一種基于點擊式圖像分割的無人機航拍圖像電子勾繪方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及計算機視覺和圖像處理等領(lǐng)域，尤其設(shè)及應(yīng)用高斯混合模型和圖割的 一種基于點擊式圖像分割的無人機航拍圖像電子勾繪方法，面向無人機航拍圖像勾繪應(yīng) 用。
【背景技術(shù)】
[0002] 本發(fā)明提出一種點擊式的圖像分割技術(shù)，基于該技術(shù)完成無人機航拍圖像電子勾 繪任務(wù)。圖像分割作為計算機視覺和圖像處理領(lǐng)域的一個基本問題，是實現(xiàn)圖像分析與理 解的關(guān)鍵性步驟，其目的是將圖像劃分互不交疊的區(qū)域，并提取出興趣區(qū)域。隨著計算機技 術(shù)的發(fā)展及其運算能力的提升，圖像分割已在視頻監(jiān)控、生物醫(yī)學(xué)、遙感等眾多領(lǐng)域得到了 廣泛的應(yīng)用一一分割出監(jiān)控視頻中的興趣目標，減少人力損耗，提高監(jiān)控質(zhì)量;分割出磁共 振圖像中的特定器官，幫助醫(yī)生快速準確的診斷病情;分割出航拍圖像中的森林、耕地和城 市區(qū)域。
[0003] 雖然關(guān)于圖像分割的研究起始于數(shù)字圖像處理問世不久，并吸引了眾多研究人員 付出了巨大努力，也提出了許多分割算法，但至今仍沒有一個有效的通用方法。針對圖像分 割可W分為兩大類：自動分割和交互式分割。所謂自動分割，即根據(jù)輸入圖像不同區(qū)域的特 性，自動實現(xiàn)分割而無需人工干預(yù)。目前自動分割算法層出不窮，如特征空間聚類、闊值化、 區(qū)域生長等基于區(qū)域的分割方法；W及邊界跟蹤、微分算子邊緣檢測、霍夫變換等基于邊界 的分割方法。但是對于復(fù)雜場景的圖像，尤其是對目標精度要求高的圖像，自動分割往往無 法獲得令人滿意的分割結(jié)果，因此，為了解決運一問題，交互式分割越來越受到研究者的青 睞。基于交互式的分割，通過用戶選擇特定區(qū)域，交互式地完成分割，其目標是人與計算機 相結(jié)合W獲得精確的劃分。當(dāng)分割效果不佳時，可W通過迭代加入新的區(qū)域，即引入更多的 先驗信息，直到得到滿意的分割結(jié)果。目前主流的交互式分割算法包括圖割、隨機游走、活 動輪廓模型和遂平集等。
[0004] 航拍圖像通常視場較大，背景復(fù)雜，存在樹林、道路、房屋、河流等不同區(qū)域，且易 受光照變化的影響，因此分割難度大，分割效果不理想。針對航拍圖像的分割問題，研究人 員提出了多種分割算法。例如，基于模糊C均值的分塊聚類方法，但運種方法容易導(dǎo)致邊界 塊歸屬不明確;基于Mean Shift的圖像分割雖然克服了傳統(tǒng)聚類方法的缺陷，但針對復(fù)雜 的航拍圖像容易造成聚類中屯、過多，且太密集，即導(dǎo)致圖像過分割。因此，針對航拍圖像的 分割還值得進一步的深入研究。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明實施例提供了一種基于點擊式圖像分割的無人機航拍圖像電子勾繪方法， 通過用戶點擊興趣目標，據(jù)此構(gòu)造高斯混合模型，并利用圖割算法求解能量方程，最終獲取 分割結(jié)果，完成電子勾繪。
[0006] 為此，本發(fā)明實施例提供如下技術(shù)方案：
[0007] -種基于點擊式圖像分割的無人機航拍圖像電子勾繪方法，通過構(gòu)造高斯混合模 型W及計算像素間紋理相似度和空間距離確定能量方程，并利用圖割算法求解，包括W下 步驟：
[0008] SOI.輸入待分割的圖像，W及圖像通道數(shù)目和寬高信息，所述圖像為固定翼無人 機拍攝的航拍圖像；
[0009] S02.設(shè)置分割過程的必要參數(shù)，所述必要參數(shù)包括"噪聲控制參數(shù)"，"分割精細度 控制參數(shù)"和"采樣半徑"；
[0010] S03.用戶點擊興趣目標，捕獲點擊位置的（x，y)坐標，所述x，y取值為相對于圖像 左上角的偏移；
[0011] S04.計算輸入圖像中像素點之間的紋理相似度，即計算灰度值之間差值的平方；
[0012] S05.根據(jù)步驟S03中用戶點擊位置和步驟S02中必要參數(shù)的"采樣半徑"，提取局部 像素點，像素點個數(shù)記為護，其中f表示興趣目標中包含的部分像素點，依據(jù)運部分像素點 灰度值并結(jié)合圖像邊緣位置的局部像素點灰度值構(gòu)造高斯混合模型；
[0013] S06.計算全部像素點屬于興趣目標或非興趣目標的概率密度；
[0014] S07.計算像素點之間的空間距離，所述空間距離為位置坐標之間的歐式距離；
