CN103136753A

CN103136753A - 一种基于均值漂移算法和数学形态学的深度图分割方法

Info

Publication number: CN103136753A
Application number: CN2013100569592A
Authority: CN
Inventors: 关宇东; 提纯利; 滕艺丹; 戴翊轩; 李尔佳; 杜克; 仲小挺; 于博良
Original assignee: Harbin Institute of Technology
Current assignee: Harbin University of technology high tech Development Corporation
Priority date: 2013-02-25
Filing date: 2013-02-25
Publication date: 2013-06-05
Anticipated expiration: 2033-02-25
Also published as: CN103136753B

Abstract

一种基于均值漂移算法和数学形态学的深度图分割方法，涉及深度图分割领域，解决现有分割方法无法自动化程度高的将跨越了整幅图像灰度范围且不平坦的背景分割成一个整体的问题。根据深度图像生成深度图的灰度直方图；利用一维高斯窗函数对灰度直方图进行平滑处理；根据前景阈值T调节步骤一所述的深度图的灰度值，将灰度值高于所述前景阈值T的像素灰度提升10；将获得的深度图利用数学形态学“关”操作进行修正；利用均值漂移算法将获得的深度图进行聚类分割；对分割区域进行灰度值赋值，每个区域所赋灰度值为原深度图中该区域内所有灰度值的平均值；完成对深度图的分割。本发明可广泛应用于对灰度图的前景与背景分割的工作中。

Description

一种基于均值漂移算法和数学形态学的深度图分割方法

技术领域

本发明涉及深度图分割领域。

背景技术

深度图是与二维图像大小相等的灰度图像，如图1与图2所示，其各像素的灰度值反应了二维图像中相同位置像素的深度值，即该像素所代表实物与观察者的距离，灰度值越高，代表距离越近，反之，则较远。深度z可由以下方程求出：

z (r, c) = \frac{1.0}{(P (r, c) / 255.0) \times (1.0 / MinZ - 1.0 / MaxZ) + 1.0 / MaxZ} - - - (1)

其中z(r，c)代表r行c列处像素的实际深度值，P(r，c)为该位置深度图的灰度值，MinZ和MaxZ分别为深度最小和最大值。

深度图可由激光测距雷达，双目视频深度估计算法和单目视频深度估计算法等方法得出。深度图的分割是基于深度的图像理解、图像压缩、目标识别以及追踪等技术中的重点和难点之一。对深度图进行分割，能够更好的反应出图像内容的含义。目前主要的图像分割方法有基于阈值分割、基于区域生长和分裂、基于形状和基于统计模型的分割等几类。由图3可以看出，深度图中具有大片的非平滑区域和灰度渐变区域。以地面区域为例，其灰度变化范围几乎跨越了整幅图像的灰度范围，且不平坦，而从视觉角度整个地面都属于背景，我们希望把其分割为一个整体，并且希望分割过程的自动化程度尽可能高，这是现有分割方法无法完成的。

发明内容

本发明为了解决现有分割方法无法自动化程度高对背景进行分割，并且将背景分割成为一个整体的问题，从而提供一种基于均值漂移算法和数学形态学的深度图分割方法。

一种基于均值漂移算法和数学形态学的深度图分割方法，它包括如下步骤：

步骤一：根据灰度为f(x，y)的深度图像生成深度图的灰度直方图hisk(k)；所述L为灰度级，L＝0，1…255；

所述的灰度直方图的横坐标为灰度级L，纵坐标为灰度级出现的频率；

步骤二：利用一维高斯窗函数对灰度直方图进行平滑处理，并设定前景阈值T；

所述前景阈值T为按灰度值从高到低的第一个包含了一定语义范围的极小值，所述一定语义范围为该区域内所含像素数大于整个图像像素数的10％，即hist(k＞T)＞10％*hist(0...L-1)；所述极小值为hist(k)＝min(hist(k-4)，hist(k-3)...hist(k+4))；

