CN101710418A - 基于测地距离的交互方式图象分割方法 - Google Patents

Abstract

本发明公开了一种基于测地距离的交互方式图象分割方法，首先通过用户交互方式，提取图像先验信息；其次利用图像先验信息构造前景信息和背景信息概率模型，利用概率模型计算每个像素前景概率；然后利用前景概率变化梯度分别计算每个像素到达前景像素和背景像素的测地距离，通过比较两个距离最终完成整个图像分割。该方法图像分割用户操作少，用户只需要在图像大致用划线标出属于前景部分和属于背景部分，且对用户使用时的限制少，使用方式简单。通过聚类后估计出概率模型，提高了模型的精度，得到准确的概率值，形成满意的分割结果。

Description

基于测地距离的交互方式图象分割方法

技术领域

本发明属于智能信息处理技术领域，具体地说是涉及到一种基于测地距离的交互方式图象分割方法。

背景技术

随着计算机网络及多媒体技术的应用和普及，数码相机和数码摄像机等数码设备已经走进了普通家庭，图像已经成为信息交换和处理重要形式。在这个需要个性张扬的时代，人们对相片处理的要求已经不再局限于记录下事物原貌，更希望通过自己的处理来创作出属于自己的个性照片。而传统的图像处理技术，操作步骤复杂难以理解，对于普通用户来说难以掌握，或是操作简单，如photoshop中的魔笔只能一次去除一种颜色，得到的操作结果差强人意。针对这些问题，迫切需要一个能够简化用户操作，同时能得到满意结果的分割方法。

发明内容

针对现有技术存在的缺点和不足，本发明的目的提出了一种基于测地距离的交互方式图象分割方法，该方法不仅操作简单，而且能够得到满意的分割结果。

为了达到上述目的，本发明采用的技术方案如下，首先通过用户交互方式采集待处理图像，提取图像的先验信息；其次，利用图像的先验信息构造前景信息和背景信息的概率模型，利用概率模型计算每个像素前景概率；然后利用前景概率的变化梯度分别计算每个像素到达前景像素和背景像素的测地距离，通过比较两个测地距离确定该像素点属于前景像素或背景像素，提取感兴趣对象，最终完成整个图像分割，其具体步骤如下：

A、用户交互方式采集待处理的图像，并在图像上标示出前景区域和背景区域，提取前景图像和背景图像的先验信息；

B、计算图像像素前景概率；

C、比较测地距离，前景距离D_F(x)和背景距离D_B(x)，确定属于前景的像素点，完成图像分割。

本发明的基于测地距离的交互方式图象分割方法与现有技术相比具有以下优点：该方法图像分割用户操作少，用户只需要在图像大致用划线标出属于前景的部分和属于背景的部分，且对用户使用时的限制少，使用方式简单；通过用户交互方式采集待处理的图像，并在图像上标示出前景区域和背景区域，提取前景图像和背景图像的先验信息，聚类后估计出概率模型，提高了模型的精度，进而利用模型能得到较准确的概率值，最终形成满意的分割结果。

附图说明

图1是本发明的基于测地距离的交互方式图象分割方法的流程图；

图2a是预处理图像，红线标示前景区域，蓝线标示背景区域；

图2b是用经过划线处理的图像，其中，红线标示前景区域，蓝线标示背景区域；

图3a前景划线图，图片中的白色区域是提取出的前景用户划线；

图3b背景划线图，图片中白色区域对应于背景用户划线；

图4a是前景像素点的直方图，其中，横轴表示像素值，纵轴表示像素点个数，整个直方图表示在采样像素点中像素值在对应区间的像素点个数。通过直方图，找到包含像素点最多的区间，计算该区间内包含的像素点的颜色均值，作为下一步构造概率模型的初始中心；

图4b是背景像素点的直方图；

图5a是对应前景概率模型的概率图，红色代表概率值大，蓝色表示概率值小；

图5b是对应背景概率模型的概率图；

图6是前景概率图，由前景概率和背景概率，通过计算每个像素点上前景概率占前景概率和背景概率总和的比例，得到每个像素点属于前景的概率。红色表示概率值大，蓝色表示概率值小；

