shù)方案中的關(guān)鍵術(shù)語(yǔ)解釋如下：

視覺(jué)顯著性:人類的視覺(jué)注意機(jī)制能夠?qū)⒂邢薜恼J(rèn)知資源聚集于場(chǎng)景中重要的刺激而抑制那些不重要的信息,在計(jì)算機(jī)視覺(jué)領(lǐng)域，有關(guān)顯著性的研究在于提出模擬人類視覺(jué)注意機(jī)制的模型。

圖像分割: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(guò)程。

圖割:圖割是指基于圖論的分割方法移除特定的邊，將圖劃分為若干子圖從而實(shí)現(xiàn)分割。將圖像映射為帶權(quán)無(wú)向圖G＝<V，E>，圖中每個(gè)節(jié)點(diǎn)N∈V對(duì)應(yīng)于圖像中的每個(gè)像素，每條邊∈E連接著一對(duì)相鄰的像素，邊的權(quán)值表示了相鄰像素之間在灰度、顏色或紋理方面的非負(fù)相似度。而對(duì)圖像的一個(gè)分割s就是對(duì)圖的一個(gè)剪切，被分割的每個(gè)區(qū)域C∈S對(duì)應(yīng)著圖中的一個(gè)子圖。而分割的最優(yōu)原則就是使劃分后的子圖在內(nèi)部保持相似度最大，而子圖之間的相似度保持最小。

以上實(shí)施方式僅用于說(shuō)明本發(fā)明，而并非對(duì)本發(fā)明的限制，有關(guān)技術(shù)領(lǐng)域的普通技術(shù)人員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有等同的技術(shù)方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護(hù)范圍應(yīng)由權(quán)利要求限定。