專利名稱：一種運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法和系統(tǒng)。
背景技術(shù)：
針對(duì)場(chǎng)景分割的研究一直是計(jì)算機(jī)視覺(jué)和計(jì)算機(jī)圖形學(xué)的核心研究?jī)?nèi)容之一，前景提取對(duì)于如何從背景中將感興趣的物體分離出來(lái)這一問(wèn)題，至少有兩種常用的解決方法藍(lán)屏法和背景減法。藍(lán)屏法依賴于背景具有單一的顏色(如藍(lán)色或綠色)。通常，采用藍(lán)屏法時(shí)，認(rèn)為圖像中那些與背景顏色的差異小于某一閾值的象素均屬于背景點(diǎn)。藍(lán)屏法需要建立一個(gè)具有單一顏色的受控環(huán)境，并且場(chǎng)景中被提取的物體不能與背景具有相近的顏色。而背景減法則依賴于對(duì)背景的記錄與存儲(chǔ)，通過(guò)將含有前景物體的圖像與背景圖像相比較，實(shí)現(xiàn)背景分離。背景減法中根據(jù)兩幅圖像之間的差異對(duì)前景區(qū)域進(jìn)行識(shí)別，認(rèn)為兩幅圖像中相同的區(qū)域?qū)儆谑潜尘安糠?。采用背景減法，則無(wú)需建立可控制的拍攝環(huán)境。同時(shí)，背景與前景物體之間存在的色彩滲透現(xiàn)象也相對(duì)較弱。然而，采用背景減法也可能將某些前景部分誤認(rèn)為背景，這一現(xiàn)象通常發(fā)生在前景物體的部分顏色與背景十分類似的時(shí)候；同樣，也可能將某些背景區(qū)域誤認(rèn)為前景，這種情況產(chǎn)生的原因則常常是由于前景物體的存在，在原背景區(qū)域產(chǎn)生了一定的陰影。綜上，藍(lán)屏法和背景減法均不能很好的實(shí)現(xiàn)大尺度運(yùn)動(dòng)模糊場(chǎng)景的分割。針對(duì)場(chǎng)景前景提取的研究同樣是計(jì)算機(jī)視覺(jué)和計(jì)算機(jī)圖形學(xué)的核心研究?jī)?nèi)容之一，場(chǎng)景成像結(jié)果由前景和背景共同作用的本質(zhì)一方面是場(chǎng)景材質(zhì)本身具有透明效果，另一方面是場(chǎng)景運(yùn)動(dòng)造成成像平面上某些位置的成像結(jié)果是由運(yùn)動(dòng)經(jīng)過(guò)的前景區(qū)域與背景區(qū)域的共同作用，上述兩個(gè)問(wèn)題的成像本質(zhì)不同，但是可以劃歸為同一類模型，而該類模型的求解算法來(lái)自與第一種情況(場(chǎng)景材質(zhì)本身具有透明效果，比如毛發(fā)等具有的透明效果)，及場(chǎng)景材質(zhì)本身的情況，在這種情況下，具有透明效果的區(qū)域較小，用戶可以交互提供三區(qū)域約束圖(trimap)進(jìn)行約束，而在大尺度運(yùn)動(dòng)模糊的情況下，通常具有前景背景共同作用的區(qū)域較大，難以在不準(zhǔn)確的約束情況下獲得好的提取效果。

發(fā)明內(nèi)容
針對(duì)現(xiàn)有技術(shù)中存在的上述問(wèn)題，本發(fā)明提供了一種大尺度運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法和系統(tǒng)。本發(fā)明提供了一種運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法，包括步驟1，將采集到的圖像進(jìn)行顏色空間變換得到第一圖像，并對(duì)第一圖像進(jìn)行均步驟2，將采集到的圖像與背景圖像相減，并將相減后得到的圖像進(jìn)行顏色空間變換得到第二圖像，并對(duì)第二圖像進(jìn)行均衡；步驟3，根據(jù)均衡后的第一圖像和第二圖像得到背景區(qū)域；
