CN102194232B - 一种分层引导的视频图像目标分割方法 - Google Patents

Abstract

一种分层引导的视频图像目标分割方法，包括以下步骤：图像帧预处理；获得初始分割标记；获得修补欠分割后的分割标记；获得先验分割标记修正后的分割标记；融合修补欠分割后的分割标记和先验分割标记修正后的分割标记，得到最终的分割标记。本发明解决了现有技术中，在存在目标和背景交互的视频监控环境下，当目标和背景相似时，不能较完整的提取目标的问题。

Description

一种分层引导的视频图像目标分割方法

技术领域

本发明属于视频监控图像处理技术领域，涉及一种分层引导的视频图像目标分割方法。

背景技术

近年来，基于内容分析的智能监控系统的应用越来越多，要智能分析和识别目标在视域中的行为，视频图像目标分割是要解决的首要问题，因为目标的随机性与多样性，会出现一些目标与背景相似的情形。这种情况当前的方法无法较完整的提取出目标，有时会在目标的主要部分形成缺失，无法进行准确的行为分析与识别。

发明内容

本发明的目的是提供一种分层引导的视频图像目标分割方法，解决了现有技术中，在存在目标和背景交互的视频监控环境下，当目标和背景相似时，不能较完整的提取目标的问题。

本发明所采用的技术方案是，一种分层引导的视频图像目标分割方法，

具体步骤如下：

步骤1、图像帧预处理

步骤1a、设背景图像为I_b，当前帧图像为I_t，前一帧图像为I_t-1，采用多尺度的形态梯度算子，分别对背景图像I_b、当前帧图像I_t以及前一帧图像I_t-1进行处理，分别得到处理后的背景图像J_b、当前帧图像J_t和前一帧图像J_t-1：

$I_p(x,y)\&CirclePlus;B_k=\underset{0<i,j<2k+1}{\max }[I_p(x+i,y+j)+B(i,j)],p=b,t,t-1---\left(1\right),$

$I_p(x,y)\mathrm{\&Theta;}{B}_k=\underset{0<i,j<2k+1}{\min }[I_p(x+i,y+j)-B(i,j)],p=b,t,t-1---\left(2\right),$

$J_p(x,y)=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\left[((I_p(x,y)\&CirclePlus;B_k)-\left(I_p(x,y)\mathrm{\&Theta;}{B}_k\right))\mathrm{\&Theta;}{B}_{k-1}\right],p=b,t,t-1---\left(3\right),$

其中，J_p(x，y)为采用多尺度的形态梯度算子处理后的图像在点(x，y)位置上的像素值，I_p(x，y)为采用多尺度的形态梯度算子处理前的原始图像在点(x，y)位置上的像素值，

为膨胀操作，Θ为腐蚀操作，B_k(0≤k≤n)为一组正方形的结构元素，B_k的大小为(2k+1)×(2k+1)，B_k中各点的值取为1，n取值为2；

步骤1b、由步骤1中得到的背景图像J_b和当前帧图像J_t，求取背景差分图v_t：

其中，图像的分辨率为M×N；

S的计算方法为：

x_n＝λ·x_n(modT)                           (5)，

s_n＝x_n/T                                   (6)，

其中，λ＝5⁵，T＝2³⁵-31，x_n的值在(0，1)区间任意指定，s_n的值赋予s；

步骤2、获得初始分割标记z₁

步骤2a、由步骤1b的公式(4)得到的背景差分图v_t，计算能量函数：

$V_{\mathrm{xy}}(m,n)=\left\{\begin{array}{cc}1,& |v_t(x,y)-v_t(m,n)|<\mathrm{\&alpha;}\\ 0,& |v_t(x,y)-v_t(m,n)|>\mathrm{\&alpha;}\end{array}\right.---\left(7\right),$

其中，v_t(m，n)为背景差分图v_t在像素点(x，y)的3×3邻域点(m，n)的值，V_xy(m，n)为像素点(x，y)的3×3邻域点(m，n)的势能值，α为帧内相似性度量因子，α取值为0.1；

步骤2b、计算分割标记z

$z(x,y)=\left\{\begin{array}{cc}1,& v_t(x,y)\&NotEqual;0\\ 0,& v_t(x,y)=0\end{array}\right.,---\left(8\right),$

步骤2c、计算图像RGB三通道的势能函数U_R(z)、U_G(z)和U_B(z)：

$U_p\left(z\right)=\underset{z(x,y)=1}{\mathrm{\&Sigma;}}\underset{(m,n)\&Element;N_{\mathrm{xy}}}{\mathrm{\&Sigma;}}{V}_{\mathrm{xy}}(m,n),p=R,G,B---\left(9\right),$

其中，N_xy为像素点(x，y)的3×3邻域；

步骤2d、计算图像的能量值E₁：

$E_1=\frac{1}{2{\mathrm{\&sigma;}}^2}\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&eta;}}^2(x,y)+{\mathrm{\&lambda;}}_R{U}_R\left(z\right)+{\mathrm{\&lambda;}}_G{U}_G\left(z\right)+{\mathrm{\&lambda;}}_B{U}_B\left(z\right)---\left(10\right),$

其中，η²(x，y)＝(J_t(x，y)-J_t-1(x，y))²，图像的分辨率为M×N，σ为图像信号的方差，σ取值为1，λ_R，λ_G，λ_B为三个色彩分量的势能函数系数；

步骤2e、计算初始分割标记z₁：

$z_{10}=\underset{z}{\arg \min }{E}_1---\left(11\right),$

f₁₀＝λ_RU_R(z₁₀)+λ_GU_G(z₁₀)+λ_BU_B(z₁₀)，图像的分辨率为M×N；

步骤3、获得修补欠分割后的分割标记z₂₃

步骤3a、计算分割标记z₂：

$E_2=\frac{1}{2{\mathrm{\&sigma;}}^2}\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&eta;}}^2(x,y)+{\mathrm{\&lambda;}}_R{U}_R\left(z\right)+{\mathrm{\&lambda;}}_G{U}_G\left(z\right)+{\mathrm{\&lambda;}}_B{U}_B\left(z\right)+U*\left(z_1\right)---\left(13\right),$

