CN102799884B - 一种基于格式塔规则的图像目标轮廓提取方法 - Google Patents

Abstract

一种基于格式塔规则的图像目标轮廓提取方法，它有五大步骤：一、根据由Canny图像边缘检测算法，生成图像的边缘数据，得到目标轮廓的候选边缘集，用与图像像素点相同的二维矩阵储存；二、依据二维矩阵元素对应的像素点取3邻域的平均值，减去整个二维矩阵的元素平均值，得到边缘的特征串进行存储；三、根据边缘特征串投影到图像平面的强度，通过一个阈值选择10-15%的候选边缘作为轮廓提取数据集，作为轮廓提取的特征量用二维矩阵储存，此二维矩阵储存量最大可为约减前的1/100；四、对候选的边缘进行编组，形成目标轮廓：五、根据四的方法提取图像中的闭合轮廓的概率，选择其中闭合环概率大的环作为目标轮廓。

Description

一种基于格式塔规则的图像目标轮廓提取方法

技术领域

本发明涉及一种基于格式塔规则的图像目标轮廓提取方法，具体来说，它是在数字图像中提取目标的轮廓技术。属于数字图像识别技术领域。

背景技术

轮廓编组是将目标表示为由顶点和边缘进行编码的闭合几何形状，其中边缘定义了各连接部分的分界，边缘将同质的二维区域与背景区分开。目标轮廓提取是图像识别和机器视觉领域中的一个基本问题，将图像的目标轮廓特征提取出来，作为后续目标识别和图像过滤的特征之一。由于数字图像特征定义上不具有统一标准,目标的多样性和不确定性使得在轮廓提取算法成为一种处于滞后的状态。

传统的数字图像轮廓提取都是依据几何空间关系或者人工标注实现，但是由于依据几何空间关系提取轮廓没有考虑视觉特征，轮廓具有二义性，人工检测效率低下，从而导致目标识别和图像过滤效率低、错误率高。

发明内容

本发明针对数字图像目标轮廓提取中存在的问题，目的在于提供一种基于格式塔规则的图像目标轮廓提取方法。本发明通过图像和背景分割，将视知觉组织的格式塔规则引入到轮廓提取中，提高提取轮廓的完整性，实现满足视觉的轮廓提取。同时缩小搜索空间，实现了数字图像的轮廓提取的高效率，高自动化。

图1为本发明工作示意图，在底层边缘和目标轮廓按照以下方法构建：第一层1D边缘编组算法按照接近律、相似律及连续律进行边缘编组。接近律与其它格式塔视知觉编组规则相比起着特殊的作用，是其它1D编组规则的基础。第二层编组线索由平行律和对称律度量，涉及两个一维集合没有封闭目标区域，定义为2×1D级。在视知觉上属于2×1D的边缘更有可能属于同一目标轮廓，具有视知觉一致性。第三层的封闭性定义为2D级。

轮廓编组过程如图2所示：编组方式如图中圆描述，层之间的粗箭头表示轮廓提取时的数据流。2×1D编组规则处于边缘特征和高层封闭轮廓的中间层，具有视知觉属性一致性。在轮廓编组时依据2×1D线索调整1D的编组过程，最终完成边缘编组，提取轮廓提取。

本发明的技术方案为：

一种基于格式塔规则的图像目标轮廓提取方法，该方法具体步骤如下：

步骤一：根据由Canny图像边缘检测算法，生成图像的边缘，得到目标轮廓的候选边缘集合，用二维稀疏矩阵A储存边缘信息，矩阵的二维信息分别表示图像的长宽，边缘点用灰度值表示，非边缘点用0表示；

步骤二：计算二维稀疏矩阵元素的3非零邻域均值，减去整个二稀疏维矩阵的所有非零元素均值，如果大于0，则记为1，否则记为0，将二维稀疏矩阵转换为二维稀疏的关系矩阵，最终得到的二维稀疏关系矩阵B。矩阵B通常对应图像的压缩率可达95%以上，例如10M的图像，其二维稀疏关系矩阵B存储量小于500K；

步骤三：根据二维稀疏关系矩阵B的边缘投影到图像平面的强度，通过阈值选择10-15%的候选边缘作为轮廓提取数据集，轮廓边缘候选集二维稀疏关系矩阵C储存，此二维稀疏关系矩阵储存量可达原始图像大小的1/100，，例如10M的图像，二维稀疏关系矩阵C储存量小于100K；