图7是概率的权值图，在计算侧地距离时，由于相邻像素点属于前景概率值的变化，用相邻像素点概率值的变化对两像素点间的几何距离进行加权。权值图显示出了像素点间概率值的变化程度。红色表示概率值变化比较大，蓝色表示概率值变化小；

图8a是前景距离图，表示每个像素点的前景距离，红色表示距离值大，蓝色表示距离值小；

图8b是背景距离图，表示每个像素点的背景距离；

图9是最终的分割结果图，对图像中的每一个像素点，比较前景距离和背景距离，将前景距离比背景距离小的像素点划分到前景像素，显示前景像素中的所有像素点，得到最终的分割结果图；

图10是采用本发明的方法的其他分割结果图。

具体实施方式

以下结合附图对本发明的实施例作进一步的详细描述。

本发明的基于测地距离的交互方式图象分割方法，通过用户交互采集图像的信息，利用已得到的信息估计图像中像素点的前景概率和背景概率，由前景概率和背景概率进而计算所有像素点属于前景的概率。利用该概率的变化率作为相邻像素间的权值，分别计算每个像素点到达前景像素和背景像素的测地距离，通过比较两个测地距离来确定该像素点属于前景或背景，最终完成整个图像的分割，本实施在CPU为1.66GHz、内存1024M的PC测试平台上编程实现，给出了处理过程中的一些结果，如图1所示，其具体步骤如下：

A、用户交互方式采集待处理的图像，并在图像上标示出前景区域和背景区域，如图2a所示待处理图像，如图2b所示红线标示前景区域，蓝线标示背景区域，提取前景图像和背景图像的先验信息，如图3a中显示采集到的用户前景划线，图3b中显示采集到的用户背景划线。

B、计算图像像素前景概率；

像素点的前景概率的准确性直接关系到最终的分割结果，而前景概率是由前景和背景的概率模型得到的，所以前景概率模型和背景概率模型估计的准确性将影响到最终的分割结果。在前景像素点内部相同的颜色具有相同的灰度值。

首先对提取的前景图像和背景图像的先验信息进行灰度直方图处理，找到其中三个包含像素点最多的像素值区间，分别计算这三个区间内像素点颜色值的均值；其次，以这三个均值作为中心对前景信息和背景信息进行聚类；然后，以生成的聚类为基础做颜色概率模型的估计，计算图像像素前景概率；其具体如下：

通过取直方图，找到包含像素点最多的三个分段，计算该三段的像素点颜色的均值，以均值作为聚类算法的初始中心；通过初始中心对原像素点进行聚类，能得到较好的聚类结果。对聚类结果分别用高斯混合模型表示如公式3、4、5、6，利用公式7计算前景概率，能提高前景概率计算的准确性，其具体步骤如下：

B1、计算初始聚类中心位置

将原前景图像和背景图像转化成灰度图，并根据两个前景图像和背景图像的先验信息找到对应点的灰度值分别保存；对保存的灰度值进行分类，本方法采用每10个灰度级为区间，取像素点最多的三个区间；在每个区间中读取像素点的位置，统计对应像素位置上的颜色值，保持三个颜色信道的独立性，采用L，a，b颜色空间。计算这部分像素的颜色平均值，作为下一步聚类算法的初始中心位置，如图4a中显示前景信息的灰度直方图，图4b中显示背景信息的灰度直方图；

B2、利用K-means算法基于上一步得到的初始中心，分别对前景像素和背景像素进行聚类。以前景信息为例，像素点数为N，聚类后分为三类像素点R1，R2和R3，包含的像素点数分别为k1，k2和k3。计算每类的均值m和协方差c：

$m_1=\underset{1}{\overset{k_1}{\mathrm{\Σ}}}{R}_1/k_1---\left(1\right)$

c₁＝(R₁-m₁)^T·(R₁-m₁)/k₁    (2)

建立R1概率模型，利用R1概率模型计算像素点概率：

p(x|R₁)＝(2π)^-d/2·(c₁)^-1/2·exp[-1/2·(x-m₁)^T·c₁·(x-m₁)]    (3)

R1在前景像素中的概率：

p(R₁)＝k₁/N    (4)

任一像素点颜色值x的前景概率：

$p\left(x\right|F)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}p\left(R_i\right)\·p\left(x\right|R_i)\underset{\‾}{R_i\∈\mathrm{fpixel}}---\left(5\right)$

