一種圖像分割方法
【專利摘要】本發(fā)明提出了一種圖像分割方法，所述方法包括預(yù)處理、特征抽取和分類三個(gè)階段；在預(yù)處理階段借助歸一化分割算法將一幅圖像過分割成超像素圖像；在特征抽取階段根據(jù)人眼的完形線索提取一組特征，包括輪廓、結(jié)構(gòu)、光照度和好的連續(xù)性；在分類階段用前述特征訓(xùn)練一個(gè)線性分類器，測(cè)試時(shí)采用一個(gè)簡(jiǎn)單算法隨機(jī)搜索好的分割。本方法對(duì)大多數(shù)自然圖像有很好的分割效果。
【專利說明】一種圖像分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于數(shù)字圖像處理領(lǐng)域，具體指的是一種圖像分割方法。
【背景技術(shù)】
[0002]圖像分割是圖像處理領(lǐng)域和計(jì)算機(jī)視覺中的一個(gè)基本而關(guān)鍵的問題，它是將人們感興趣的目標(biāo)從圖像背景中提取出來，為后續(xù)的分類、跟蹤、識(shí)別等處理提供基礎(chǔ)。圖像分割指的是利用數(shù)字圖像的某些特性，如灰度、顏色、紋理和形狀等，將圖像細(xì)分為多個(gè)圖像子區(qū)域(像素的集合)的過程。圖像分割的目的是簡(jiǎn)化或改變圖像的表示形式，使得圖像更容易理解和分析。

【發(fā)明內(nèi)容】

[0003]本發(fā)明所要解決的技術(shù)問題是為了克服現(xiàn)有技術(shù)的不足，提出一種圖像分割方法。所述方法對(duì)大多數(shù)自然圖像顯著地提高了分割效果。
[0004]為了解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是:
[0005]一種圖像分割方法，包括如下步驟:
[0006]步驟A，采集彩色圖像；
[0007]步驟B，將步驟A得到的彩色圖像過分割成超像素圖像；
[0008]步驟C，借鑒人眼完形線索，對(duì)步驟B得到的超像素圖像提取不同的特征，包括輪廓、紋理、亮度和好的連續(xù)性，組成特征向量；
[0009]步驟D，用步驟C得到的特征向量訓(xùn)練一個(gè)邏輯斯蒂回歸分類器，學(xué)習(xí)人工分割好的圖像庫(kù)；
[0010]步驟E，對(duì)步驟D得到的訓(xùn)練好的分類器進(jìn)行測(cè)試，采用基于模擬退火法的隨機(jī)搜索策略隨機(jī)搜索好的分割。
[0011]步驟C中，所述根據(jù)人眼完形線索提取不同特征的過程如下:
[0012]步驟C-1，用多方向?yàn)V波器對(duì)步驟B得到的超像素圖像做卷積，基于濾波器輸出的矢量量化，像素聚類成若干基元通道，統(tǒng)計(jì)每個(gè)區(qū)域的基元分布，用X 2距離度量計(jì)算區(qū)域間和區(qū)域內(nèi)的結(jié)構(gòu)相似性；
[0013]步驟C-2，對(duì)步驟B得到的超像素圖像中的每個(gè)區(qū)域統(tǒng)計(jì)亮度直方圖，用X 2距離度量計(jì)算區(qū)域間和區(qū)域內(nèi)的亮度相似性；
[0014]步驟C-3，對(duì)步驟B得到的超像素圖像上的每一個(gè)超像素計(jì)算方向能量，通過一個(gè)非線性變換將方向能量轉(zhuǎn)換成軟的輪廓度，計(jì)算區(qū)域邊界上所有超像素的軟的輪廓度總和即為區(qū)域間的輪廓能量，計(jì)算區(qū)域內(nèi)部所有超像素的軟的輪廓度總和即為區(qū)域內(nèi)的輪廓能量。
[0015]步驟C-4，對(duì)步驟B得到的超像素圖像上每個(gè)區(qū)域邊界上的每一對(duì)相鄰的超像素計(jì)算正切變化，統(tǒng)計(jì)正切變化分布直方圖，計(jì)算曲線連續(xù)性并規(guī)范化。