步驟4，根據(jù)場(chǎng)景運(yùn)動(dòng)跟蹤結(jié)果計(jì)算成像平面上每個(gè)像素的累積能量，并對(duì)能量分布圖的二值圖進(jìn)行腐蝕；根據(jù)場(chǎng)景運(yùn)動(dòng)跟蹤結(jié)果計(jì)算場(chǎng)景模型骨架各組成部分的模糊程度，根據(jù)場(chǎng)景模型骨架各組成部分的模糊程度對(duì)選取的在曝光時(shí)間內(nèi)某一曝光時(shí)刻的清晰圖像進(jìn)行腐蝕；步驟5，根據(jù)腐蝕后的能量分布圖的二值圖以及腐蝕后的清晰圖像得到前景區(qū)域；步驟6，根據(jù)前景區(qū)域和背景區(qū)域，利用trimap算法得到前景提取結(jié)果。在一個(gè)示例中，步驟1中，將采集的圖像由RGB空間變換到HSV空間，并對(duì)第一圖像進(jìn)行直方圖均衡；步驟2中，將相減后的圖像由RGB空間變換到HSV空間，并對(duì)第二圖像進(jìn)行直方圖均衡。在一個(gè)示例中，步驟3中，對(duì)第一圖像、均衡后的第一圖像、第二圖像以及均衡后的第二圖像的若干通道設(shè)置閾值，以進(jìn)行運(yùn)動(dòng)模糊分割。在一個(gè)示例中，步驟3中，對(duì)均衡后的第一圖像和第二圖像進(jìn)行二值分割得到的結(jié)果取反并進(jìn)行形態(tài)學(xué)操作得到背景區(qū)域。在一個(gè)示例中，步驟4中，根據(jù)場(chǎng)景運(yùn)動(dòng)跟蹤結(jié)果獲取場(chǎng)景模型每個(gè)組成面片投影到成像平面每個(gè)像素的能量點(diǎn)，并依據(jù)累積分布計(jì)算得到成像平面上每個(gè)像素的累積能量。在一個(gè)示例中，步驟4中，如果曝光時(shí)間內(nèi)存在奇數(shù)幀圖像，則清晰圖像為中間的一幀圖像；如果曝光時(shí)間內(nèi)存在偶數(shù)幀圖像，則清晰圖像為中間二幀圖像中的任一幀。在一個(gè)示例中，步驟5中，將腐蝕后的能量分布圖的二值圖和腐蝕后的清晰圖像對(duì)應(yīng)地取交集得到前景區(qū)域；前景區(qū)域是二值圖。在一個(gè)示例中，步驟7中，將前景區(qū)域和背景區(qū)域中間的部分作為未知待求解區(qū)域，利用trimap算法得到未知區(qū)域每個(gè)像素的屬于前景區(qū)域的概率。在一個(gè)示例中，形態(tài)學(xué)操作為膨脹。本發(fā)明提供了一種運(yùn)動(dòng)模糊場(chǎng)景的分割系統(tǒng)，包括圖像均衡模塊，用于將采集到的圖像進(jìn)行顏色空間變換得到第一圖像，并對(duì)第一圖像進(jìn)行均衡；將采集到的圖像與背景圖像相減，并將相減后得到的圖像進(jìn)行顏色空間變換得到第二圖像，并對(duì)第二圖像進(jìn)行均衡；背景區(qū)域獲取模塊，用于根據(jù)均衡后的第一圖像和第二圖像得到背景區(qū)域；前景區(qū)域獲取模塊，用于根據(jù)場(chǎng)景運(yùn)動(dòng)跟蹤結(jié)果計(jì)算成像平面上每個(gè)像素的累積能量，并對(duì)能量分布圖的二值圖進(jìn)行腐蝕；根據(jù)場(chǎng)景運(yùn)動(dòng)跟蹤結(jié)果計(jì)算場(chǎng)景模型骨架各組成部分的模糊程度，根據(jù)場(chǎng)景模型骨架各組成部分的模糊程度對(duì)選取的在曝光時(shí)間內(nèi)某一曝光時(shí)刻的清晰圖像進(jìn)行腐蝕；根據(jù)腐蝕后的能量分布圖的二值圖以及腐蝕后的清晰圖像得到前景區(qū)域；前景提取模塊，用于根據(jù)前景區(qū)域和背景區(qū)域，利用trimap算法得到前景提取結(jié)^ ο在一個(gè)示例中，圖像均衡模塊，用于將采集的圖像由RGB空間變換到HSV空間，并對(duì)第一圖像進(jìn)行直方圖均衡；步驟2中，將相減后的圖像由RGB空間變換到HSV空間，并對(duì)第二圖像進(jìn)行直方圖均衡。
本發(fā)明能夠?qū)Ω咚龠\(yùn)動(dòng)造成的大范圍模糊實(shí)現(xiàn)準(zhǔn)確的前景提取。


下面結(jié)合附圖來(lái)對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明，其中圖Ia-圖Ic為本發(fā)明大尺度運(yùn)動(dòng)模糊分割方法輸入與輸出結(jié)果圖；圖2為運(yùn)動(dòng)模糊分割方法多通道多尺度增強(qiáng)結(jié)果示意圖；圖3a-圖3d為運(yùn)動(dòng)模糊前景提取方法輸入與輸出結(jié)果圖；4b為運(yùn)動(dòng)場(chǎng)景能量部分圖及模型骨架示意圖；圖5為計(jì)算得到的trimap示意圖；圖6為大尺度運(yùn)動(dòng)模糊分割的流程圖前景區(qū)域提取的流程圖；圖7為大尺度運(yùn)動(dòng)模糊前景提取的流程圖，其中運(yùn)動(dòng)模糊分割是前景提取的一個(gè)必要步驟，以提供準(zhǔn)確的trimap獲得精確的前景提取結(jié)果的流程圖。
具體實(shí)施例方式本發(fā)明的一種大尺度運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法，針對(duì)大尺度嚴(yán)重運(yùn)動(dòng)模糊場(chǎng)景進(jìn)行精確的前景分割與前景提取，基于顏色空間的轉(zhuǎn)換進(jìn)行多尺度多變換增強(qiáng)， 并自適應(yīng)的選擇不同尺度不同通道的約束閾值以實(shí)現(xiàn)最優(yōu)融合結(jié)果，得到準(zhǔn)確的大尺度運(yùn)動(dòng)模糊場(chǎng)景分割結(jié)果。另一方面，基于分割結(jié)果、運(yùn)動(dòng)模型骨架信息、運(yùn)動(dòng)場(chǎng)景跟蹤結(jié)果及場(chǎng)景模型每個(gè)面片的運(yùn)動(dòng)擴(kuò)散點(diǎn)函數(shù)計(jì)算得到場(chǎng)景前景及背景約束，利用基于trimap的前景提取算法準(zhǔn)確獲得圖像上各個(gè)像素的前景遮罩值，實(shí)現(xiàn)準(zhǔn)確的前景提取，消除背景的影響?；陬伾臻g轉(zhuǎn)換及直方圖均衡化的多通道多尺度增強(qiáng)，RGB顏色空間轉(zhuǎn)換為 HSV顏色空間，在H通道反映了場(chǎng)景的色調(diào)信息；對(duì)HSV各通道基于直方圖均衡化的方法進(jìn)行增強(qiáng)，將前景與背景的自個(gè)色調(diào)、飽和度、色值特征進(jìn)行進(jìn)一步增強(qiáng)，提高區(qū)分度?