任一像素点颜色值x背景的概率：

$p\left(x\right|B)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}p\left(R_i\right)\·p\left(x\right|R_i)R_i\∈\mathrm{bpixel}$

B3、像素点属于前景的概率：

p(x)＝p(x|F)/(p(x|B)+p(x|F))    (7)

C、比较测地距离，前景距离D_F(x)和背景距离D_B(x)，确定属于前景的像素点，完成图像分割：

将相邻像素点属于前景的概率变化率作为相邻像素的权值；通过权值在不同路径上的积分计算测地距离；比较任一像素点到前景的测地距离和到背景的测地距离，确定像素点属于前景区域或背景区域，其具体步骤如下：

C1、测地距离的定义：

从像素点x到前景划线的前景距离定义为：

前景距离：

D_F(x)＝mind(s，x)  s∈fpixel    (8)

从像素点x到背景划线的背景距离定义为：

D_B(x)＝mind(s，x)  s∈bpixel    (9)

其中：图像中任意两点之间的距离：

$d(s_1,s_2)=\underset{C_{s1,s2}}{\min }{\∫}_{s_1|W\left(x\right)\·C_{s1,s2}\left(x\right)|\mathrm{dx}---\left(10\right)}^{s_2}$

C_s1，s2(x)是连接像素点s1和s2的一条路径，W(x)对应路径上的权值，选取前景概率变化率作为权值，如图7，在前景内部和背景内部权值变化不大，在前景边缘权值变化大。

C2、计算测地距离：

在离散情况下，d(s1，s2)可近似为：

$d(s_1,s_2)=\underset{C_{s1,s2}}{\min }\underset{x,y}{\mathrm{\Σ}}{W}_{\mathrm{xy}},$

W_xy＝|p(x)-p(y)|，x，y∈C_s1，s2    (12)

进而计算前景距离D_F(x)和背景距离D_B(x)，如图8a表示每个像素点的前景距离；图8b表示每个像素点的背景距离。

C3、比较前景距离D_F(x)和背景距离D_B(x)确定属于前景的像素点，完成图像分割：

在前景内部的像素点由于同属于前景颜色相近颜色变化不大，这样在前景内部前景概率值p(x)变化不大，就会产生较小权值W。在前景和背景边缘由于前景和背景相差较大，前景概率值变化大，产生较大的权值W。从而对于前景内部像素点，路径C不穿过边缘，不经过权值大的部分产生较小的前景距离值D_F(x)；计算背景距离D_B(x)时路径穿过边缘，就会产生较大的背景距离值D_B(x)。背景内的像素点具有小的背景距离D_B(x)较大的前景距离D_F(x)，因此通过判断前景距离和背景距离的大小来确定属于前景的像素点。

Ω_F＝{x|D_F(x)≤D_B(x)}    (13)

输出显示时，只显示属于前景的像素点，完成图像分割。

通过ABC三个步骤即可完成对感兴趣对象的提取，将对象从背景中分割出来。

以下给出本发明的基于测地距离的交互方式图象分割方法的实例。图4至图10是处理过程中给出的相应结果。下面结合程序流程图来进行各部分试验的说明。

试验：该试验方法主要分为三部分。根据图1所示的流程图：首先通过用户交互操作提取图像的先验信息，然后由先验信息估计出概率模型并利用概率模型计算像素点的前景概率，最后用像素点的前景概率计算测地距离，用测地距离完成对图像的分割，图2b对应用户的交互操作。图4a、4b对应划线像素点取直方图的结果。图5a、5b为对划线使用高斯混合模型表示后计算得到的像素点属于前景的概率和属于背景的概率。图6为计算得到的前景概率。图8a、8b表示像素点的前景距离和背景距离。图9为最终的分割结果。

可以看出：本方法只需要用户大致用划线标示出物体和背景，大大减少了用户操作的复杂度和步骤，同时能得到满意的分割结果。

采用本发明的方法还分别对草莓、马、狗从图片中分割出来的试验，通过红色划线分别标示出感兴趣的对象——草莓、马、狗，通过蓝色标示出我们要除去的背景，采集这些先验信息，建立概率模型，计算并比较测地距离，同样能得到满意的分割结果，如图10所示。

Claims (3)

