CN103632361A - 一种图像分割方法和系统 - Google Patents

Abstract

本申请提供了一种图像分割方法和系统，请涉及图像处理领域。所述方法包括：根据原始图像，划定第一初始前景区域和初始背景区域；对原始图像进行下采样，获得第一图像，并将第一图像中属于第一初始前景区域的像素划定为初始前景区域；利用所述初始背景区域中的像素建立初始的背景混合高斯模型，利用所述初始前景区域的像素建立初始的前景混合高斯模型；将所述第一图像输入图切割过程，划分新前景区域和新背景区域；并以所述新前景区域的像素优化所述前景混合高斯模型的参数，以新背景区域中的像素优化所述背景混合高斯模型的参数；直至图切割过程收敛。本申请可提高切割算法处理时间。

Description

一种图像分割方法和系统

技术领域

本申请涉及图像处理领域，特别是涉及一种图像分割方法和系统。

背景技术

图像分割是数字图像处理过程中的关键技术之一。图像分割的任务是将输入图像分割为一些独立的区域，使得同一区域具有相同的属性，而使不同区域具有不同的属性。图像分割是进一步进行图像识别，分析和理解的基础，在理论研究和实际应用中都得到人们广泛的重视。对于图像分割问题，人们已经提出了很多方法，但是鉴于图像具有种类多、数据量大、变化多等特点，迄今为止还没有一种图像分割的方法适用于所有的情况，此外分割结果的好坏也需要根据具体的场合和要求去评价。因此，图像分割仍然是目前的研究热点之一。

在现有的图像分割方法中，基于统计模型的图像分割方法应用的相当广泛。这类方法常常选用某个统计模型来描述待分割图像像素值的分布，通过一定的训练和学习过程估计出统计模型的结构和相应的参数，并且获得每个像素点关于各个欲划分出的类的概率的大小，最后将最大概率所对应的类作为当前像素点分割到的类。与这样的流程相对应的是机器学习领域中的无监督学习过程。在己知的基于统计模型的图像分割方法中，最常见也是应用最为广泛的模型就是高斯混合模型(GMM，Gaussian Mixture Model)。

并且，随着互联网的发展迅速，传统的文字有时候已经不能表达人们所关注的一些感兴趣的东西，此时图片的重要性显得尤为重要。但是如何从一张背景复杂的图片中自动快速的分割出图片的主体区域，是一个极为迫切的问题。

目前图像分割领域中主流采用的分割方法大致流程为：

1、人工进行干涉，在图像中希望得到的前景部分周围画一个矩形作为初始化，矩形内的区域为未知区域，矩形外的区域为背景区域。

2、对图像做一个初始的设定性划分，把背景区域作为确定性的背景类，把未知区域作为前景类。

3、采用聚类算法把背景和前景分别划为几类，并创建前景混合高斯模型GMM和背景混合高斯模型GMM。

4、对图像执行图切割算法，把图像中每个像素划分为新的前景和背景，更新前景、背景GMM的参数，直到图切割算法收敛，即图切割算法的切割总能量最小。

首先，现在的分割方法其计算的像素点数量大，其分割速度慢。

另外，现在的分割方法还存在无法自动选择前景和背景的问题，需要进行人工干涉。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种图像分割方法和系统。

为了解决上述问题，本申请公开了一种图像分割方法，其特征在于，包括：

根据原始图像，划定第一初始前景区域和初始背景区域；

对原始图像进行下采样，获得第一图像，并将第一图像中属于第一初始前景区域的像素划定为初始前景区域；

利用所述初始背景区域中的像素建立初始的背景混合高斯模型，利用所述初始前景区域的像素建立初始的前景混合高斯模型；

将所述第一图像输入图切割过程，划分新前景区域和新背景区域；并以所述新前景区域的像素优化所述前景混合高斯模型的参数，以新背景区域中的像素优化所述背景混合高斯模型的参数；直至图切割过程收敛。

优选的，所述划定第一初始前景区域和初始背景区域包括：

将原始图像进行灰度化处理，获得对应原始图像的灰度图像；

对所述灰度图像进行图像边缘的二值化处理，获得二值化图像；其中，将灰度图像的边缘区域像素的灰度设置为255，其余区域像素的灰度设置为0；

在原始图像的内部划定第一区域；将原始图像中所述第一区域外部，对应在所述二值化图像中像素值为0的区域标记为初始背景区域；将原始图像中，所述第一区域内部区域，或所述第一区域内部和第一区域外部像素值为255的区域划定为第一初始前景区域。

优选的，对所述灰度图像进行图像边缘的二值化处理，获得二值化图像；还包括：

对灰度图像进行去高频操作，去除灰度图像中频率高于阈值的像素。

优选的，对原始图像进行采用去高频操作包括：

采用高斯函数对原始图像进行去高频操作；其中高斯函数的高斯分布参数为2.5。

优选的，对所述灰度图像进行二值化处理，获得二值化图像包括：

采用分水岭分割法对所述灰度图像进行二值化处理，获得二值化图像；其中分水岭线对应像素点的像素值设为255，将分水岭线之外的像素点的像素值设为0。

优选的，采用分水岭分割法对所述灰度图像进行二值化处理，获得二值化图像包括：

遍历各个象素点得出梯度图像的直方图和各梯度层的概率密度，再次遍历各个象素点，得出每个象素点在排序数组中的位置，对象素点进行排序；

对梯度图像进行标号，其方法为判断当前处理点的上下左右四个邻点是否已经被标号：若当前处理点的上下左右四个邻点存在已经标号的点，则当前处理点的标号等于该标号；若当前处理点的上下左右四个邻点不存在已经标号的点，则当前处理点的标号为新标号；