；诒尘跋鄿p的方法，利用額外采集的場(chǎng)景背景信息，將采集圖像減去背景圖像， 得到的差圖像進(jìn)行顏色空間轉(zhuǎn)換及直方圖均衡，得到增強(qiáng)后的差圖像能夠更好的體現(xiàn)前景背景的差異，尤其在運(yùn)動(dòng)模糊大，前景顏色值很小的情況下，直方圖均衡增強(qiáng)的方法能夠捕捉屬于前景但在RGB空間及傳統(tǒng)基于HSV空間的背景相減算法中難于捕捉的區(qū)域?；谶\(yùn)動(dòng)模糊程度及顏色相似度的聯(lián)合閾值選擇機(jī)制，適應(yīng)的選擇不同尺度不同通道的約束閾值以實(shí)現(xiàn)最優(yōu)融合結(jié)果。利用形態(tài)處理方法及圖像處理方法獲取光滑連續(xù)的高質(zhì)量連通前景區(qū)域，消除毛刺邊緣，填充內(nèi)部空洞，去除外部噪聲?；谶\(yùn)動(dòng)場(chǎng)景跟蹤信息計(jì)算獲取場(chǎng)景各個(gè)位置的能量分布圖，依據(jù)場(chǎng)景運(yùn)動(dòng)跟蹤結(jié)果可以獲取場(chǎng)景模型每個(gè)組成面片投影到成像平面每個(gè)像素的能量點(diǎn)，并依據(jù)累積分布計(jì)算得到成像平面上每個(gè)像素的累積能量，從而判斷該像素屬于前景的概率。運(yùn)動(dòng)跟蹤的結(jié)果是靜態(tài)初始模型上每個(gè)頂點(diǎn)在運(yùn)動(dòng)過(guò)程中每一個(gè)時(shí)刻的新位置，也就是每個(gè)頂點(diǎn)的運(yùn)動(dòng)軌跡。此外運(yùn)動(dòng)跟蹤保證模型的拓?fù)洳蛔冃危Ｐ蜕显瓉?lái)一個(gè)面片由三個(gè)頂點(diǎn)構(gòu)成在運(yùn)動(dòng)跟蹤的結(jié)果中仍然由這三個(gè)頂點(diǎn)構(gòu)成，只是空間位置發(fā)生變化而已。因此，運(yùn)動(dòng)跟蹤即可以得到模型上每個(gè)面片的運(yùn)動(dòng)軌跡。每個(gè)面片運(yùn)動(dòng)軌跡的能量分布是與速度相關(guān)的，例如，一個(gè)面片在曝光時(shí)間內(nèi)勻速運(yùn)動(dòng)了 20個(gè)像素的距離，那么每個(gè)像素的能量就是1/20。一個(gè)三維運(yùn)動(dòng)面片在2D上占有一定的像素集合，并且每個(gè)被覆蓋像素都有對(duì)應(yīng)的能量，所有被覆蓋像素的能量和為1 (對(duì)每個(gè)面片都有一個(gè)這樣的計(jì)算過(guò)程)。對(duì)每個(gè)面片計(jì)算完成2D 的運(yùn)動(dòng)模糊核之后，對(duì)成像平面上每個(gè)像素計(jì)算其累積能量，就是這個(gè)像素所接受到的所有覆蓋過(guò)它的面片的能量，理想情況下，沒(méi)有運(yùn)動(dòng)模糊，那么某個(gè)每個(gè)像素假設(shè)被某個(gè)面片在整個(gè)曝光時(shí)間內(nèi)覆蓋，沒(méi)有發(fā)生過(guò)變化，那么累積能量必然為1。而若有大尺度的運(yùn)動(dòng)模糊，某個(gè)像素在曝光時(shí)間內(nèi)的某一小段時(shí)間內(nèi)被經(jīng)過(guò)，其它時(shí)間就沒(méi)有其它像素經(jīng)過(guò)，那么其累積能量必然小于1，那么它屬于前景的概率就等于其累積能量，是小于1的，也就是這個(gè)點(diǎn)上，成像結(jié)果的顏色值，有P的概率屬于前景，I-P的概率屬于背景，P即為累積能量。運(yùn)動(dòng)場(chǎng)景模型骨架信息及運(yùn)動(dòng)跟蹤結(jié)果，判斷各個(gè)組成部分(比如人體，可以分為頭，前臂大臂，手，腳等)的運(yùn)動(dòng)大小，對(duì)于運(yùn)動(dòng)大的區(qū)域，其屬于前景的概率較之運(yùn)動(dòng)小的部分屬于前景的概率要小。