$z_{20}=\underset{z}{\arg \min }{E}_2---\left(14\right),$

z₂₀为优化分割标记，代入下式计算修补分割标记z₂：

其中，f₂₀＝λ_RU_R(z₂₀)+λ_GU_G(z₂₀)+λ_BU_B(z₂₀)+U*(z₁)，图像的分辨率为M×N，

U*(z₁)是根据初始分割标记z₁的二值图像信息计算：

$U*\left(z_1\right)=\underset{z_1(x,y)=1}{\mathrm{\&Sigma;}}\underset{(m,n)\&Element;N_{\mathrm{xy}}}{\mathrm{\&Sigma;}}{V}_{\mathrm{xy}}(m,n)---\left(16\right),$

其中，

V_xy*(m，n)＝V(x，y，m，n)+δ(x，y，m，n)             (17)，

其中，V_xy*(m，n)为像素点(x，y)的3×3邻域点(m，n)的势能值，V(x，y，m，n)为像素点(x，y)的3×3邻域点(m，n)的基准势能值，δ(x，y，m，n)为像素点(x，y)的3×3邻域点(m，n)的运动信息一致性的表征，其两者计算公式如下：

$V(x,y,m,n)=\left\{\begin{array}{cc}1,& |z_1(x,y)-z_1(m,n)|<\mathrm{\&alpha;}\\ 0,& |z_1(x,y)-z_1(m,n)|>\mathrm{\&alpha;}\end{array}\right.---\left(18\right),$

$\mathrm{\&delta;}(x,y,m,n)=\left\{\begin{array}{cc}1,& |z_1(x,y)-z_1(m,n)|<\mathrm{\&alpha;}\\ 1,|z_1(x,y)-z_1(m,n)|>\mathrm{\&alpha;}& \mathrm{and}|I_t(x,y)-I_t(m,n)|\&le;\mathrm{\&beta;}\\ 0,|z_1(x,y)-z_1(m,n)|>\mathrm{\&alpha;}& \mathrm{and}|I_t(x,y)-I_t(m,n)|>\mathrm{\&beta;}\end{array}\right.---\left(19\right),$

其中，α＝0.1，β＝0，z₁(m，n)为z₁像素点在(x，y)的3×3邻域点(m，n)的值，z₁(x，y)为z₁像素点在(x，y)的值，I_t(m，n)为I_t像素点在(x，y)的3×3邻域点(m，n)的值，I_t(x，y)为I_t像素点在(x，y)的值；

步骤3b、对空洞和非闭合边缘用使像素的3×3邻域像素填充为与像素相同的值，z₂₁(x，y)为对空洞和非闭合边缘处理的分割标记：

其中，z₂₁(x，y，m，n)为z₂₁(x，y)在3×3邻域像素点(m，n)的值；

步骤3c、对所有的连通域进行贴标签处理，area_i为第i个连通域的面积。所监控目标的最小可能面积为Th_O，将小于阈值Th_O的连通域视为杂点进行去除，去除杂点的分割标记为z₂₂(x，y)：

$z_{22}=(x,y)\left\{\begin{array}{cc}\left\{z_{21}(x.y)\right|z_{21}(x.y)\&SubsetEqual;{\mathrm{area}}_i\},& \mathrm{if}{\mathrm{area}}_i\&GreaterEqual;{\mathrm{Th}}_o\\ 0,& \mathrm{if}{\mathrm{area}}_i<{\mathrm{Th}}_o\end{array}\right.---\left(21\right);$

步骤3d、边缘不平滑处理，获得修补欠分割后的分割标记z₂₃：

$B*=\left[\begin{array}{ccccccccc}0& 0& 1& 1& 1& 1& 1& 0& 0\\ 0& 1& 1& 1& 1& 1& 1& 1& 0\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 1& 1& 1& 1& 0\\ 0& 0& 1& 1& 1& 1& 1& 0& 0\end{array}\right]---\left(22\right),$

$z_{23}=\{x,y|{B*}_{\mathrm{xy}}\&SubsetEqual;z_{22}\}---\left(23\right);$

步骤4、获得先验分割标记修正后的分割标记z₃₃

步骤4a、计算修正分割标记z₃：

$E_3=\frac{1}{2{\mathrm{\&sigma;}}^2}\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&eta;}}^2(x,y)+{\mathrm{\&lambda;}}_R{U}_R\left(z\right)+{\mathrm{\&lambda;}}_G{U}_G\left(z\right)+{\mathrm{\&lambda;}}_B{U}_B\left(z\right)+U**\left(z_{t-1}\right)---\left(24\right),$

$z_{30}=\underset{z}{\arg \min }{E}_3---\left(25\right),$

其中，f₃₀＝λ_RU_R(z₃₀)+λ_GU_G(z₃₀)+λ_BU_B(z₃₀)+U**(z_t-1)，图像的分辨率为M×N，t表示当前帧的序号，z_t-1为上一帧的最终分割标记；

U**(z_t-1)是根据初始分割标记z_t-1的二值图像信息计算：

$U**\left(z_{t-1}\right)=\underset{z_{t-1}(x,y)=1}{\mathrm{\&Sigma;}}\underset{(m,n)\&Element;N_{\mathrm{xy}}}{\mathrm{\&Sigma;}}{V}_{\mathrm{xy}}**(m,n)---\left(27\right),$