顺序扫描每一梯度层的各像素点，并在扫描过程中直接判定出每一点的标号；所述判定出每一点标号的方法为：根据当前处理点的上下左右四邻点已有标号的种类进行判定，若当前处理点的上下左右四个邻点只有一种标号，则当前处理点的标号等于该标号；若当前处理点的上下左右四个邻点有两种或两种以上的标号，则当前处理点位于两个或两个以上区域的交界处，当前处理点为分水岭点；若当前处理点的上下左右四个邻点均未标号，则当前处理点的标号为新标号；

将标号相同的点划为一个区域，不同的区域用分水岭线加以分割，从而得到图像分割；

将分水岭线对应像素点的像素值设为255，将分水岭线之外的像素点的像素值设为0，得到所述二值化图像。

优选的，在原始图像的中央划定第一区域包括：

根据原始图像相邻两条边的边长w和边长h，以原始图像相邻两边中的宽边为x轴和高边为y轴，在x轴上选定起点w/20，终点19w/20，和在y轴上选定起点h/20，终点19h/20；

划定x＝w/20，x＝19w/20，和y＝h/20，y＝19h/20所包围的区域为第一区域。

优选的，利用所述初始背景区域中的像素建立初始背景混合高斯模型，利用所述初始前景区域的像素建立初始前景混合高斯模型包括：

针对所述初始背景区域或初始前景区域的像素，由所述各像素计算得到初始背景或前景的初始均值u_k和初始方差σ² _k；

将所初始背景或前景的初始均值u_k和初始方差σ² _k，相应带入初始背景或初始前景高斯混合模型其中K表示混合高斯模型中单高斯模型的个数，π_k表示第k个单高斯模型的权重，初始π_k＝1/K。

相应的，本申请还公开了一种图像分割系统，包括：

第一初始区域划定模块，用于根据原始图像，划定第一初始前景区域和初始背景区域；

下采样处理模块，用于对原始图像进行下采样，获得第一图像，并将第一图像中属于第一初始前景区域的像素划定为初始前景区域；

混合高斯模型初始化模块，用于利用所述初始背景区域中的像素建立初始背景混合高斯模型，利用所述初始前景区域的像素建立初始前景混合高斯模型；

混合高斯模型优化模块，用于将所述第一图像输入图切割过程，划分新前景区域和新背景区域；并以所述新前景区域的像素优化所述前景混合高斯模型的参数，以新背景区域中的像素优化所述背景混合高斯模型的参数；直至图切割过程收敛。

优选的，所述第一初始前景区域划定模块包括：

灰度处理模块，用于将原始图像进行灰度化处理，获得对应原始图像的灰度图像；

二值化处理模块，用于对所述灰度图像进行二值化处理，获得二值化图像；

第一区域划分模块，用于在原始图像的内部划定第一区域；将原始图像中所述第一区域外部，对应在所述二值化图像中像素值为0的区域标记为初始背景区域；将原始图像中，所述第一区域内部区域，或者所述第一区域内部和第一区域外部像素值为255的区域划定为第一初始前景区域。

优选的，在所述二值化处理模块之前还包括：

高频处理模块，用于对灰度图像进行去高频操作，去除灰度图像中频率高于阈值的像素。

优选的，所述二值化处理模块包括：

分水岭分割模块，用于采用分水岭分割法对所述灰度图像进行二值化处理，获得二值化图像；其中分水岭线对应像素点的像素值设为255，将分水岭线之外的像素点的像素值设为0。

与现有技术相比，首先，本申请对于原始图像采用下采样，在下采样的得到的第一图像中，将属于第一初始前景区域的像素划定为初始前景区域，然后再基于该初始前景区域建立初始前景混合高斯模型，减少了初始前景混合高斯模型计算的像素点，缩短了计算时间。

另外，本申请还通过对图像进行边界的二值化处理，得到以边界上的像素为255，其他像素为0的二值化图像，然后在该二值化图像基础上，对原始图像划定矩形确定初始背景区域和初始前景区域，代替了现有技术的人工干涉；结合本申请对第一图像进行下采样，利用第一图像中的前景区域构建前景的高斯混合模型，缩小前景建模的时间，并且对比占用原始图像比例较小的背景区域，以原始图像的背景区域建模，以获得较为精准的背景模型；然后对下采样得到的第一图像进行图切割算法，在保证分割效果的同时，可以大大降低分割算法处理时间，从而使本申请适合大规模的自动化对图像进行分割。

附图说明

图1是本申请一种图像分割方法实施例一的流程示意图；

图2是本申请一种图像分割方法实施例二的流程示意图；

图3是一种原始图像示例；

图4是对原始图像进行下采样的一种示例；

图5是本申请对所述原始图像进行切割得到的结果示例；

图6是本申请一种图像分割系统实施例一的结构示意图；

图7是本申请一种图像分割系统实施例二的结构示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

参照图1，其示出了本申请一种图像分割方法实施例一的流程示意图，具体可以包括：

步骤60，根据原始图像，划定第一初始前景区域和初始背景区域；

在原始图像中划定第一初始前景区域和初始背景区域。

比如原始图像的宽w和高h，以原始图像相邻两边中的宽边为x轴和高边为y轴，在x轴上选定起点w/20，终点19w/20，和在y轴上选定起点h/20，终点19h/20；