此外，考慮運(yùn)動(dòng)跟蹤算法的存在誤差，對(duì)于跟蹤誤差較大身體部分(bodypart)利用形態(tài)學(xué)操作，均勻減小其前景區(qū)域。使得確定的前景區(qū)域更為準(zhǔn)確。依據(jù)大尺度運(yùn)動(dòng)場(chǎng)景模糊分割的結(jié)果，取反并進(jìn)行膨脹的形態(tài)學(xué)操作以作為確定的背景約束。將確定的前景區(qū)域與確定的背景區(qū)域中間的部分(就是既不屬于前景區(qū)域也不屬于背景區(qū)域的部分)作為未知待求解區(qū)域，利用基于trimap的方法獲取未知區(qū)域每個(gè)像素的屬于前景的概率。基于trimap求解得到前景遮罩值(即前景的概率)，并依據(jù)提取得到的前景區(qū)域與背景區(qū)域進(jìn)行迭代優(yōu)化，進(jìn)一步降低由于運(yùn)動(dòng)跟蹤不準(zhǔn)確性及前景背景顏色相似性引起的誤差。如圖Ia-圖Ic所示，為大尺度運(yùn)動(dòng)模糊分割方法輸入與輸出結(jié)果圖，其中圖Ia為采集到的場(chǎng)景運(yùn)動(dòng)圖像，圖Ic為靜態(tài)背景圖像，這兩幅圖像均為本發(fā)明的輸入圖像，圖Ib 為本發(fā)明算法得到的運(yùn)動(dòng)模糊分割結(jié)果，其中白色表示前景區(qū)域，黑色表示背景區(qū)域。如圖2所示，為運(yùn)動(dòng)模糊分割方法多通道多尺度增強(qiáng)結(jié)果示意圖，其中第一行為分別為對(duì)應(yīng)于圖Ia的H，S，V變換通道，第二行為H，S，V通道的增強(qiáng)結(jié)果，使用直方圖均衡化，迭代3次的增強(qiáng)結(jié)果，記為H_e，S_e，V_e，第三行為圖Ia減去圖Ic所得差圖像的H，S， V三通道示意圖，記為H_sub，S_sub, V_sub，第四行為H_sub，S_sub, V_sub三通道迭代三次的增強(qiáng)結(jié)果，記為H_sub_e，S_sub_e, V_sub_e，可見(jiàn)手臂模糊部分在H_e中具有很小的值， 而在H_Sub_e中具有很大的值，因此，為了獲得好的運(yùn)動(dòng)模糊分割結(jié)果，聯(lián)合閾值可以設(shè)定為H_e < Thl，H_sub_e > Th2，其中Thl的典型取值為0. 25，Th2的典型取值為0. 75。聯(lián)合閾值的選擇，對(duì)于本領(lǐng)域技術(shù)人員而言是顯而易見(jiàn)的，本領(lǐng)域人員可以根據(jù)具體的需求以及通道 H, S, V, H_c，S_c，V_c, H_sub，S_sub，V_sub, H_sub_e，S_sub_e，V_sub_e 的結(jié)果進(jìn)行選擇。如圖3a-圖3d所示，為運(yùn)動(dòng)模糊前景提取方法輸入與輸出結(jié)果圖，圖3a為采集到的場(chǎng)景運(yùn)動(dòng)圖像，作為輸入圖像，圖北為該圖像對(duì)應(yīng)的前景遮罩結(jié)果，圖像像素取值為 0-1，其中0表示確定的背景，1表示確定的前景，0-1之前的值表示屬于前景像素的概率。圖 3c為提取得到的前景圖像，圖3d為提取得到的背景圖像。