其中，

V_xy**(m，n)＝V*(x，y，m，n)+δ*(x，y，m，n)      (28)，

其中，V*(x，y，m，n)为像素点(x，y)的3×3邻域点(m，n)的基准势能值，δ*(x，y，m，n)为像素点(x，y)的3×3邻域点(m，n)的运动信息一致性的表征，其两者计算公式如下：

$V*(x,y,m,n)=\left\{\begin{array}{cc}1,& |z_{t-1}(x,y)-z_{t-1}(m,n)|<\mathrm{\&alpha;}\\ 0,& |z_{t-1}(x,y)-z_{t-1}(m,n)|>\mathrm{\&alpha;}\end{array}\right.---\left(29\right),$

$\mathrm{\&delta;}*(x,y,m,n)=\left\{\begin{array}{cc}1,& |z_{t-1}(x,y)-z_{t-1}(m,n)|<\mathrm{\&alpha;}\\ 1,|z_{t-1}(x,y)-z_{t-1}(m,n)|>\mathrm{\&alpha;}& \mathrm{and}|I_t(x,y)-I_t(m,n)|\&le;\mathrm{\&beta;}\\ 0,|z_{t-1}(x,y)-z_{t-1}(m,n)|>\mathrm{\&alpha;}& \mathrm{and}|I_t(x,y)-I_t(m,n)|>\mathrm{\&beta;}\end{array}\right.---\left(30\right),$

其中α＝0.1，β＝0，z_t-1(m，n)为z_t-1像素点在(x，y)的3×3邻域点(m，n)的值，z_t-1(x，y)为z_t-1像素点在(x，y)的值，I_t(m，n)为I_t像素点在(x，y)的3×3邻域点(m，n)的值，I_t(x，y)为I_t像素点在(x，y)的值；

步骤4b、对空洞和非闭合边缘用使像素的3×3邻域像素填充为与像素相同的值，z₃₁(x，y)为对空洞和非闭合边缘处理的分割标记：

其中，z₃₁(x，y，m，n)为z₃₁(x，y)在3×3邻域像素点(m，n)的值；

步骤4c、对所有的连通域进行贴标签处理，将小于阈值Th_O的连通域视为杂点进行去除，去除杂点的分割标记为z₃₂(x，y)：

$z_{32}=(x,y)\left\{\begin{array}{cc}\left\{z_{31}(x.y)\right|z_{31}(x.y)\&SubsetEqual;{\mathrm{area}}_i\},& \mathrm{if}{\mathrm{area}}_i\&GreaterEqual;{\mathrm{Th}}_o\\ 0,& \mathrm{if}{\mathrm{area}}_i<{\mathrm{Th}}_o\end{array}\right.---\left(32\right);$

步骤4d、边缘不平滑处理，获得先验分割标记修正后的分割标记z₃₃：

$B*=\left[\begin{array}{ccccccccc}0& 0& 1& 1& 1& 1& 1& 0& 0\\ 0& 1& 1& 1& 1& 1& 1& 1& 0\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 1& 1& 1& 1& 0\\ 0& 0& 1& 1& 1& 1& 1& 0& 0\end{array}\right]---\left(33\right),$

$z_{33}=\{x,y|{B*}_{\mathrm{xy}}\&SubsetEqual;z_{32}\}---\left(34\right);$

步骤5、融合修补欠分割后的分割标记z₂₃和先验分割标记修正后的分割标记z₃₃，得到最终的分割标记z_t

z_t＝z₂₃∩z₃₃。                     (35)

步骤2d中，λ_R，λ_G，λ_B的具体计算方法为：在满足λ_R+λ_G+λ_B＝1条件下：

${\mathrm{\&lambda;}}_R=\frac{\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_R(x,y)}{\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_R(x,y)+\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_G(x,y)+\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_B(x,y)},$

${\mathrm{\&lambda;}}_G=\frac{\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_G(x,y)}{\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_R(x,y)+\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_G(x,y)+\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_B(x,y)},$

${\mathrm{\&lambda;}}_B=\frac{\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_B(x,y)}{\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_R(x,y)+\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_G(x,y)+\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_B(x,y)},$

I_R(x，y)，I_G(x，y)，I_B(x，y)分别为I_t的R、G、B三通道在像素点(x，y)的值。

步骤2e中，公式(11)的优化过程如下：

每次循环中，使用不同的S值取值，计算对应的图像的能量值E₁，循环多次，保留最小的E₁值，再根据此E₁对应的z₁₀计算出目标的分割标记z₁；

S的具体取值办法为：

在(0，1)区间任意指定x_n的初值，并将公式(5)得到每次迭代的x_n代入公式(6)，产生的s_n为S每次循环的取值：

x_n＝λ·x_n(modT)                   (5)

s_n＝x_n/T                           (6)

其中，λ＝5⁵，T＝2³⁵-31。

步骤3a中，公式(14)的优化过程如下：

每次循环中，使用不同的S值取值，计算对应的图像的能量值E₂，循环多次，保留最小的E₂值，再根据此E₂对应的z₂₀计算出分割标记z₂，S的具体取值办法为：

在(0，1)区间任意指定x_n的初值，并将公式(5)得到每次迭代的x_n代入公式(6)，产生的s_n为S每次循环的取值：

x_n＝λ·x_n(modT)                (5)

s_n＝x_n/T                        (6)

其中，λ＝5⁵，T＝2³⁵-31。

步骤3c中，Th_O＝250。

步骤4a中，公式(25)的优化过程如下：

每次循环中，使用不同的S值取值，计算对应的图像的能量值E₃，循环多次计算E₃，保留最小的E₃值，再根据此此E₃对应的z₃₀计算出分割标记z₃，S的具体取值办法为：

在(0，1)区间任意指定x_n的初值，并将公式(5)得到每次迭代的x_n代入公式(6)，产生的s_n为S每次循环的取值：

x_n＝λ·x_n(modT)                (5)

s_n＝x_n/T                        (6)