划定x＝w/20，x＝19w/20，和y＝h/20，y＝19h/20所包围的区域为第一初始前景区域。

步骤70，对原始图像进行下采样，获得第一图像，并将第一图像中属于第一初始前景区域的像素划定为初始前景区域；

下采样定义为：对于一个样值序列间隔几个样值取样一次，这样得到新序列就是原序列的下采样。那么在本申请中，图像是由一个一个像素点组成的像素值序列。那么即可对原始图像进行下采样。

在本申请中，可采用每隔一个像素点取一个点的插值方式进行下采样，具体插值方式可根据实际情况选择。

对于下采样得到的第一图像，因为下采样是从原始图像中按序间隔采样，所以原始图像中属于初始背景区域的像素点在第一图像中仍然为背景区域；原始图像中属于第一初始前景区域的像素点在第一图像中仍然为前景区域。那么即可将第一图像中的前景区域作为初始前景区域。

采用下采样，即从原始图像中选择部分像素组成第一图像，那么其像素点相对原始图像就大大减少。

步骤80，利用所述初始背景区域中的像素建立初始的背景混合高斯模型，利用所述初始前景区域的像素建立初始的前景混合高斯模型；

本申请仍然利用原始图像中的初始背景区域中的像素建立背景GMM模型，而利用第一图像中的初始前景区域中的像素建立前景GMM模型。即可得到初始化的背景GMM模和前景GMM模型。

每个GMM模型由K个Gaussian分布(单高斯模型)组成，每个Gaussian称为一个“Component”，Component线性加成在一起就组成了GMM模型：

$p\left(x\right)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\π}}_{k}N\left(x\right|u_k,{{\mathrm{\σ}}^2}_k)$

其中K表示混合高斯模型中单高斯模型的个数，K取3～5，π_k表示第K个单高斯模型的权重，u_k和σ² _k分别表示第k个单高斯模型的均值和方差。

优选的，利用所述初始背景区域中的像素建立初始背景混合高斯模型，利用所述初始前景区域的像素建立初始前景混合高斯模型包括：

步骤d1，针对所述初始背景区域或初始前景区域的像素，由所述各像素计算得到初始背景或前景的初始均值u_k和初始方差σ² _k；

步骤d2，将所述初始背景或前景的初始均值u_k和初始方差σ² _k，相应带入初始背景或初始前景高斯混合模型

其中K表示混合高斯模型中单高斯模型的个数，π_k表示第k个单高斯模型的权重，初始π_k＝1/K。

在本申请中，优选的K＝5，即在前景GMM模型和背景GMM模型中，分别用5个单高斯模型模拟前景和背景R、G、B各颜色通道的像素值分布。

步骤90，将所述第一图像输入图切割过程，划分新前景区域和新背景区域；并以所述新前景区域的像素优化所述前景混合高斯模型的参数，以新背景区域中的像素优化所述背景混合高斯模型的参数；直至图切割过程收敛。

在本申请中，优选的采用Grabcut图切割算法，该算法可以通过迭代运算优化前景GMM和背景GMM的参数，即前述每个高斯模型的π_k，u_k，σ² _k。

图切割原理是基于图论原理，大致原理如下：

图G＝<V，E>是由点集V和边集E构成的有机整体。其中，点集V由一系列顶点组成，边集E由一系列连结顶点的边组成。如果存在边(p，q)，则称顶点p、q是相邻的。如果图G中的每一条边(p，q)都存在与之相对应的边(q，p)，则称图G为无向图，否则称之为有向图。如果对于图G中的任意两个顶点p、q，总存在一系列的边(p，p₁)、(p₁，p₂)......、(p_n-1，p_n)、(p_n，q)使之连接，则称图G为联通图，否则称图G分离。若集合C是联通图G的边集E的一个子集，满足G(C)＝<V，E-C>是分离的，则称C是图G的一个切割。根据应用的需要，可以为图G中的每一条边e赋予一个权值w_e，称赋予权值的图为赋权图。在赋权图G中，可以定义切割C的代价(cost)为

称代价最小的切割为最小切。

本申请整张图片分成了三个部分：即前景(OBJ)、背景(BKG)以及未知(UNKNOWN)。其中，未知部分(UNKNOWN)可以为空集。图切割算法的任务就是得到满足某种意义下的能量(代价)最小化的未知部分像素的分割，即确定其中每一个像素属于背景还是前景。一般地，图像分割的能量包含两方面，分别反映图像的区域属性及边界属性，不妨分别称之为区域能量以及边界能量。设某个图像的像素集合为P，所有相邻像素的集合记为N(即p、q相邻等价于{p，q}∈N)。设A＝(A₁，...，A_p，...，A_|P|)是该图像的一个分割。其中，A_p＝OBJ表示第p个像素属于前景，而A_p＝BKG表示第p个像素属于背景。记图像分割的总能量、区域能量及边界能量分别为E(A)、R(A)及B(A)，则有

E(A)＝λ·R(A)+B(A)    (1)

$R\left(A\right)=\underset{p\&Element;P}{\mathrm{\&Sigma;}}{R}_p\left(A_p\right)---\left(2\right)$