如圖4a_圖4b所示，為運(yùn)動(dòng)場(chǎng)景能量部分圖及模型骨架示意圖，圖如為成像平面上每個(gè)像素的累積能量，圖像像素取值為0-1，其中0表示該像素?zé)o能量，屬于前景的概率為0，1表示滿能量，屬于前景的概率為1，0-1之前的值表示能量占滿滿能量的百分比，也即屬于前景像素的概率。圖4b為運(yùn)動(dòng)模型的骨架結(jié)構(gòu)，其中按照顏色紅、綠、藍(lán)、黃、紫、青、 白為運(yùn)動(dòng)程度依次降低的身體部分。如圖5所示，為計(jì)算得到的trimap示意圖，前景區(qū)域?yàn)閷?duì)圖如以0. 9為閾值，對(duì)得到的二值前景區(qū)域進(jìn)行W次迭代腐蝕操作，再按照?qǐng)D4b所示大尺度運(yùn)動(dòng)模型區(qū)域進(jìn)行額外的N2次迭代腐蝕操作所得到的前景區(qū)域，如圖白色部分所示；將二值分割結(jié)果進(jìn)行取反并進(jìn)行N3次迭代膨脹操作得到背景區(qū)域，如圖黑色部分所示。其中經(jīng)典取值，m = 5，N2 =5，N3 = 6。圖6顯示了大尺度運(yùn)動(dòng)模糊分割的流程圖前景區(qū)域提取的流程。該流程中，首先要對(duì)采集的圖像I進(jìn)行顏色空間變換，并對(duì)變換后的圖像進(jìn)行直方圖均衡；其次將采集的圖像I與背景圖像B相減，對(duì)相減得到的圖像進(jìn)行顏色空間變換，并對(duì)變換后的圖像進(jìn)行直方圖均衡；再次，對(duì)變換后的各通道的結(jié)果及其直方圖均衡后的結(jié)果進(jìn)行聯(lián)合閾值選擇； 最后通過(guò)形態(tài)處理方法及圖像處理方法獲得光滑連續(xù)的高質(zhì)量連通前景區(qū)域。圖7顯示了大尺度運(yùn)動(dòng)模糊前景提取的流程圖。該流程中，主要分為三個(gè)部分 確定前景區(qū)域，確定背景區(qū)域，獲得精確的前景提取結(jié)果。確定前景區(qū)域主要包括根據(jù)場(chǎng)景運(yùn)動(dòng)跟蹤結(jié)果得到能量分布圖，并對(duì)能量分布圖的二值圖進(jìn)行腐蝕，腐蝕過(guò)程中需要根據(jù)預(yù)設(shè)的閾值確定運(yùn)動(dòng)模糊大的區(qū)域，運(yùn)動(dòng)模糊程度不同的區(qū)域腐蝕的程度不同；根據(jù)場(chǎng)景運(yùn)動(dòng)跟蹤結(jié)果判定模型骨架結(jié)構(gòu)各個(gè)組成部分的運(yùn)動(dòng)大小，根據(jù)預(yù)設(shè)的條件確定運(yùn)動(dòng)大的組成部分，選擇曝光時(shí)間內(nèi)位于曝光時(shí)間中間的時(shí)刻(對(duì)于曝光時(shí)間內(nèi)有奇數(shù)幀的情況， 可以取中間的一幅圖像；對(duì)于曝光時(shí)間內(nèi)有偶數(shù)幀的情況，可以取中間二幅圖像中的任一副圖像)得到的清晰圖像，并對(duì)該清晰的圖像進(jìn)行腐蝕，腐蝕的過(guò)程中需要考慮各組成部分運(yùn)動(dòng)大小，運(yùn)動(dòng)程度不同的組成部分，腐蝕的程度不同；將腐蝕后的能量分布圖的二值圖和腐蝕后的清晰圖像對(duì)應(yīng)地取交集，得到前景區(qū)域。確定背景區(qū)域主要對(duì)運(yùn)動(dòng)模糊分割結(jié)果進(jìn)行形態(tài)學(xué)操作得到背景區(qū)域。獲得精確的前景提取結(jié)果主要是根據(jù)前景區(qū)域和背景區(qū)域，利用trimap算法得到精確的前景提取結(jié)果。以上所述僅為本發(fā)明的優(yōu)選實(shí)施方式，但本發(fā)明保護(hù)范圍并不局限于此。