其中，λ＝5⁵，T＝2³⁵-31。

步骤4c中，Th_O＝250。

本发明的一种分层引导的视频图像目标分割方法，采用最大后验概率的估计框架，融合帧间信息和帧内信息，构建前两部分的能量函数，通过分层引导优化修补欠分割，通过先验分割优化修正分割目标，最后融合分割结果抑制目标的过分割，以实现在目标和背景相似时，完整提取目标。

具体实施方式

下面结合具体实施方式对本发明进行详细说明。

本发明一种分层引导的视频图像目标分割方法，由三个处理部分组成：第一处理部分在利用图像帧空间信息取得初始分割标记后，对初始分割标记修补欠分割；第二处理部分利用上一帧的先验分割标记修正分割标记；第三处理部分通过融合前两部分的分割标记，抑制目标的过分割，获得最终的分割标记。具体步骤如下：

步骤1、图像帧预处理

步骤1a、设背景图像为I_b，当前帧图像为I_t，前一帧图像为I_t-1，采用多尺度的形态梯度算子，分别对背景图像I_b、当前帧图像I_t以及前一帧图像I_t-1进行处理，分别得到处理后的背景图像J_b、当前帧图像J_t和前一帧图像J_t-1：

$I_p(x,y)\&CirclePlus;B_k=\underset{0<i,j<2k+1}{\max }[I_p(x+i,y+j)+B(i,j)],p=b,t,t-1---\left(1\right)$

$I_p(x,y)\mathrm{\&Theta;}{B}_k=\underset{0<i,j<2k+1}{\min }[I_p(x+i,y+j)-B(i,j)],p=b,t,t-1---\left(2\right)$

$J_p(x,y)=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\left[((I_p(x,y)\&CirclePlus;B_k)-\left(I_p(x,y)\mathrm{\&Theta;}{B}_k\right))\mathrm{\&Theta;}{B}_{k-1}\right],p=b,t,t-1---\left(3\right)$

其中，J_p(x，y)为采用多尺度的形态梯度算子处理后的图像在点(x，y)位置上的像素值，I_p(x，y)为采用多尺度的形态梯度算子处理前的原始图像在点(x，y)位置上的像素值，

为膨胀操作，Θ为腐蚀操作，B_k(0≤k≤n)为一组正方形的结构元素，B_k的大小为(2k+1)×(2k+1)，B_k中各点的值取为1，n取值为2。

步骤1b、由步骤1中得到的背景图像J_b和当前帧图像J_t，求取背景差分图v_t：

其中，图像的分辨率为M×N，v_t(x，y)为v_t在(x，y)的值；S为(0，1)区间的随机数，s_n的值赋予S：

x_n＝λ·x_n(modT)                  (5)

s_n＝x_n/T                          (6)

其中，λ＝5⁵，T＝2³⁵-31，x_n的值在(0，1)区间任意指定；

步骤2、获得初始分割标记z₁

步骤2a、由步骤1b的公式(4)得到的背景差分图v_t，计算能量函数：

$V_{\mathrm{xy}}(m,n)=\left\{\begin{array}{cc}1,& |v_t(x,y)-v_t(m,n)|<\mathrm{\&alpha;}\\ 0,& |v_t(x,y)-v_t(m,n)|>\mathrm{\&alpha;}\end{array}\right.---\left(7\right)$

其中，v_t(m，n)为背景差分图v_t在像素点(x，y)的3×3邻域点(m，n)的值，V_xy(m，n)为像素点(x，y)的3×3邻域点(m，n)的势能值，由于邻域过小不能取得像素相邻区域，过大容易与杂点粘连，故选取3×3的大小；α为帧内相似性度量因子，由于相似性的衡量离不开人眼观察的主观因素，而人眼分辨的灰度最小等级为30左右，所以α取值为0.1。

步骤2b、计算分割标记z

$z(x,y)=\left\{\begin{array}{cc}1,& v_t(x,y)\&NotEqual;0\\ 0,& v_t(x,y)=0\end{array}\right.,---\left(8\right)$

其中，z(x，y)为分割标记z在像素点(x，y)的值。

步骤2c、计算图像RGB三通道的势能函数U_R(z)、U_G(z)和U_B(z)：

$U_p\left(z\right)=\underset{z(x,y)=1}{\mathrm{\&Sigma;}}\underset{(m,n)\&Element;N_{\mathrm{xy}}}{\mathrm{\&Sigma;}}{V}_{\mathrm{xy}}(m,n),p=R,G,B---\left(9\right)$

其中，N_xy为像素点(x，y)的3×3邻域。

步骤2d、计算图像的能量值E₁：

$E_1=\frac{1}{2{\mathrm{\&sigma;}}^2}\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&eta;}}^2(x,y)+{\mathrm{\&lambda;}}_R{U}_R\left(z\right)+{\mathrm{\&lambda;}}_G{U}_G\left(z\right)+{\mathrm{\&lambda;}}_B{U}_B\left(z\right)---\left(10\right)$

其中，U_R(z)、U_G(z)、U_B(z)分别为由步骤2c计算得到的R、G、B三通道的势能函数，

η²(x，y)＝(J_t(x，y)-J_t-1(x，y))²，

图像的分辨率为M×N，σ为图像信号的方差，由于帧间图像相似，σ取值为1，

其中，λ_R，λ_G，λ_B为三个色彩分量的势能函数系数，其具体计算方法为：在满足λ_R+λ_G+λ_B＝1条件下：

${\mathrm{\&lambda;}}_R=\frac{\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_R(x,y)}{\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_R(x,y)+\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_G(x,y)+\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_B(x,y)},$