$B\left(A\right)=\underset{\{p,q\}\&Element;N}{\mathrm{\&Sigma;}}{B}_{\{p,q\}}\&CenterDot;\mathrm{\&delta;}(A_p,A_q)---\left(3\right)$

$\mathrm{\&delta;}(A_p,A_q)=\left\{\begin{array}{cc}1& A_p\&NotEqual;A_q\\ 0& A_p=A_q\end{array}\right.---\left(4\right)$

参数λ用于反映区域能量与边界能量的相对重要性。λ越大则区域能量在总能量中所占的比重就越大，反之边界能量在总能量中所占比重越大。区域能量R(A)反映了将每一个像素p分割为A_p所花费的代价。若像素p与指定的背景像素越相似，则R_p(″BKG″)越小；若像素p与指定的前景像素越相似，则R_p(″OBJ″)越小。衡量某个像素与指定的背景像素及前景像素的相似性，通常采用某种统计模型。这里，用户的输入起到统计源的作用：它告诉程序，背景是什么样的，前景是什么样的。对于彩色图片，常用的统计模型是高斯混合模型(GMM：Gauss Mixture Model)。边界能量B(A)反映了像素集P中任意两个相邻像素p、q，当分割不连续，即A_p≠A_q时所花费的代价。p、q越相似，则B_{p，q}越大；反之则B_{p，q}越小。一般地，取

其中，c_p，c_q分别是像素p、q的颜色。

最终，交互式图像分割转化为以下的优化问题，

min：E(A)＝λ·R(A)+B(A)，

subto： $A_p=\left\{\begin{array}{cc}\mathrm{BKG}& \mathrm{ifp}\&Element;B\\ \mathrm{OBJ}& \mathrm{ifp}\&Element;O\end{array}\right..$

其中，O、B分别是用户输入的前景集与背景集。

使用图切算法可以高效地求解上节提出的优化问题。为此可以定义一个图G＝<V，E>。其顶点集V＝P∪{S，T}。其中，P对应于图像的像素集合，S、T是两个终端点(terminal)。边集

其中，N是图像中所有相邻像素的集合。各条边的权值按下表指定：

其中，

$K=1+\underset{p\&Element;P}{\max }\underset{q:\{p,q\}\&Element;N}{\mathrm{\&Sigma;}}{B}_{\{p,q\}}---\left(5\right)$

图G的可行分割与图像P的分割是一一对应的。事实上，对于可行分割F可以定义相应的图像分割A(F)为

$A_p\left(F\right)=\left\{\begin{array}{cc}\mathrm{BKG}& \{p,T\}\&Element;F\\ \mathrm{OBJ}& \{p,S\}\&Element;F\end{array}\right.---\left(6\right)$

而图G的任何一个可行分割F的代价为：

$\left|\right|F\left|\right|=\underset{p\&NotElement;O\&cup;B}{\mathrm{\&Sigma;}}\mathrm{\&lambda;}\&CenterDot;R_p\left(A_p\left(F\right)\right)+\underset{\{p,q\}\&Element;N}{\mathrm{\&Sigma;}}{B}_{\{p,q\}}\&CenterDot;\mathrm{\&delta;}(A_p\left(F\right),A_q\left(F\right))$

$=E\left(A\left(F\right)\right)-\underset{p\&Element;O}{\mathrm{\&Sigma;}}\mathrm{\&lambda;}\&CenterDot;R_p\left(\mathrm{OBJ}_{\&prime;\&prime;}^{\&prime;\&prime;}\right)-\underset{p\&Element;B}{\mathrm{\&Sigma;}}\mathrm{\&lambda;}\&CenterDot;R_p\left(\mathrm{BKG}_{\&prime;\&prime;}^{\&prime;\&prime;}\right)---\left(7\right)$

即||F||＝E(A(F))-C。因此有

其中，H是所有满足用户输入的约束条件的所有图像分割的集合。

那么本申请采用Grabcut图切割算法，则公式(1)可以重新设计如下：

E(α，k，θ，z)＝R(α，k，θ，z)+B(α，z)    (8)

区域能量项为：

$R(\underset{\&OverBar;}{\mathrm{\&alpha;}},k,\underset{\&OverBar;}{\mathrm{\&theta;}},z)=\underset{n}{\mathrm{\&Sigma;}}{R}_n({\mathrm{\&alpha;}}_n,k_n,\underset{\&OverBar;}{\mathrm{\&theta;}},z_n)---\left(9\right)$

$\begin{array}{c}{R}_n({\mathrm{\&alpha;}}_n,k_n,\underset{\&OverBar;}{\mathrm{\&theta;}},z_n)=-\log \mathrm{\&pi;}({\mathrm{\&alpha;}}_n,k_n,\underset{\&OverBar;}{\mathrm{\&theta;}},z_n)\\ +\frac{1}{2}\log \det \mathrm{\&Sigma;}({\mathrm{\&alpha;}}_n,k_n)\\ +\frac{1}{2}{[z_n-\mathrm{\&mu;}({\mathrm{\&alpha;}}_n,k_n)]}^T{\mathrm{\&sigma;}}^2{(\mathrm{\&alpha;},k)}^{-1}[z_n-\mathrm{\&mu;}({\mathrm{\&alpha;}}_n,k_n)]\end{array}---\left(10\right)$ 其中，α_n是像素n的属性，α_n＝0表示前景，α_n＝1表示背景。k_n表示像素点n所属于的高斯混合模型标号。高斯混合模型的参数模型用θ＝{π(α，k)，μ(α，k)，σ²(α，k)，α＝0，1，k＝1...K}表示。