步骤四：对二维稀疏关系矩阵C重复以下步骤进行编组，形成目标轮廓：

a)依据1D编组规则，生成初步轮廓

i.选取轮廓候选边缘的边缘作为种子，默认情况下随即选择，可通过模版设置：投影到图像平面的强度最大边缘，边缘特征串最长的边缘或两者组合方式。

ii.生成轮廓图：依据格式塔规则的接近律、相似律及连续律进行初步目标轮廓。

[1]在候选边缘集中按照接近律选择小于平均接近度的边缘，建立以种子边缘为树根节点，以候选边缘为分支的伪树结构，构造轮廓图。与正常的图状结构相比，当边缘大于1个分支、小于3个分支返回到种子边缘情况下，轮廓图生长终止，得到轮廓图A。

[2]修剪轮廓图：按照连续律（连续律对直线类型边缘来说体现为共线律，对弧型边缘体现为共曲律）和相似律（相似律为边缘的像素的颜色的相似性）进行修剪轮廓图，得到轮廓图B。

iii.求取封闭轮廓：

[1]首先将封闭轮廓求取转换为有向图中计算概率最大的环，构造稀疏带权重有向图G，边缘用图顶点表示，弧表示编组线索，连接权重W是不同边缘属于同一轮廓概率。

[2]依据编组规则将候选边缘集划分为若干编组，图中的环L对应封闭轮廓，线索为闭合轮廓经过该边缘概率。组成轮廓的边缘序列是简单的边缘概率乘。

[3]边缘序列可能性最大问题表达为每个环路连接概率性对数绝对值最小化问题。得到有向图的环路概率P_L（不是所有的边缘都位于一个环路上。可能一个边缘处于多个环路上，每一个环路至少对应于图像一个边缘形成最好的封闭轮廓）。

b)依据2×1D编组规则，生成优化轮廓，按照下列步骤对应边缘进行优化。

i.在闭合环路上，计算边缘序列的两条边缘的平行律和对称性构建优化关系矩阵，关系矩阵第i行是边缘e_i与其它边缘对称性概率。

$S=\left[\begin{array}{c}{s}_{\mathrm{1,1}}{s}_{\mathrm{1,2}}...s_{1,n}\\ ...\\ s_{i,1}{s}_{i,2}...s_{i,n}\\ ...\\ s_{n,1}{s}_{n,2}...s_{n,n}\end{array}\right]$

ii.在有向图上环边缘序列替换满足条件的边缘的概率

e_i∈{e}∪e_j∈{e}∪S(e_ie_j)≠0

$\log p(e_i\→e_x)=\log p(e_j\→e_y)=s_{e_i{e}_j}$

iii.同时减少环路上弧的数量对概率的影响情况下，得到闭合轮廓的闭合程度。

C_m＝max(log p(e₁→...→e_n))^1/n

其中，上述各公式中的符号说明如下：S为关系矩阵，s_i，j为边缘i和边缘j的对称律概率，C_m为闭合轮廓的概率。

c)返回步骤a）。

步骤五：根据步骤四的方法提取图像中的闭合轮廓的概率，选择其中闭合环概率大的环作为目标轮廓。

优点及功效：与现有技术相比，本发明的有益效果是：获取的图像目标轮廓速度快，因为在不影响轮廓提取效果的情况下，采用约减方式选择10-15%的边缘作为轮廓候选边缘，避免了对大量琐碎边缘的处理，大大加快了轮廓提取的速度；利用格式塔规则，按照层次方法提取目标轮廓关键信息，该算法相比同类的编组算法抗噪声更强，轮廓与人类视觉相符。

附图说明

图1示例性的描述了本发明的轮廓提取示意图；

图2示例性的描述了本发明的处理流程图。

图中，S1—S8为流程序号。

具体实施方式

在本例中，通过图像的目标轮廓特征与图像的其它特征建立的关联关系，以提供常规图像过滤和识别功能的综合图像处理特征。一种基于格式塔规则的图像目标轮廓提取方法，其步骤如图2所示，具体步骤为：