任何本領(lǐng)域的技術(shù)人員在本發(fā)明公開(kāi)的技術(shù)范圍內(nèi)，均可對(duì)其進(jìn)行適當(dāng)?shù)母淖兓蜃兓?，而這種改變或變化都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1.一種運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法，其特征在于，包括步驟1，將采集到的圖像進(jìn)行顏色空間變換得到第一圖像，并對(duì)第一圖像進(jìn)行均衡；步驟2，將采集到的圖像與背景圖像相減，并將相減后得到的圖像進(jìn)行顏色空間變換得到第二圖像，并對(duì)第二圖像進(jìn)行均衡；步驟3，根據(jù)均衡后的第一圖像和第二圖像得到背景區(qū)域；步驟4，根據(jù)場(chǎng)景運(yùn)動(dòng)跟蹤結(jié)果計(jì)算成像平面上每個(gè)像素的累積能量，并對(duì)能量分布圖的二值圖進(jìn)行腐蝕；根據(jù)場(chǎng)景運(yùn)動(dòng)跟蹤結(jié)果計(jì)算場(chǎng)景模型骨架各組成部分的模糊程度，根據(jù)場(chǎng)景模型骨架各組成部分的模糊程度對(duì)選取的在曝光時(shí)間內(nèi)的某一曝光時(shí)刻的清晰圖像進(jìn)行腐蝕；步驟5，根據(jù)腐蝕后的能量分布圖的二值圖以及腐蝕后的清晰圖像得到前景區(qū)域；步驟6，根據(jù)前景區(qū)域和背景區(qū)域，利用trimap算法得到前景提取結(jié)果。
2.如權(quán)利要求1所述的運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法，其特征在于，步驟1中， 將采集的圖像由RGB空間變換到HSV空間，并對(duì)第一圖像進(jìn)行直方圖均衡；步驟2中，將相減后的圖像由RGB空間變換到HSV空間，并對(duì)第二圖像進(jìn)行直方圖均衡。
3.如權(quán)利要求1所述的運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法，其特征在于，步驟3中， 對(duì)第一圖像、均衡后的第一圖像、第二圖像以及均衡后的第二圖像的若干通道設(shè)置閾值，以進(jìn)行運(yùn)動(dòng)模糊分割。
4.如權(quán)利要求1所述的運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法，其特征在于，步驟3中， 對(duì)均衡后的第一圖像和第二圖像進(jìn)行二值分割得到的結(jié)果取反并進(jìn)行形態(tài)學(xué)操作得到背景區(qū)域。
5.如權(quán)利要求1所述的運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法，其特征在于，步驟4中， 根據(jù)場(chǎng)景運(yùn)動(dòng)跟蹤結(jié)果獲取場(chǎng)景模型每個(gè)組成面片投影到成像平面每個(gè)像素的能量點(diǎn)，并依據(jù)累積分布計(jì)算得到成像平面上每個(gè)像素的累積能量。
6.如權(quán)利要求1所述的運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法，其特征在于，步驟4中， 如果曝光時(shí)間內(nèi)存在奇數(shù)幀圖像，則清晰圖像為中間的一幀圖像；如果曝光時(shí)間內(nèi)存在偶數(shù)幀圖像，則清晰圖像為中間二幀圖像中的任一幀。