而边界能量项为：

$B(\underset{\&OverBar;}{\mathrm{\&alpha;}},z)=\underset{(m,n)\&Element;C}{\mathrm{\&Sigma;}}\mathrm{\&delta;}(m,n)\exp -\mathrm{\&beta;}{\left|\right|z_m-z_n\left|\right|}^2---\left(11\right)$

根据以上定义，可以通过迭代的方法求解：

1.定义背景集T_F为矩形框外部分，前景集T_O＝φ，未知区域

令T_U中像素n的属性α_n＝1，其余像素α_n＝0。对α_n＝1和α_n＝0两类像素分别统计GMM。

2.为T_U中像素n估计所在的GMM部件：

$k_n=\arg \underset{k_n}{\min }{D}_n({\mathrm{\&alpha;}}_n,k_n,\mathrm{\&theta;},z_n)$

3.获得GMM参数θ：

$\underset{\&OverBar;}{\mathrm{\&theta;}}=\arg \underset{\underset{\&OverBar;}{\mathrm{\&theta;}}}{\min }(\underset{\&OverBar;}{\mathrm{\&alpha;}},k,\underset{\&OverBar;}{\mathrm{\&theta;}},z)$

4.最小切割方法估计分割：

$\underset{\{{\mathrm{\&alpha;}}_n:n\&Element;T_U\}}{\min }\underset{k}{\min }E(\underset{\&OverBar;}{\mathrm{\&alpha;}},k,\underset{\&OverBar;}{\mathrm{\&theta;}},z)$

5.重复第2步，直到收敛。

在图切割算法收敛后，对图像分割即可完成，将属于前景GMM模型的像素作为原始图片的主体部分即可。

本申请采用grabcut图切割算法时，针对grabcut图切割算法性能无法达到实时处理的缺点进行改进，对原始图像前景进行下采样，缩小前景建模的时间，对比占用原始图像比例较小的背景区域，以原始图像的背景区域建模，以获得较为精准的背景模型，然后进行grabcut图切割算法的迭代过程，在保证分割效果的同时，可以大大降低分割算法处理时间。

参照图2，其示出了本申请一种图像分割方法实施例二的流程示意图，具体可以包括：

步骤110，将原始图像进行灰度化处理，获得对应原始图像的灰度图像；

本申请需要对原始图像进行二值化处理，而二值化处理则需要用到原始图像的灰度图像，因此，本步骤需要对原始图像进行灰度化处理，获得对应原始图像的灰度图像。

比如对于RGB(红(R)、绿(G)、蓝(B))三个颜色通道的彩色图片，对其进行灰度化一般有四种方法：

1、分量法

将彩色图像中的R、G、B三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。比如，f1(i，j)＝R(i，j)f2(i，j)＝G(i，j)f3(i，j)＝B(i，j)，其中fK(i，j)(K＝1，2，3)为转换后的灰度图像在像素(i，j)处的灰度值。

2.最大值法

将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。比如，f(i，j)＝max(R(i，j)，G(i，j)，B(i，j))。

3.平均值法

将彩色图像中的三分量亮度求平均得到一个灰度图。比如，f(i,j)＝(R(i，j)+G(i，j)+B(i，j))/3。

4.加权平均法

根据重要性及其它指标，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。比如，f(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j))。

优选的，在本步骤之后还包括：

步骤115，对灰度图像进行去高频操作，去除灰度图像中频率高于阈值的像素。

采用去高频操作对图像进行处理，起到噪声滤除的作用。因为通常在一副图像里面，图像的主要部分体现在频率的低频处，噪声和细节通常在高频处，所以通过抑制图像的高频部分，可以起到去除图像噪声的功能。

进一步，优选的，对灰度图像进行去高频操作，去除灰度图像中频率高于阈值的像素包括：

步骤A11，采用高斯函数对原始图像进行去高频操作；其中高斯函数的高斯分布参数为2.5。

采用高斯函数滤波(在本申请中为去高频操作)，对去除服从正态分布的噪声很有效。比如，常用的零均值离散高斯滤波器函数：g(x)＝exp(-x^2/(2σ^2)，其中，高斯分布参数σ决定了高斯函数的宽度。

高斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特别有用。这些性质表明，采用高斯函数滤波无论在空间域还是在频率域都是十分有效的，且在实际图像处理中得到了工程人员的有效使用.高斯函数具有五个十分重要的性质，它们是：

(1)二维高斯函数具有旋转对称性，即高斯函数在各个方向上的平滑程度是相同的.一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑。旋转对称性意味着高斯函数在后续边缘检测中不会偏向任一方向。

(2)高斯函数是单值函数.这表明，高斯函数用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的.这一性质是很重要的，因为边缘是一种图像局部特征，如果平滑运算对离算子中心很远的像素点仍然有很大作用，则平滑运算会使图像失真。

(3)高斯函数的傅立叶变换频谱是单瓣的.正如下面所示，这一性质是高斯函数傅立叶变换等于高斯函数本身这一事实的直接推论。图像常被不希望的高频信号所污染(噪声和细纹理).而所希望的图像特征(如边缘)，既含有低频分量，又含有高频分量。高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需信号。