步骤一：根据由Canny图像边缘检测算法，生成图像的边缘，得到目标轮廓的候选边缘集合，用二维稀疏矩阵A储存边缘信息，矩阵的二维信息分别表示图像的长宽，边缘点用灰度值表示，非边缘点用0表示；

步骤二：计算二维稀疏矩阵元素的3非零邻域均值，减去整个二稀疏维矩阵的所有非零元素均值，如果大于0，则记为1，否则记为0，将二维稀疏矩阵转换为二维稀疏的关系矩阵，最终得到的二维稀疏关系矩阵B。矩阵B通常对应图像的压缩率可达95%以上，例如10M的图像，其二维稀疏关系矩阵B存储量小于500K；

步骤三：根据二维稀疏关系矩阵B的边缘投影到图像平面的强度，通过阈值选择10-15%的候选边缘作为轮廓提取数据集，轮廓边缘候选集二维稀疏关系矩阵C储存，此二维稀疏关系矩阵储存量可达原始图像大小的1/100，，例如10M的图像，二维稀疏关系矩阵C储存量小于100K；

步骤四：对二维稀疏关系矩阵C重复以下步骤进行编组，形成目标轮廓：

d)依据1D编组规则，生成初步轮廓

i.选取轮廓候选边缘的边缘作为种子，默认情况下随即选择，可通过模版设置：投影到图像平面的强度最大边缘，边缘特征串最长的边缘或两者组合方式。

ii.生成轮廓图：依据格式塔规则的接近律、相似律及连续律进行初步目标轮廓。

[1]在候选边缘集中按照接近律选择小于平均接近度的边缘，建立以种子边缘为树根节点，以候选边缘为分支的伪树结构，构造轮廓图。与正常的图状构相比，当边缘大于1个分支、小于3个分支返回到种子边缘情况下，轮廓图生长终止，得到轮廓图A。

[2]修剪轮廓图：按照连续律（连续律对直线类型边缘来说体现为共线律，对弧型边缘体现为共曲律）和相似律（相似律为边缘的像素的颜色的相似性）进行修剪轮廓图，得到轮廓图B。

iii.求取封闭轮廓：

[1]首先将封闭轮廓求取转换为有向图中计算概率最大的环，构造稀疏带权重有向图G，边缘用图顶点表示，弧表示编组线索，连接权重W是不同边缘属于同一轮廓概率。

[2]依据编组规则将候选边缘集划分为若干编组，图中的环L对应封闭轮廓，线索为闭合轮廓经过该边缘概率。组成轮廓的边缘序列是简单的边缘概率乘。

[3]边缘序列可能性最大问题表达为每个环路连接概率性对数绝对值最小化问题。得到有向图的环路概率P_L（不是所有的边缘都位于一个环路上。可能一个边缘处于多个环路上，每一个环路至少对应于图像一个边缘形成最好的封闭轮廓）。

e)依据2×1D编组规则，生成优化轮廓，按照下列步骤对应边缘进行优化。

i.在闭合环路上，计算边缘序列的两条边缘的平行律和对称性构建优化关系矩阵，关系矩阵第i行是边缘e_i与其它边缘对称性概率。

$S=\left[\begin{array}{c}{s}_{\mathrm{1,1}}{s}_{\mathrm{1,2}}...s_{1,n}\\ ...\\ s_{i,1}{s}_{i,2}...s_{i,n}\\ ...\\ s_{n,1}{s}_{n,2}...s_{n,n}\end{array}\right]$

ii.在有向图上环边缘序列替换满足条件的边缘的概率

e_i∈{e}∪e_j∈{e}∪S(e_ie_j)≠0

$\log p(e_i\→e_x)=\log p(e_j\→e_y)=s_{e_i{e}_j}$

iii.同时减少环路上弧的数量对概率的影响情况下，得到闭合轮廓的闭合程度。

C_m＝max(logp(e₁→...→e_n))^1/n

其中，上述各公式中的符号说明如下：S为关系矩阵，s_i，j为边缘i和边缘j的对称律概率，C_m为闭合轮廓的概率。

f)返回步骤a）。

步骤五：根据步骤四的方法提取图像中的闭合轮廓的概率，选择其中闭合环概率大的环作为目标轮廓。

应当理解的是，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，可以做出各种可能的等同或替换，而所有这些改变或替换都应属于本发明的保护范围。