${\mathrm{\&lambda;}}_G=\frac{\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_G(x,y)}{\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_R(x,y)+\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_G(x,y)+\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_B(x,y)},$

${\mathrm{\&lambda;}}_B=\frac{\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_B(x,y)}{\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_R(x,y)+\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_G(x,y)+\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_B(x,y)},$

I_R(x，y)，I_G(x，y)，I_B(x，y)分别为I_t的R、G、B三通道在像素点(x，y)的值。

步骤2e、计算优化得到的初始分割标记z₁：

$z_{10}=\underset{z}{\arg \min }{E}_1---\left(11\right)$

f₁₀＝λ_RU_R(z₁₀)+λ_GU_G(z₁₀)+λ_BU_B(z₁₀)，图像的分辨率为M×N，

其中，公式(11)的优化过程如下：

每次循环中，使用不同的S值取值，根据步骤1b公式(4)计算背景差分图v_t，再根据步骤2a公式(7)、步骤2b公式(8)、步骤2c公式(9)以及步骤2d公式(10)计算对应的图像的能量值E₁，S的具体取值办法为：

其中，在(0，1)区间任意指定x_n的初值，并将公式(5)得到每次迭代的x_n代入公式(6)，产生的s_n为S每次循环的取值：

x_n＝λ·x_n(modT)                     (5)

s_n＝x_n/T                             (6)

其中，λ＝5⁵，T＝2³⁵-31；

建议循环20次计算E₁，保留最小的E₁值，再根据此E₁对应的z₁₀计算出目标的分割标记z₁。

步骤3、获得修补欠分割后的分割标记z₂₃

步骤3a、计算分割标记z₂：

$E_2=\frac{1}{2{\mathrm{\&sigma;}}^2}\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&eta;}}^2(x,y)+{\mathrm{\&lambda;}}_R{U}_R\left(z\right)+{\mathrm{\&lambda;}}_G{U}_G\left(z\right)+{\mathrm{\&lambda;}}_B{U}_B\left(z\right)+U*\left(z_1\right)---\left(13\right)$

$z_{20}=\underset{z}{\arg \min }{E}_2---\left(14\right)$

z₂₀为优化分割标记，代入下式计算修补分割标记z₂：

其中，f₂₀＝λ_RU_R(z₂₀)+λ_GU_G(z₂₀)+λ_BU_B(z₂₀)+U*(z₁)，图像的分辨率为M×N，E₂和E₁中的参数有一致的意义。

U*(z₁)是根据初始分割标记z₁的二值图像信息计算：

$U*\left(z_1\right)=\underset{z_1(x,y)=1}{\mathrm{\&Sigma;}}\underset{(m,n)\&Element;N_{\mathrm{xy}}}{\mathrm{\&Sigma;}}{V}_{\mathrm{xy}}(m,n)---\left(16\right)$

其中，

V_xy*(m，n)＝V(x，y，m，n)+δ(x，y，m，n)           (17)

其中，V_xy*(m，n)为像素点(x，y)的3×3邻域点(m，n)的势能值，V(x，y，m，n)为像素点(x，y)的3×3邻域点(m，n)的基准势能值，δ(x，y，m，n)为像素点(x，y)的3×3邻域点(m，n)的运动信息一致性的表征，其两者计算公式如下：

$V(x,y,m,n)=\left\{\begin{array}{cc}1,& |z_1(x,y)-z_1(m,n)|<\mathrm{\&alpha;}\\ 0,& |z_1(x,y)-z_1(m,n)|>\mathrm{\&alpha;}\end{array}\right.---\left(18\right)$

$\mathrm{\&delta;}(x,y,m,n)=\left\{\begin{array}{cc}1,& |z_1(x,y)-z_1(m,n)|<\mathrm{\&alpha;}\\ 1,|z_1(x,y)-z_1(m,n)|>\mathrm{\&alpha;}& \mathrm{and}|I_t(x,y)-I_t(m,n)|\&le;\mathrm{\&beta;}\\ 0,|z_1(x,y)-z_1(m,n)|>\mathrm{\&alpha;}& \mathrm{and}|I_t(x,y)-I_t(m,n)|>\mathrm{\&beta;}\end{array}\right.---\left(19\right)$

其中，α＝0.1，β＝0。z₁(m，n)为z₁像素点在(x，y)的3×3邻域点(m，n)的值，z₁(x，y)为z₁像素点在(x，y)的值，I_t(m，n)为I_t像素点在(x，y)的3×3邻域点(m，n)的值，I_t(x，y)为I_t像素点在(x，y)的值。

β值衡量像素点与邻域点的实际偏差，判断像素点与邻域点的实际偏差，可以弥补由于差分造成的相似区域的缺失。

其中，公式(14)的优化过程如下：

每次循环中，使用不同的S值取值，根据步骤1b公式(4)计算背景差分图v_t，再根据步骤2a公式(7)、步骤2b公式(8)、步骤2c公式(9)以及步骤3a公式(13)和公式(16)计算对应的图像的能量值E₂，S的具体取值办法为：

其中，在(0，1)区间任意指定x_n的初值，并将公式(5)得到每次迭代的x_n代入公式(6)，产生的s_n为S每次循环的取值：

x_n＝λ·x_n(modT)                   (5)

s_n＝x_n/T                           (6)

其中，λ＝5⁵，T＝2³⁵-31；

建议循环20次计算E₂，保留最小的E₂值，再根据此E₂对应的z₂₀计算出分割标记z₂。

步骤3b、由于得到的分割标记z₂存在空洞、非闭合边缘、杂点和边缘不平滑的问题，需要对其进行以下的处理。

对空洞和非闭合边缘用使像素的3×3邻域像素填充为与像素相同的值：

其中，z₂₁(x，y，m，n)为z₂₁(x，y)在3×3邻域像素点(m，n)的值，z₂₁(x，y)的初值等于z₂(x，y)，经过式(20)计算后的z₂₁(x，y)为对空洞和非闭合边缘处理的分割标记。