7.如權(quán)利要求1所述的運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法，其特征在于，步驟5中， 將腐蝕后的能量分布圖的二值圖和腐蝕后的清晰圖像對(duì)應(yīng)地取交集得到前景區(qū)域；前景區(qū)域是二值圖。
8.如權(quán)利要求1所述的運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法，其特征在于，步驟7中， 將前景區(qū)域和背景區(qū)域中間的部分作為未知待求解區(qū)域，利用trimap算法得到未知區(qū)域每個(gè)像素的屬于前景區(qū)域的概率。
9.如權(quán)利要求4所述的運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法，其特征在于，形態(tài)學(xué)操作為膨脹。
10.一種運(yùn)動(dòng)模糊場(chǎng)景的分割系統(tǒng)，其特征在于，包括圖像均衡模塊，用于將采集到的圖像進(jìn)行顏色空間變換得到第一圖像，并對(duì)第一圖像進(jìn)行均衡；將采集到的圖像與背景圖像相減，并將相減后得到的圖像進(jìn)行顏色空間變換得到第二圖像，并對(duì)第二圖像進(jìn)行均衡；前景區(qū)域獲取模塊，用于根據(jù)場(chǎng)景運(yùn)動(dòng)跟蹤結(jié)果計(jì)算成像平面上每個(gè)像素的累積能量，并對(duì)能量分布圖的二值圖進(jìn)行腐蝕；根據(jù)場(chǎng)景運(yùn)動(dòng)跟蹤結(jié)果計(jì)算場(chǎng)景模型骨架各組成部分的模糊程度，根據(jù)場(chǎng)景模型骨架各組成部分的模糊程度對(duì)選取的在曝光時(shí)間內(nèi)的某一曝光時(shí)刻的清晰圖像進(jìn)行腐蝕；根據(jù)腐蝕后的能量分布圖的二值圖以及腐蝕后的清晰圖像得到前景區(qū)域；前景提取模塊，用于根據(jù)前景區(qū)域和背景區(qū)域，利用trimap算法得到前景提取結(jié)果。
全文摘要
本發(fā)明公開(kāi)了一種運(yùn)動(dòng)模糊場(chǎng)景的分割及前景提取方法和系統(tǒng)。該方法包括將采集到的圖像進(jìn)行顏色空間變換得到第一圖像，并對(duì)第一圖像進(jìn)行均衡；將采集到的圖像與背景圖像相減，并將相減后得到的圖像進(jìn)行顏色空間變換得到第二圖像，并對(duì)第二圖像進(jìn)行均衡；根據(jù)均衡后的第一圖像和第二圖像得到背景區(qū)域計(jì)算成像平面上每個(gè)像素的累積能量，并對(duì)能量分布圖的二值圖進(jìn)行腐蝕；計(jì)算場(chǎng)景模型骨架各組成部分的模糊程度，對(duì)選取的在一曝光時(shí)刻的清晰圖像進(jìn)行腐蝕；根據(jù)腐蝕后的能量分布圖的二值圖以及腐蝕后的清晰圖像得到前景區(qū)域；根據(jù)前景區(qū)域和背景區(qū)域，利用trimap算法得到前景提取結(jié)果。本發(fā)明能夠?qū)Ω咚龠\(yùn)動(dòng)造成的大范圍模糊實(shí)現(xiàn)準(zhǔn)確的前景提取。
文檔編號(hào)G06T7/20GK102254325SQ20111020529
公開(kāi)日2011年11月23日 申請(qǐng)日期2011年7月21日 優(yōu)先權(quán)日2011年7月21日
發(fā)明者劉燁斌, 戴瓊海, 武迪, 王好謙 申請(qǐng)人:清華大學(xué)