[0016]本發(fā)明的有益效果是:本發(fā)明提出了一種圖像分割方法，所述方法在預(yù)處理階段借助歸一化分割算法將一幅圖像過分割成超像素圖像；在特征抽取階段根據(jù)人眼的完形線索提取一組特征，包括輪廓、結(jié)構(gòu)、光照度和好的連續(xù)性；在分類階段用前述特征訓(xùn)練一個(gè)線性分類器，測(cè)試時(shí)采用一個(gè)簡(jiǎn)單算法隨機(jī)搜索好的分割。本方法對(duì)大多數(shù)自然圖像有很好的分割效果。
【專利附圖】

【附圖說明】
[0017]圖1是本發(fā)明圖像分割方法的流程圖；
【具體實(shí)施方式】
[0018]下面結(jié)合附圖，對(duì)本發(fā)明提出的一種圖像分割方法進(jìn)行詳細(xì)說明:
[0019]如圖1所示，本發(fā)明的圖像分割方法，其步驟如下
[0020]步驟101，輸入彩色圖像，隨機(jī)選擇其中一部分用于后續(xù)分類器的訓(xùn)練，剩余的用于測(cè)試分類器；
[0021]步驟102，用歸一化分割算法將步驟101得到的彩色圖像過分割成超像素圖像；
[0022]步驟103，根據(jù)人眼的完形線索定義，對(duì)步驟102得到的超像素圖像提取特征向量，其分量分別描述輪廓、結(jié)構(gòu)、光照度和好的連續(xù)性；
[0023]步驟104，用步驟103得到的特征向量訓(xùn)練一個(gè)簡(jiǎn)單的線性分類器；
[0024]步驟105，對(duì)步驟104中訓(xùn)練好的分類器進(jìn)行測(cè)試，采用一個(gè)簡(jiǎn)單算法隨機(jī)搜索好的分割。
[0025]下面結(jié)合圖1詳細(xì)說明本發(fā)明的基于兩類分類模型的圖像分割方法。
[0026]1.歸一化分割
[0027]預(yù)處理階段是把像素分組為“超像素”。這一初步分組的動(dòng)機(jī)是:(1)像素不是自然的實(shí)體；它們僅僅是圖像的離散表示的結(jié)果；(2)即使在中等分辨率水平上像素?cái)?shù)量也是高的，使得在這個(gè)像素水平上難以優(yōu)化。在這里“超像素”是局部的、連貫的，并保留大部分必須的結(jié)構(gòu)需要用于在感興趣的范圍內(nèi)的分割。
[0028]本方法采用歸一化分割算法產(chǎn)生超像素圖像。關(guān)聯(lián)矩陣只具有局部連接。超像素的大小和形狀大致是均勻的，這一點(diǎn)有助于簡(jiǎn)化后續(xù)步驟中的計(jì)算。雖然人工分割中的一些結(jié)構(gòu)丟失了，但是它們通常是次要的細(xì)節(jié)，在規(guī)模上要比我們所感興趣的對(duì)象部分小得多。重建后的分割是原來圖像的一個(gè)很好的近似。
[0029]2.提取線索特征
[0030]一個(gè)分割是部分的集合。要回答“什么是一個(gè)好的分割？ ”，我們需要首先回答“好的部分是什么？ ”下面將定義部分的特征集，評(píng)估這些特征的實(shí)用性，從它們中訓(xùn)練一個(gè)分類器。
[0031]對(duì)于靜止圖像，人眼完形線索包括臨近性、相似性、好的連續(xù)性(曲線連續(xù)性)、閉包性、對(duì)稱性和并行性。在本方法中，對(duì)于一個(gè)部分S我們定義如下的特征h:區(qū)域間的結(jié)構(gòu)相似性I；xt(s);區(qū)域內(nèi)的結(jié)構(gòu)相似性Tint(S);區(qū)域間的亮度相似性BMt(S);區(qū)域內(nèi)的亮度相似性US);區(qū)域間的輪廓能量Eext(S);區(qū)域內(nèi)的輪廓能量Eint⑶；曲線連續(xù)性C(S)。