步骤3c、对所有的连通域进行贴标签处理，area_i为第i个连通域的面积。所监控目标的最小可能面积为Th_O，将小于阈值Th_O＝250(此值根据具体视频中的目标大小确定)的连通域视为杂点进行去除，去除杂点的分割标记为z₂₂(x，y)：

$z_{22}=(x,y)\left\{\begin{array}{cc}\left\{z_{21}(x.y)\right|z_{21}(x.y)\&SubsetEqual;{\mathrm{area}}_i\},& \mathrm{if}{\mathrm{area}}_i\&GreaterEqual;{\mathrm{Th}}_o\\ 0,& \mathrm{if}{\mathrm{area}}_i<{\mathrm{Th}}_o\end{array}\right.---\left(21\right)$

步骤3d、边缘不平滑根据半径大小为5的圆盘结构元素B*进行形态学方法处理，其中，B*的半径大小为式(1)中的最大结构元素的大小，B*为：

$B*=\left[\begin{array}{ccccccccc}0& 0& 1& 1& 1& 1& 1& 0& 0\\ 0& 1& 1& 1& 1& 1& 1& 1& 0\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 1& 1& 1& 1& 0\\ 0& 0& 1& 1& 1& 1& 1& 0& 0\end{array}\right]---\left(22\right)$

$z_{23}=\{x,y|{B*}_{\mathrm{xy}}\&SubsetEqual;z_{22}\}---\left(23\right)$

式(21)定义了z₂₂每个像素点在(x，y)的值，在像素点(x，y)的B*为B*_xy，获得修补欠分割后的分割标记z₂₃。

步骤4、获得先验分割标记修正后的分割标记z₃₃

步骤4a、计算修正分割标记z₃：

$E_3=\frac{1}{2{\mathrm{\&sigma;}}^2}\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&eta;}}^2(x,y)+{\mathrm{\&lambda;}}_R{U}_R\left(z\right)+{\mathrm{\&lambda;}}_G{U}_G\left(z\right)+{\mathrm{\&lambda;}}_B{U}_B\left(z\right)+U**\left(z_{t-1}\right)---\left(24\right)$

$z_{30}=\underset{z}{\arg \min }{E}_3---\left(25\right)$

z₃₀为优化分割标记，代入下式计算修正分割标记z₃：

其中，f₃₀＝λ_RU_R(z₃₀)+λ_GU_G(z₃₀)+λ_BU_B(z₃₀)+U**(z_t-1)，f₃₀(x，y)为f₃₀在像素点(x，y)的值，z₃(x，y)为z₃在像素点(x，y)的值，图像的分辨率为M×N，E₃和E₁中的参数有一致的意义。z_t-1(t表示当前帧的序号)为上一帧的最终分割标记。

U**(z_t-1)是根据初始分割标记z_t-1的二值图像信息计算：

$U**\left(z_{t-1}\right)=\underset{z_{t-1}(x,y)=1}{\mathrm{\&Sigma;}}\underset{(m,n)\&Element;N_{\mathrm{xy}}}{\mathrm{\&Sigma;}}{V}_{\mathrm{xy}}**(m,n),---\left(27\right)$

其中，

V_xy**(m，n)＝V*(x，y，m，n)+δ*(x，y，m，n)            (28)

其中，V*(x，y，m，n)为像素点(x，y)的3×3邻域点(m，n)的基准势能值，δ*(x，y，m，n)为像素点(x，y)的3×3邻域点(m，n)的运动信息一致性的表征，其两者计算公式如下：

$V*(x,y,m,n)=\left\{\begin{array}{cc}1,& |z_{t-1}(x,y)-z_{t-1}(m,n)|<\mathrm{\&alpha;}\\ 0,& |z_{t-1}(x,y)-z_{t-1}(m,n)|>\mathrm{\&alpha;}\end{array}\right.---\left(29\right)$

$\mathrm{\&delta;}*(x,y,m,n)=\left\{\begin{array}{cc}1,& |z_{t-1}(x,y)-z_{t-1}(m,n)|<\mathrm{\&alpha;}\\ 1,|z_{t-1}(x,y)-z_{t-1}(m,n)|>\mathrm{\&alpha;}& \mathrm{and}|I_t(x,y)-I_t(m,n)|\&le;\mathrm{\&beta;}\\ 0,|z_{t-1}(x,y)-z_{t-1}(m,n)|>\mathrm{\&alpha;}& \mathrm{and}|I_t(x,y)-I_t(m,n)|>\mathrm{\&beta;}\end{array}\right.---\left(30\right)$

其中α＝0.1，β＝0。z_t-1(m，n)为z_t-1像素点在(x，y)的3×3邻域点(m，n)的值，z_t-1(x，y)为z_t-1像素点在(x，y)的值，I_t(m，n)为I_t像素点在(x，y)的3×3邻域点(m，n)的值，I_t(x，y)为I_t像素点在(x，y)的值。

其中，公式(25)的优化过程如下：

每次循环中，使用不同的S值取值，根据步骤1b公式(4)计算背景差分图v_t，再根据步骤2a公式(7)和公式(8)、步骤2c公式(9)以及步骤3a公式(24)和公式(27)计算对应的图像的能量值E₃，S的具体取值办法为：

在(0，1)区间任意指定x_n的初值，并将公式(5)得到每次迭代的x_n代入公式(6)，产生的s_n为S每次循环的取值：

x_n＝λ·x_n(modT)                  (5)

s_n＝x_n/T                          (6)