[0015] S08.通過圖割算法求解能量方程，得到分割結(jié)果；
[0016] S09.對分割結(jié)果后處理，所述后處理即只輸出包含用戶點擊位置的聯(lián)通區(qū)域；
[0017] S10.當(dāng)分割結(jié)果不滿足用戶要求時，重復(fù)步驟S03~S09,直到得到滿意結(jié)果，輸出 分割結(jié)果，所述結(jié)果包括興趣目標的輪廓點坐標。
[0018] 本發(fā)明的技術(shù)方案中，所述步驟S02中，"噪聲控制參數(shù)"取值范圍為[1，15]，取值 越大效果越明顯，"分割精細程度控制參數(shù)"取值范圍為[0，100]，取值越小越精細，"采樣半 徑"取值范圍[2,5]。
[0019] 本發(fā)明的技術(shù)方案中，所述步驟S05中構(gòu)造高斯混合模型還包括W下步驟：
[0020] el.對步驟S05中局部像素點進行聚類分析，聚類數(shù)目記為m，所述聚類數(shù)目即為高 斯混合模型中高斯核的個數(shù)，每個聚類中像素點的個數(shù)記為：
[0021 ] 啦='主,..,,'!。，
[0022] =
[0023] e2.從圖像邊緣位置，提取部分像素點，作為非興趣目標的先驗信息，其像素點個 數(shù)記為仲，同樣將運部分像素點聚為m類，每個聚類中像素點的個數(shù)為：
[0024] !扣=I,'''.. ,'n),
[0025] Sij。!，=妒；
[00%] e3.分別計算el和e2中兩高斯混合模型的均值：
[0029] pf;根據(jù)興趣目標中局部像素點灰度值構(gòu)造的高斯混合模型的均值(聚類中屯、），
[0030] 掉:根據(jù)非興趣目標(背景）中局部像素點灰度值構(gòu)造的高斯混合模型的均值，
[0031] Cl:代表某一聚類，
[0032] 蠶興趣目標局部像素點，聚類Cl中像素點的灰度值(對真彩色圖像，化為一矢量，矢 量維數(shù)等于圖像通道數(shù)目），
[0033] 餐非興趣目標局部像素點，聚類Cl中像素點的灰度值；
[0034] e4.分別計算el和e2中兩高斯混合模型的方差：
[0037]其中，4為根據(jù)興趣目標中局部像素點灰度值構(gòu)造的高斯混合模型的協(xié)方差矩 陣，璋為根據(jù)非興趣目標中局部像素點灰度值構(gòu)造的高斯混合模型的協(xié)方差矩陣，對真彩 色圖像：
[0039] 此時，協(xié)方差矩陣為3x3的對稱矩陣；
[0040] 對灰度圖像：
此時，協(xié)方差矩陣為1x1矩陣；
[0042] e5 .計算高斯混合模型中個高斯的權(quán)重，興趣目標對應(yīng)的高斯混合模型權(quán)重： Af = nf/NM自興趣目標對應(yīng)的高斯混合模型權(quán)重:聲=皆鄉(xiāng)
[0043] 本發(fā)明的技術(shù)方案中，所述步驟S06中計算概率密度還包括W下步驟：
[0044] fl.逐像素點計算高斯混合模型的條件概率密度：
[0047] f 2.逐像素點計算總的聯(lián)合概率密度：[004引像素點屬于興趣目標:p(Ik，F(xiàn))= 丫 p(Ik|FUNiFGRM) + (l-丫）p(lk|F?)，[0049] 像素點屬刊隊趣目標:p(Ik，B)= 丫 p(Ik|BUNiFDRM) + (l-丫）p(lk|B?)，[0050] 所述聯(lián)合概率密度，當(dāng)丫 =0是完全由高斯混合模型確定，當(dāng)丫 =1時完全由均勻 分布確定；[0051 ] f 3.逐像素點計算其屬于興趣目標的后驗概率：
[0045] 像素點屬于興趣目標：
[0046] 像素點屬于非興趣目楊
[0053] 本發(fā)明的技術(shù)方案中，所述步驟S08還包括W下步驟：
[0054] hi.構(gòu)造圖模型，所述圖模型的節(jié)點包括圖像中的像素點（兩相鄰像素點p，qeP) W及兩個額外的節(jié)點（興趣目標節(jié)點化和非興趣目標節(jié)點化），圖模型中的邊包括像素點之 間Ep,qW及像素點與兩個額外節(jié)點之間和);
[0化日]2.確定邊上的權(quán)重：
臣城，其中（Ip-Iq)2由步驟S04計算，dist(p，q)由步 驟S07計算，N表示P，q為相鄰像素，
，其中f為興趣目標的局部像素點，b為 非興趣目標的局部像素點，
[0化9] h3.構(gòu)造能量方程：
[0060] 設(shè)一種分割結(jié)果5二（SI，S2, ...，SpEP)，其中％涕=，能量方程 E(S)=入 2 pep Regionp(Sp)+Xp,qsN Boundouryp,qS(Sp, Sq)，其中等式右側(cè)第一項表示"區(qū)域 屬