(4)高斯函数宽度(决定着平滑程度)是由参数σ表征的，而且σ和平滑程度的关系是非常简单的.σ越大，高斯函数的频带就越宽，平滑程度就越好。通过调节平滑程度参数σ，可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷。

(5)由于高斯函数的可分离性，较大尺寸的高斯函数滤波可以得以有效地实现.二维高斯函数卷积可以分两步来进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的相同一维高斯函数卷积。因此，二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长。

步骤120，对所述灰度图像进行图像边缘的二值化处理，获得二值化图像；其中，将灰度图像的边缘区域像素的灰度设置为255，其余区域像素的灰度设置为0；

本申请为了保证自动粗选前景和背景的效果，需要检测灰度图像的图像边缘，并基于图像边缘进行二值化处理，，将灰度图像的边缘区域像素的灰度设置为255，其余区域像素的灰度设置为0。

优选的，对所述灰度图像进行二值化处理，获得二值化图像包括：

步骤A21，采用分水岭分割法对所述灰度图像进行二值化处理，获得二值化图像；其中分水岭线对应像素点的像素值设为255，将分水岭线之外的像素点的像素值设为0。

分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。分水岭表示的是输入图像极大值点。

具体的检测图像边缘并进行二值化处理的方法，本申请不对其加以限制。

本文提出的分水岭图像分割方法利用泛洪过程中排序数组内各像素点间的位置关系，对每一个梯度层，从左上到右下的顺序逐列逐行进行标号扩展。图像分割处理方法可分为排序、种子生成和泛洪三个步骤，在本申请中还包括对边界对应像素值的处理步骤。优选的，采用分水岭分割法对所述灰度图像进行二值化处理，获得二值化图像可包括：

步骤B11，遍历各个像素点得出梯度图像的直方图和各梯度层的概率密度，再次遍历各个像素点，得出每个像素点在排序数组中的位置，对像素点进行排序；

在图像的边界提取过程中，可使用Sobel算子(2)分别求出图像各像素点的水平梯度和垂直梯度，取其梯度较大者作为该点的梯度。

$H1=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right],$ $H2=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]---\left(2\right)$

H1，为水平梯度，H2：为垂直梯度

本步骤为排序步骤：通过第一次遍历求得梯度图像的直方图和各梯度层的概率密度，再通过第二次遍历得出每个像素点在排序数组中的位置。具体而言，由于梯度的概率密度表示梯度值小于该梯度的像素点的个数。所以当求得概率密度后再次遍历整个梯度图像，若某点的梯度值为n，则取梯度为n的概率密度，作为该点在排序数组中的地址，并将梯度n的概率密度加1，作为下次遇到梯度为n的点在排序数组中的地址。这样经过两次遍历后，便可以得到整幅图像依梯度值从小到大的一个一维排序数组。在该数组中，梯度小的点排在梯度大的点的前面，左上方的点排在右下方点的前面。

步骤B12，对梯度图像进行标号，其方法为判断当前处理点的上下左右四个邻点是否已经被标号：若当前处理点的上下左右四个邻点存在已经标号的点，则当前处理点的标号等于该标号；若当前处理点的上下左右四个邻点不存在已经标号的点，则当前处理点的标号为新标号；

本步骤为种子生成步骤：是为了得到梯度图像最初的标号(种子)，本文对最低梯度层进行标号扩展。即将排序数组中最小梯度层的像素点依次取出，然后根据最小梯度层中各点是否相邻判定为相同或不同的标号(本文中标记与标号的概念不同，标记包含标号和分水岭)。处理方法为：

判断当前处理点的上下左右四个邻点是否已经被标号：

若当前处理点的上下左右四个邻直存在已经标号的点，则当前处理点的标号等于该标号；

若当前处理点的上下左右四个邻点不存在已经标号的点，则当前处理点的标号为新标号。

步骤B13，顺序扫描每一梯度层的各像素点，并在扫描过程中直接判定出每一点的标号；所述判定出每一点标号的方法为：根据当前处理点的上下左右四邻点已有标号的种类进行判定，若当前处理点的上下左右四个邻点只有一种标号，则当前处理点的标号等于该标号；若当前处理点的上下左右四个邻点有两种或两种以上的标号，则当前处理点位于两个或两个以上区域的交界处，当前处理点为分水岭点；若当前处理点的上下左右四个邻点均未标号，则当前处理点的标号为新标号；

本步骤为泛洪步骤：考虑到图像梯度的相关性，即一幅图像中具有相同梯度的点通常不会孤立出现，都以聚集的小区域的形式出现；又考虑到在排序过程中对某梯度层像素点的排序是按照从左上到右下顺序排列在排序数组中的。故本文的泛洪模块中采用基于排序顺序的泛洪方法，该方法将顺序扫描每一梯度层的各像素点(从上到下，自左到右)，并在扫描过程中直接判定出每一点的标号。确定的方法是泛洪模块根据当前处理点的上下左右四邻点已有标号的种类进行判定：