步骤三：根据前景阈值T调节步骤一所述的深度图的灰度值，将灰度值高于所述前景阈值T的像素的灰度提升10；

步骤四：将步骤三获得的深度图利用数学形态学“关”操作进行修正；

步骤五：利用均值漂移算法将步骤四获得的深度图进行聚类分割；

所述均值漂移算法的公式为：

M (x) = \frac{Σ_{i = 1}^{n} G_{H} (x_{i} - x) w (x_{i} - x)}{Σ_{i = 1}^{n} G_{H} (x_{i} - x) w (x_{i})}

公式一

其中，G_H(x_i-x)＝|H|^-1/2G(H^-1/2(x_i-x))，G(x)是一个单位核函数，带宽矩阵H是一个正定的对称d×d矩阵，记为一个对角矩阵

取正比于单位矩阵H＝h²I，w(x_i)≥0是一个赋给采样点x_i的权重，选用二维的高斯模窗函数；

因此，公式一改写为：

M_{h} (x) = \frac{Σ_{i = 1}^{n} G (\frac{x_{i} - x}{h}) w (x_{i}) x_{i}}{Σ_{i = 1}^{n} G (\frac{x_{i} - x}{h}) w (x_{i})} - x

公式二

将公式二等式右侧第一项记为m_h(x)，即

m_{h} (x) = \frac{Σ_{i = 1}^{n} G (\frac{x_{i} - x}{h}) w (x_{i}) x_{i}}{Σ_{i = 1}^{n} G (\frac{x_{i} - x}{h}) w (x_{i})}

公式三

步骤六：给定初始像素x，容许误差ε；计算m_h(x)并把m_h(x)赋值给x，当||m_h(x)-x||＜ε时结束赋值，否则持续将计算得到的m_h(x)赋值给x；

步骤七：步骤六最终获得的x为初始点的收敛点，将相同收敛与同一点的像素归为一类，即划为同一分割区域；

步骤八：对分割区域进行灰度值赋值，每个区域所赋灰度值为原深度图中该区域内所有灰度值的平均值；完成对深度图的分割。

采用本发明所述的基于均值漂移算法和数学形态学的深度图分割方法实现了自动化程度高的对背景进行分割，并且将背景分割成为一个整体的分割。本方法能够很好的实现深度图中前景区域与背景区域的分离、将灰度渐变的背景区域划分在同一区域，同时解决了应用均值漂移算法时出现的前景区域与灰度渐变背景区域联通的问题。

附图说明

图1为Ballet序列的第一帧图像；图2为图1对应的深度图；图3为图1的深度图立体效果图；图4为本发明图基于均值漂移算法和数学形态学的深度图分割方法的流程图；图5为本发明基于均值漂移算法和数学形态学的深度图分割方法步骤一所述的深度图的灰度直方图；图6为图1直接进行均值漂移算法分割的效果图；图7为图1经过数学形态学关处理后的分割效果图；图8为图1经过深度图的灰度直方图分析和数学形态学关后的深度图预处理效果图；图9为本发明基于均值漂移算法和数学形态学的深度图分割方法的分割效果图。

具体实施方式

具体实施方式一、结合图4至图9说明本具体实施方式。本具体实施方式为：

所述均值漂移算法的公式为：

M (x) = \frac{Σ_{i = 1}^{n} G_{H} (x_{i} - x) w (x_{i} - x)}{Σ_{i = 1}^{n} G_{H} (x_{i} - x) w (x_{i})}

公式一

因此，公式一改写为：

M_{h} (x) = \frac{Σ_{i = 1}^{n} G (\frac{x_{i} - x}{h}) w (x_{i}) x_{i}}{Σ_{i = 1}^{n} G (\frac{x_{i} - x}{h}) w (x_{i})} - x

公式二

将公式二等式右侧第一项记为m_h(x)，即

m_{h} (x) = \frac{Σ_{i = 1}^{n} G (\frac{x_{i} - x}{h}) w (x_{i}) x_{i}}{Σ_{i = 1}^{n} G (\frac{x_{i} - x}{h}) w (x_{i})}