1.一种基于测地距离的交互方式图象分割方法，其特征在于，首先通过用户交互方式采集待处理图像，提取图像的先验信息；其次，利用图像的先验信息构造前景信息和背景信息的概率模型，利用概率模型计算每个像素前景概率；然后利用前景概率的变化梯度分别计算每个像素到达前景像素和背景像素的测地距离，通过比较两个测地距离确定该像素点属于前景像素或背景像素，提取感兴趣对象，最终完成整个图像分割。其具体步骤如下：

A、用户交互方式采集待处理的图像，并在图像上标示出前景区域和背景区域，提取前景图像和背景图像的先验信息；

B、计算图像像素前景概率；

C、比较前景距离D_F(x)和背景距离D_B(x)，确定属于前景的像素点，完成图像分割。

2.根据权利要求1所述的基于测地距离的交互方式图象分割方法，其特征在于，上述步骤B所述的计算图像像素前景概率，其具体步骤如下：

B1、计算初始聚类中心位置

将原前景图像和背景图像转化成灰度图，并根据两个前景图像和背景图像的先验信息找到对应点的灰度值分别保存；对保存的灰度值进行分类，本方法采用每10个灰度级为一区间，取像素点最多的三个区间；分别在三个区间中读取像素点的位置，统计对应像素位置上的颜色值，计算这些像素的颜色平均值，作为下一步聚类算法的初始中心位置；

B2、利用K-means算法基于上一步得到的初始中心，分别对提取的进行聚类。以前景先验信息为例，像素点数为N，聚类后分为三类像素点R1，R2和R3，包含的像素点数分别为k1，k2和k3。计算每类的均值和协方差：

$m_1=\underset{1}{\overset{k_1}{\mathrm{\Σ}}}{R}_1/k_1---\left(1\right)$

c₁＝(R₁-m₁)^T·(R₁-m₁)/k₁        (2)

建立对应分类R1的高斯模型计算像素点的前景概率：

p(x|R₁)＝(2π)^-d/2·(c₁)^-1/2·exp[-1/2·(x-m₁)^T·c₁·(x-m₁)]    (3)

R1在前景像素中的概率：

p(R₁)＝k₁/N    (4)

任一像素点颜色值x属于前景的概率为：

$p\left(x\right|F)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}p\left(R_i\right)\·p\left(x\right|R_i),R_i\∈\mathrm{fpixel}---\left(5\right)$

任一像素点颜色值x属于背景的概率为：

$p\left(x\right|B)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}p\left(R_i\right)\·p\left(x\right|R_i),R_i\∈\mathrm{bpixel}---\left(6\right)$

B3、像素点属于前景的概率为：

p(x)＝p(x|F)/(p(x|B)+p(x|F))        (7)

3.根据权利要求2所述的基于测地距离的交互方式图象分割方法，其特征在于，上述步骤C所述的比较前景距离D_F(x)和背景距离D_B(x)，确定属于前景的像素点，完成图像分割，其具体步骤如下：。

C1、测地距离的定义：

前景距离：

D_F(x)＝mind(s，x)    s∈fpixel        (8)

背景距离：

D_B(x)＝mind(s，x)    s∈bpixel    (9)

其中：图像中任意两点之间的距离：

$d(s_1,s_2)=\underset{C_{s1,s2}}{\min }{\∫}_{s_1}^{s_2}|W\left(x\right)\·C_{s1,s2}\left(x\right)|\mathrm{dx}---\left(10\right)$

C_s1，s2(x)是连接像素点s1和s2的一条路径，W(x)对应路径上的权值，选取前景概率变化率作为权值；

C2、计算测地距离：在离散情况下，d(s1，s2)可近似为：

$d(s_1,s_2)=\underset{C_{s1,s2}}{\min }\underset{x,y}{\mathrm{\Σ}}{W}_{\mathrm{xy}},---\left(11\right)$

W_xy＝|p(x)-p(y)|，x，y∈C_s1，s2    (12)

进而计算前景距离D_F(x)和背景距离D_B(x)；

C3、比较前景距离D_F(x)和背景距离D_B(x)，确定属于前景的像素点，完成图像分割，其具体如下：

判断前景距离和背景距离的大小来确定属于前景的像素点，

Ω_F＝{x|D_F(x)≤D_B(x)}    (13)

输出显示时，只显示属于前景的像素点，完成图像分割。

Images