若当前处理点的上下左右四个邻点只有一种标号，则当前处理点的标号等于该标号；

若当前处理点的上下左右四个邻点有两种或两种以上的标号，则当前处理点位于两个或两个以上区域的交界处，当前处理点为分水岭点；

若当前处理点的上下左右四个邻点均未标号，则当前处理点的标号为新标号。

步骤B14，将标号相同的点划为一个区域，不同的区域用分水岭线加以分割，从而得到图像分割；

然后将通过前述排序、种子生成和泛洪三个步骤得到的结果中将标号相同的点划为一个区域，不同的区域用分水岭线加以分割，从而得到图像分割。

步骤B15，将分水岭线对应像素点的像素值设为255，将分水岭线之外的像素点的像素值设为0，得到所述二值化图像。

本申请则将分水岭线对应的像素点的像素设为255，将分水岭线之外的像素点的像素值设为0，可更精确的得到前景和背景区域。

在本申请中，还可对灰度图像在经过高斯模板平滑处理后，对平滑后的每一帧图像进行排序、种子生成、泛洪步骤后便对一副图像的每个像素点进行标号，标号相同的点构成一个区域，不同的区域用分水岭线加以分割，这便实现了图像分割。

在本申请中，还可采用其他形式的分水岭分割法，本申请不对其加以限制。

步骤130，在原始图像的内部划定第一区域；将原始图像中所述第一区域外部，对应在所述二值化图像中像素值为0的区域标记为初始背景区域；将原始图像中，所述第一区域内部区域，或所述第一区域内部和第一区域外部像素值为255的区域划定为第一初始前景区域；

基于前述二值化图像划定以255像素值对应的像素点为待选的前景区域的像素点，以0像素值对应的像素点为待选的背景区域的像素点。在由二值化图像划定的这两类像素点中，通过本步骤进一步继续划分前景和背景区域。其中，在本步骤确定用于后续构建背景GMM模型的初始背景区域。

优选的，在原始图像的内部划定第一区域包括：

步骤C1，根据原始图像相邻两条边的边长w和边长h，以原始图像相邻两边中的宽边为x轴和高边为y轴，在x轴上选定起点w/20，终点19w/20，和在y轴上选定起点h/20，终点19h/20；

步骤C2，划定x＝w/20，x＝19w/20，和y＝h/20，y＝19h/20所包围的区域为第一区域。

即对于原始图像，其相邻两条边的边长分别为w和h，选择其中相邻的一条边为x轴，另一条边为y轴，以两条边的交点为原点，根据原始图像相邻两条边的边长w和边长h，那么x＝w/20，x＝19w/20，和y＝h/20，y＝19h/20相交得到四个顶点坐标为(w/20，h/20，)，(w/20，19h/20，)，(19w/20，h/20，)，(19w/20，19h/20，)，那么这四个点围成的区域即为第一区域。实际中，原始图像相邻两条边可代表其宽和高，比如宽为w，高为h。

步骤C1和C2，是为了防止步骤A21中使用梯度的分水岭分割导致过度分割，产生过多与需要分割的主体对象不对应的分水岭脊线。

在本方法的测试结果中，基于步骤C1和C2得到的初始背景区域可达90％以上的正确率。

当然，也可根据其他的划分方法划分第一区域，本申请不对其加以限制。

限制背景区域后，只有落在上述矩形区域之外，且在步骤120中得到的二值化图像中像素值为0的像素点，才确定为初始背景区域。

然后将原始图像中，所述第一区域内部区域，或所述第一区域内部和第一区域外部像素值为255的区域划定为第一初始前景区域。然后在步骤140中基于第一初始前景区域划定最终的初始前景区域。比如对于步骤C1和C2中的矩形区域，可将矩形区域中的作为第一初始前景区域，也可将处理初始背景之外的所有区域作为第一初始前景区域。

步骤140，对原始图像进行下采样，获得第一图像，并将第一图像中属于第一初始前景区域的像素划定为初始前景区域；

参照图3，其为原始图像示例。参照图4，其为对原始图像进行下采样得到的示例，其中图4的像素点为图3的一半。

采用下采样，即从原始图像中选择部分像素组成第一图像，那么其像素点相对原始图像就大大减少。

步骤150，利用所述初始背景区域中的像素建立初始的背景混合高斯模型，利用所述初始前景区域的像素建立初始的前景混合高斯模型；

步骤160，将所述第一图像输入图切割过程，划分新前景区域和新背景区域；并以所述新前景区域的像素优化所述前景混合高斯模型的参数，以新背景区域中的像素优化所述背景混合高斯模型的参数；直至图切割过程收敛。

参照图5，其为本申请对所述原始图像示例切割完毕的示例。

步骤140至步骤160与实施例一相应步骤类似，在此不再详述。

该实施例的核心思想之一在于：对原始图像进行灰度化处理，得到灰度图像，然后再针对灰度图像进行图像边缘的二值化处理，即检测灰度图像中图的边缘，然后针对边缘进行二值化处理；即将灰度图像的边缘区域像素的灰度设置为255，其余区域像素的灰度设置为0；再在原始图像的内部划定第一区域，将原始图像中所述第一区域外部，对应在所述二值化图像中像素值为0的区域标记为初始背景区域；其他区域为第一初始前景区域。如此，在分割方法前期引入图像边缘二值化等图像处理的方法对前景和背景实行模糊粗分割，代替了人工干涉，并且保证了前景和背景的分割效果。