公式三

灰度指的是图像像素的值，灰度图就是图像的一类，与彩色相对应的，深度图是这一类的图像。

采用本具体实施方式步骤二所述的设定前景阈值T，高于该值的像素即可被认为是图像的前景区域；步骤三所述的将灰度值高于所述前景阈值T的像素进行灰度提升，为了增加前景与背景间的概率梯度；从而抑制均值漂移分割时出现的区域联通现象；步骤四所述的利用数学形态学关进行修正，这可以修正图像的轮廓，融合窄的缺口，去掉小孔洞，在降低噪声干扰的同时进一步一直前景背景联通现象的出现。

均值漂移算法本质上是一个自适应的梯度上升搜索峰值的方法，如果数据集{x_i，i＝1，...n}，给定一个初始像素，均值漂移算法就会一步步的移动，最终收敛到第一个峰值点。数据集{i_i，i＝1，...n}中的每一点都可以作为初始像素，分别执行均值漂移算法，把收敛到同一个点的像素算作一类把图像视为一个数据集，就可以实现非监督的聚类分割，从而实现发明目的。

具体实施方式二、本具体实施方式与具体实施方式二不同的是步骤一所述根据灰度为f(x，y)的深度图像生成深度图的灰度直方图hisk(k)的过程为：

步骤一A：初始化hisk(k)＝0；k＝0，1...L-1；

步骤一B：统计f(x，y)＝k；hisk(k+1)，x＝0，1...M-1；y＝0，1...N-1。

具体实施方式三、本具体实施方式与具体实施方式三不同的是步骤二所述利用一维高斯模对灰度直方图进行平滑处理，所用高斯模为[0.10.20.40.20.1]；平滑处理后的结果为hisk(k)＝0.1hisk(k-2)+0.2hisk(k-1)+0.4hisk(k)+0.2hisk(k+1)+0.1hisk(k+2)；k＝0，1...L-1。

Claims

1.一种基于均值漂移算法和数学形态学的深度图分割方法，其特征在于它包括如下步骤：

所述均值漂移算法的公式为：

M (x) = \frac{Σ_{i = 1}^{n} G_{H} (x_{i} - x) w (x_{i} - x)}{Σ_{i = 1}^{n} G_{H} (x_{i} - x) w (x_{i})}

公式一

其中，G_H(x_i-x)＝|H|^-1/2G(H^-1/2(x_i-x))，G(x)是一个单位核函数，带宽矩阵H是一个正定的对称d×d矩阵，记为一个对角矩阵取正比于单位矩阵H＝h²I，w(x_i)≥0是一个赋给采样点x_i的权重，选用二维的高斯模窗函数；

因此，公式一改写为：

M_{h} (x) = \frac{Σ_{i = 1}^{n} G (\frac{x_{i} - x}{h}) w (x_{i}) x_{i}}{Σ_{i = 1}^{n} G (\frac{x_{i} - x}{h}) w (x_{i})} - x

公式二

将公式二等式右侧第一项记为m_h(x)，即

m_{h} (x) = \frac{Σ_{i = 1}^{n} G (\frac{x_{i} - x}{h}) w (x_{i}) x_{i}}{Σ_{i = 1}^{n} G (\frac{x_{i} - x}{h}) w (x_{i})}

公式三

2.根据权利要求2所述的一种基于均值漂移算法和数学形态学的深度图分割方法，其特征在于步骤一所述根据灰度为f(x，y)的深度图像生成深度图的灰度直方图hisk(k)的过程为：

步骤一A：初始化hisk(k)＝0；k＝0，1...L-1；

3.根据权利要求3所述的一种基于均值漂移算法和数学形态学的深度图分割方法，其特征在于步骤二所述利用一维高斯模对灰度直方图进行平滑处理，所用高斯模为[0.10.20.40.20.1]；平滑处理后的结果为hisk(k)＝0.1hisk(k-2)+0.2hisk(k-1)+0.4hisk(k)+0.2hisk(k+1)+0.1hisk(k+2)；k＝0，1...L-1。