其中，λ＝5⁵，T＝2³⁵-31；

建议循环20次计算E₃，保留最小的E₃值，与此E₃对应的z₃₀计算出分割标记z₃。

步骤4b、由于得到的分割标记z₃存在空洞、非闭合边缘、杂点和边缘不平滑的问题，需要对其进行后处理。

对空洞和非闭合边缘用使像素的3×3邻域像素填充为与像素相同的值：

其中，z₃₁(x，y，m，n)为z₃₁(x，y)在3×3邻域像素点(m，n)的值，z₃₁(x，y)的初值等于z₃(x，y)，经过式(31)计算后的z₃₁(x，y)为对空洞和非闭合边缘处理的分割标记。

步骤4c、对所有的连通域进行贴标签处理，area_i为第i个连通域的面积。所监控目标的最小可能面积为Th_O，将小于阈值Th_O＝250(此值根据具体视频中的目标大小确定)的连通域视为杂点进行去除，去除杂点的分割标记为z₃₂(x，y)：

$z_{32}=(x,y)\left\{\begin{array}{cc}\left\{z_{31}(x.y)\right|z_{31}(x.y)\&SubsetEqual;{\mathrm{area}}_i\},& \mathrm{if}{\mathrm{area}}_i\&GreaterEqual;{\mathrm{Th}}_o\\ 0,& \mathrm{if}{\mathrm{area}}_i<{\mathrm{Th}}_o\end{array}\right.---\left(32\right)$

步骤4d、边缘不平滑根据半径大小为5的圆盘结构元素B*进行形态学方法处理，其中，B*的半径大小为式(1)中的最大结构元素的大小，B*为：

$B*=\left[\begin{array}{ccccccccc}0& 0& 1& 1& 1& 1& 1& 0& 0\\ 0& 1& 1& 1& 1& 1& 1& 1& 0\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 1& 1& 1& 1& 0\\ 0& 0& 1& 1& 1& 1& 1& 0& 0\end{array}\right]---\left(33\right)$

$z_{33}=\{x,y|{B*}_{\mathrm{xy}}\&SubsetEqual;z_{32}\}---\left(34\right)$

式(32)定义了z₃₂每个像素点在(x，y)的值，在像素点(x，y)的B*为B*_xy。获得先验分割标记修正后的分割标记z₃₃。

步骤5、修补欠分割后的分割标记z₂₃和先验分割标记修正后的分割标记z₃₃，得到最终的分割标记z_t

由于修补欠分割后的分割标记z₂₃可能出现过修补的分割结果，而由于相邻两帧目标形状变化大时会导致形状引导的先验分割标记修正后的分割标记z₃₃有偏差，因此通过融合两部分的分割标记一定程度可以抑制这两种情形的发生。最终的分割标记z_t如下式所示。

z_t＝z₂₃∩z₃₃                          (35)

Claims (7)

1.一种分层引导的视频图像目标分割方法，其特征在于，具体步骤如下：

步骤1、图像帧预处理

步骤1a、设背景图像为I_b，当前帧图像为I_t，前一帧图像为I_t-1，采用多尺度的形态梯度算子，分别对背景图像I_b、当前帧图像I_t以及前一帧图像I_t-1进行处理，分别得到处理后的背景图像J_b、当前帧图像J_t和前一帧图像J_t-1：

其中，J_p(x，y)为采用多尺度的形态梯度算子处理后的图像在点(x，y)位置上的像素值，I_p(x，y)为采用多尺度的形态梯度算子处理前的原始图像在点(x，y)位置上的像素值， 为膨胀操作，Θ为腐蚀操作，B_k，0≤k≤n，为一组正方形的结构元素，B_k的大小为(2k+1)×(2k+1)，B_k中各点的值取为1，n取值为2；

步骤1b、由步骤1a中得到的背景图像J_b和当前帧图像J_t，求取背景差分图v_t：

其中，图像的分辨率为M×N；

S的计算方法为：

x_n＝λ·x_n(modT)    (5)， 

s_n＝x_n/T    (6)，

其中，λ＝5⁵，T＝2³⁵-31，x_n的值在(0，1)区间任意指定，s_n的值赋予S；

步骤2、获得初始分割标记z₁

步骤2a、由步骤1b的公式(4)得到的背景差分图v_t，计算能量函数：

其中，v_t(m，n)为背景差分图v_t在像素点(x，y)的3×3邻域点(m，n)的值，V_xy(m，n)为像素点(x，y)的3×3邻域点(m，n)的势能值，α为帧内相似性度量因子，α取值为0.1；

步骤2b、计算分割标记z

步骤2c、计算图像RGB三通道的势能函数U_R(z)、U_G(z)和U_B(z)：

其中，N_xy为像素点(x，y)的3×3邻域；

步骤2d、计算图像的能量值E₁：

其中，η²(x，y)＝(J_t(x，y)-J_t-1(x，y))²，图像的分辨率为M×N，σ为图像信号的方差，σ取值为1，λ_R，λ_G，λ_B为三个色彩分量的势能函数系数；

步骤2e、计算初始分割标记z₁：

f₁₀＝λ_RU_R(z₁₀)+λ_GU_G(z₁₀)+λ_BU_B(z₁₀)，图像的分辨率为M×N；

步骤3、获得修补欠分割后的分割标记z₂₃

步骤3a、计算分割标记z₂：

z₂₀为优化分割标记，代入下式计算修补分割标记z₂：

其中，f₂₀＝λ_RU_R(z₂₀)+λ_GU_G(z₂₀)+λ_BU_B(z₂₀)+U*(z₁)，图像的分辨率为M×N，

U*(z₁)是根据初始分割标记z₁的二值图像信息计算：

其中，

V_xy*(m，n)＝V(x，y，m，n)+δ(x，y，m，n)    (17)，

其中，V_xy*(m，n)为像素点(x，y)的3×3邻域点(m，n)的势能值，V(x，y，m，n)为像素点(x，y)的3×3邻域点(m，n)的基准势能值，δ(x，y，m，n)为像素点(x，y)的3×3邻域点(m，n)的运动信息一致性的表征，其两者计算公式如下：