[0032](1)結(jié)構(gòu)相似性
[0033]對(duì)于結(jié)構(gòu)線索，遵循基元分析的可判別框架。首先用多方向?yàn)V波器對(duì)圖像做卷積?；跒V波器輸出的矢量量化，像素聚類成若干基元通道。這就給了我們每個(gè)區(qū)域的描述，即在其支持下的基元的分布。兩個(gè)區(qū)域的紋理差異可以用兩個(gè)直方圖之間的X2距離度量。在濾波階段做了一點(diǎn)修改:當(dāng)將一堆濾波器應(yīng)用于圖像時(shí)，需要將濾波器支持的范圍限制在一個(gè)單一的超像素中。
[0034]下一步，把X2距離轉(zhuǎn)換成對(duì)數(shù)似然比。令Ω.。表示所有出現(xiàn)在人工分割中相同部分的超像素對(duì)pairS(qi，q2)的集合，Ω diff表示所有出現(xiàn)在人工分割中不同部分的超像素對(duì)的集合。對(duì)Ω.。中的所有成對(duì)超像素，計(jì)算出X2距離dT，并且用Psam。表示X2距離的分布。類似的，得到Pdiff，作為Qdiff上的X 2距離的分布。$dT(q，S)為超像素q的結(jié)構(gòu)直方圖和一個(gè)部分S之間的X2距離。q和S之間的結(jié)構(gòu)相似性定義為:
[0035]
【權(quán)利要求】
1.一種圖像分割方法，其特征在于，包括如下步驟: 步驟A，采集彩色圖像； 步驟B，將步驟A得到的彩色圖像過分割成超像素圖像； 步驟C，對(duì)步驟B得到的超像素圖像提取特征向量，所述特征向量包括輪廓、紋理、亮度和連續(xù)性； 步驟D，用步驟C得到的特征向量訓(xùn)練一個(gè)邏輯斯蒂回歸分類器，學(xué)習(xí)經(jīng)過分割的圖像庫(kù)； 步驟E，對(duì)步驟D得到的訓(xùn)練好的分類器進(jìn)行測(cè)試，采用基于模擬退火算法的隨機(jī)搜索策略進(jìn)行分割。
2.根據(jù)權(quán)利要求1所述的一種基于兩類分類模型的圖像分割方法，其特征在于，步驟C中，所述提取特征向量的過程如下: 步驟C-1，用多方向?yàn)V波器對(duì)步驟B得到的超像素圖像做卷積，基于濾波器輸出的矢量量化，像素聚類成若干基元通道，統(tǒng)計(jì)每個(gè)區(qū)域的基元分布，用X 2距離度量計(jì)算區(qū)域間和區(qū)域內(nèi)的結(jié)構(gòu)相似性； 步驟C-2，對(duì)步驟B得到的超像素圖像中的每個(gè)區(qū)域統(tǒng)計(jì)亮度直方圖，用X2距離度量計(jì)算區(qū)域間和區(qū)域內(nèi)的亮度相似性； 步驟C-3，對(duì)步驟B得到的超像素圖像上的每一個(gè)超像素計(jì)算方向能量，通過非線性變換將方向能量轉(zhuǎn)換成局部歸一化的輪廓度，計(jì)算區(qū)域邊界上所有超像素的局部歸一化的輪廓度總和，該總和即為區(qū)域間的輪廓能量；計(jì)算區(qū)域內(nèi)部所有超像素的局部歸一化的輪廓度總和，該總和即為區(qū)域內(nèi)的輪廓能量； 步驟C-4，對(duì)步驟B得到的超像素圖像上每個(gè)區(qū)域邊界上的每一對(duì)相鄰的超像素計(jì)算正切變化，統(tǒng)計(jì)正切變化分布直方圖，計(jì)算曲線連續(xù)性并規(guī)范化。
【文檔編號(hào)】G06T7/00GK103679719SQ201310659969
【公開日】2014年3月26日 申請(qǐng)日期:2013年12月6日 優(yōu)先權(quán)日:2013年12月6日
【發(fā)明者】王敏 申請(qǐng)人:河海大學(xué)