Claims (1)

1.一种基于格式塔规则的图像目标轮廓提取方法，其特征在于：该方法具体步骤如下：

步骤一：根据由Canny图像边缘检测算法，生成图像的边缘，得到目标轮廓的候选边缘集合，用二维稀疏矩阵A储存边缘信息，二维稀疏矩阵A的二维信息分别表示图像的长宽，边缘点用灰度值表示，非边缘点用0表示；

步骤二：计算二维稀疏矩阵A元素的3×3非零邻域均值，减去整个二维稀疏矩阵A的所有非零元素均值，如果大于0，则记为1，否则记为0，将二维稀疏矩阵转换为二维稀疏关系矩阵，最终得到二维稀疏关系矩阵B；二维稀疏关系矩阵B对应图像的压缩率达95％以上，10M的图像，其二维稀疏关系矩阵B存储量小于500K；

步骤三：根据二维稀疏关系矩阵B的边缘投影到图像平面的强度，通过阈值选择10-15％的候选边缘作为轮廓提取数据集，轮廓边缘候选集用二维稀疏关系矩阵C储存，此二维稀疏关系矩阵C储存量达原始图像大小的1/100，10M的图像，二维稀疏关系矩阵C储存量小于100K；

步骤四：对二维稀疏关系矩阵C重复以下步骤进行编组，形成目标轮廓：

a)依据1D编组规则，生成初步轮廓；

i.选取轮廓候选边缘的边缘作为种子，默认情况下随机选择，通过模版设置：投影到图像平面的强度最大边缘，边缘特征串最长的边缘或两者组合方式；

ii.生成轮廓图：依据格式塔规则中的1D编组规则进行编组；

[1]在候选边缘集中按照接近律选择小于平均接近度的边缘，建立以种子边缘为树根节点，以候选边缘为分支的伪树结构，构造轮廓图；与正常的图状结构相比，当边缘大于1个分支、小于3个分支返回到种子边缘情况下，轮廓图生长终止，得到轮廓图A；

[2]修剪轮廓图：按照连续律和相似律进行修剪轮廓图A，得到轮廓图B；

iii.求取封闭轮廓：

[1]首先将封闭轮廓求取转换为有向图中计算概率最大的环，构造稀疏带权重有向图G，边缘用图顶点表示，弧表示编组线索，连接权重W是不同边缘属于同一轮廓概率；

[2]依据1D编组规则将候选边缘集划分为若干编组，图中的环L对应封闭轮廓，线索为闭合轮廓经过边缘概率；组成轮廓的边缘序列是简单的边缘概率乘；

[3]边缘序列可能性最大问题表达为每个环路连接概率性对数绝对值最小化问题，得到有向图的环路概率P_L，不是所有的边缘都位于一个环路上；也有一个边缘处于多个环路上，每一个环路至少对应于图像一个边缘形成最好的封闭轮廓；

b)依据2×1D编组规则，生成优化轮廓，按照下列步骤对边缘进行优化；

i.在闭合环路上，计算边缘序列的两条边缘的平行律和对称性构建优化关系矩阵s，关系矩阵s第i行是边缘e_i与其它边缘对称性概率；

$S=\left[\begin{array}{c}{s}_{\mathrm{1,1}}{s}_{\mathrm{1,2}}\·\·\·s_{1,n}\\ \·\·\·\\ s_{i,1}{s}_{i,2}\·\·\·s_{i,n}\\ \·\·\·\\ s_{n,1}{s}_{n,2}\·\·\·s_{n,n}\end{array}\right]$

ii.在有向图上环边缘序列替换满足条件的边缘的概率

e_j∈{e}∪e_j∈{e}∪S(e_ie_j)≠0

$\log p(e_i\→e_x)=\log p(e_j\→e_y)=s_{e_i{e}_j}$

iii.同时减少环路上弧的数量对概率的影响情况下，得到闭合轮廓的闭合程度；

C_m＝max(logp(e₁→...→e_n))^1/n

其中，上述各公式中的符号说明如下：S为关系矩阵，s_i,j为边缘i和边缘j的对称律概率，C_m为闭合轮廓的概率；

c)返回步骤a)；

步骤五：根据步骤四的方法提取图像中的闭合轮廓的概率，选择其中闭合环概率大的环作为目标轮廓。