其中，α＝0.1，β＝0，z₁(m，n)为z₁像素点在(x，y)的3×3邻域点(m，n)的值，z₁(x，y)为z₁像素点在(x，y)的值，I_t(m，n)为I_t像素点在(x，y)的3×3邻域点(m，n)的值，I_t(x，y)为I_t像素点在(x，y)的值；

步骤3b、对空洞和非闭合边缘用使像素的3×3邻域像素填充为与像素相同的值，z₂₁(x，y)为对空洞和非闭合边缘处理的分割标记：

其中，z₂₁(x，y，m，n)为z₂₁(x，y)在3×3邻域像素点(m，n)的值；

步骤3c、对所有的连通域进行贴标签处理，area_i为第i个连通域的面积，所监控目标的最小可能面积为Th_O，将小于阈值Th_O的连通域视为杂点进行去除，去除杂点的分割标记为z₂₂(x，y)：

步骤3d、边缘不平滑处理，获得修补欠分割后的分割标记z₂₃：

步骤4、获得先验分割标记修正后的分割标记z₃₃

步骤4a、计算修正分割标记z₃：

其中，f₃₀＝λ_RU_R(z₃₀)+λ_GU_G(z₃₀)+λ_BU_B(z₃₀)+U**(z_t-1)，图像的分辨率为M×N，t表示当前帧的序号，z_t-1为上一帧的最终分割标记；

U**(z_t-1)是根据初始分割标记z_t-1的二值图像信息计算：

其中，

V_xy**(m，n)＝V*(x，y，m，n)+δ*(x，y，m，n)    (28)，

其中，V*(x，y，m，n)为像素点(x，y)的3×3邻域点(m，n)的基准势能值，δ*(x，y，m，n)为像素点(x，y)的3×3邻域点(m，n)的运动信息一致性的表征，其两者计算公式如下：

其中α＝0.1，β＝0，z_t-1(m，n)为z_t-1像素点在(x，y)的3×3邻域点(m，n)的值，z_t-1(x，y)为z_t-1像素点在(x，y)的值，I_t(m，n)为I_t像素点在(x，y)的3×3邻域点(m，n)的值，I_t(x，y)为I_t像素点在(x，y)的值；

步骤4b、对空洞和非闭合边缘用使像素的3×3邻域像素填充为与像素相同的值，z₃₁(x，y)为对空洞和非闭合边缘处理的分割标记：

其中，z₃₁(x，y，m，n)为z₃₁(x，y)在3×3邻域像素点(m，n)的值；

步骤4c、对所有的连通域进行贴标签处理，将小于阈值Th_O的连通域视 为杂点进行去除，去除杂点的分割标记为z₃₂(x，y)：

步骤4d、边缘不平滑处理，获得先验分割标记修正后的分割标记z₃₃：

步骤5、融合修补欠分割后的分割标记z₂₃和先验分割标记修正后的分割标记z₃₃，得到最终的分割标记z_t

z_t＝z₂₃∩z₃₃                   (35) 。

2.按照权利要求1所述的分层引导的视频图像目标分割方法，其特征在于，步骤2d中，λ_R，λ_G，λ_B的具体计算方法为：在满足λ_R+λ_G+λ_B＝1条件下：

I_R(x，y)，I_G(x，y)，I_B(x，y)分别为I_t的R、G、B三通道在像素点(x，y)的 值。

3.按照权利要求1所述的分层引导的视频图像目标分割方法，其特征在于，步骤2e中，公式(11)的优化过程如下：

每次循环中，使用不同的S值取值，计算对应的图像的能量值E₁，循环多次，保留最小的E₁值，再根据此E₁对应的z₁₀计算出目标的分割标记Z₁；

S的具体取值办法为：

在(0，1)区间任意指定x_n的初值，并将公式(5)得到每次迭代的x_n代入公式(6)，产生的s_n为S每次循环的取值：

x_n＝λ·x_n(mod T)    (5)

s_n＝x_n/T             (6)

其中，λ＝5⁵，T＝2³⁵-31。

4.按照权利要求1所述的分层引导的视频图像目标分割方法，其特征在于，步骤3a中，公式(14)的优化过程如下：

每次循环中，使用不同的S值取值，计算对应的图像的能量值E₂，循环多次，保留最小的E₂值，再根据此E₂对应的z₂₀计算出分割标记z₂，S的具体取值办法为：

在(0，1)区间任意指定x_n的初值，并将公式(5)得到每次迭代的x_n代入公式(6)，产生的s_n为S每次循环的取值：

x_n＝λ·x_n(mod T)    (5)

s_n＝x_n/T             (6)

其中，λ＝5⁵，T＝2³⁵-31。

5.按照权利要求1所述的分层引导的视频图像目标分割方法，其特征在于，步骤3c中，Th_O＝250。 

6.按照权利要求1所述的分层引导的视频图像目标分割方法，其特征在于，步骤4a中，公式(25)的优化过程如下：

每次循环中，使用不同的S值取值，计算对应的图像的能量值E₃，循环多次计算E₃，保留最小的E₃值，再根据此此E₃对应的z₃₀计算出分割标记z₃，S的具体取值办法为：

在(0，1)区间任意指定x_n的初值，并将公式(5)得到每次迭代的x_n代入公式(6)，产生的s_n为S每次循环的取值：

x_n＝λ·x_n(mod T)      (5)

s_n＝x_n/T               (6)

其中，λ＝5⁵，T＝2³⁵-31。

7.按照权利要求1所述的分层引导的视频图像目标分割方法，其特征在于，步骤4c中，Th_O＝250。