然后，针对原始图像进行下采样，将下采样得到的第一图像中属于第一初始前景区域的像素划定为初始前景区域，再以前述原始图像的初始背景区域的像素建立背景GMM模型，以下采样得到的第一图像的初始前景区域的像素建立前景GMM模型，然后对第一图像进行图切割算法，用图切割算法划分的新前景区域和新背景区域的像素优化前景和背景的GMM模型的参数，直至图切割算法收敛。如此，采用原始图像的初始背景区域建立背景GMM模型，保证背景GMM模型的精确性，采用下采样得到第一图像的初始前景区域建立前景GMM模型，降低切割算法处理的像素数量，缩小前景建模时间，然后第一图像进行图切割算法优化前景和背景GMM模型的参数，三者结合，在保证分割效果的同时，可以大大降低分割算法处理时间。

本实施例在充分了解到现有分割算法的特点后，以图切割的算法思想为基础，对其弱点进行改进，在图切割算法前引入图像边缘二值化等图像处理的方法对前景和背景实行模糊粗分割，代替人工干涉，实现了图像的完全自动分割。

另外在实施例中，如前所述，采用grabcut图切割算法时，针对grabcut图切割算法性能无法达到实时处理的缺点进行改进，对原始图像前景进行下采样，缩小前景建模的时间，对比占用原始图像比例较小的背景区域，以原始图像的背景区域建模，以获得较为精准的背景模型，然后进行grabcut图切割算法的迭代过程，在保证分割效果的同时，可以大大降低分割算法处理时间。例如，对一张图像(分辨率1000*1000)的分割时间由2600ms降低为250ms(在计算机主要配置为：CPU：3.0GHZ，内存：2G的情况下)。本申请极大的保证了该算法的实时性。

参照图6，其示出了本申请一种图像分割系统实施例一的结构示意图，具体可以包括：

第一初始区域划定模块S210，用于根据原始图像，划定第一初始前景区域和初始背景区域；

下采样处理模块S220，用于对原始图像进行下采样，获得第一图像，并将第一图像中属于第一初始前景区域的像素划定为初始前景区域；

混合高斯模型初始化模块S230，用于利用所述初始背景区域中的像素建立初始背景混合高斯模型，利用所述初始前景区域的像素建立初始前景混合高斯模型；

混合高斯模型优化模块S240，用于将所述第一图像输入图切割过程，划分新前景区域和新背景区域；并以所述新前景区域的像素优化所述前景混合高斯模型的参数，以新背景区域中的像素优化所述背景混合高斯模型的参数；直至图切割过程收敛。

参照图7，其示出了本申请一种图像分割系统实施例二的结构示意图，具体可以包括：

灰度处理模块210，用于将原始图像进行灰度化处理，获得对应原始图像的灰度图像；

二值化处理模块220，用于对所述灰度图像进行二值化处理，获得二值化图像；

第一区域划分模块230，用于在原始图像的内部划定第一区域；将原始图像中所述第一区域外部，对应在所述二值化图像中像素值为0的区域标记为初始背景区域；将原始图像中，所述第一区域内部区域，或者所述第一区域内部和第一区域外部像素值为255的区域划定为第一初始前景区域；

下采样处理模块240，用于对原始图像进行下采样，获得第一图像，并将第一图像中属于第一初始前景区域的像素划定为初始前景区域；

混合高斯模型初始化模块250，用于利用所述初始背景区域中的像素建立初始背景混合高斯模型，利用所述初始前景区域的像素建立初始前景混合高斯模型；

混合高斯模型优化模块260，用于将所述第一图像输入图切割过程，划分新前景区域和新背景区域；并以所述新前景区域的像素优化所述前景混合高斯模型的参数，以新背景区域中的像素优化所述背景混合高斯模型的参数；直至图切割过程收敛。

其中，在所述二值化处理模块之前还包括：

高频处理模块，用于对灰度图像进行去高频操作，去除灰度图像中频率高于阈值的像素。

其中，所述二值化处理模块包括：

分水岭分割模块，用于采用分水岭分割法对所述灰度图像进行二值化处理，获得二值化图像；其中分水岭线对应像素点的像素值设为255，将分水岭线之外的像素点的像素值设为0。

对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

以上对本申请所提供的一种图像分割方法和系统，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (12)

1.一种图像分割方法，其特征在于，包括：

根据原始图像，划定第一初始前景区域和初始背景区域；

对原始图像进行下采样，获得第一图像，并将第一图像中属于第一初始前景区域的像素划定为初始前景区域；

利用所述初始背景区域中的像素建立初始的背景混合高斯模型，利用所述初始前景区域的像素建立初始的前景混合高斯模型；

将所述第一图像输入图切割过程，划分新前景区域和新背景区域；并以所述新前景区域的像素优化所述前景混合高斯模型的参数，以新背景区域中的像素优化所述背景混合高斯模型的参数；直至图切割过程收敛。

2.根据权利要求1所述的方法，其特征在于，所述划定第一初始前景区域和初始背景区域包括：

将原始图像进行灰度化处理，获得对应原始图像的灰度图像；

对所述灰度图像进行图像边缘的二值化处理，获得二值化图像；其中，将灰度图像的边缘区域像素的灰度设置为255，其余区域像素的灰度设置为0；

在原始图像的内部划定第一区域；将原始图像中所述第一区域外部，对应在所述二值化图像中像素值为0的区域标记为初始背景区域；将原始图像中，所述第一区域内部区域，或所述第一区域内部和第一区域外部像素值为255的区域划定为第一初始前景区域。

3.根据权利要求2所述的方法，其特征在于，对所述灰度图像进行图像边缘的二值化处理，获得二值化图像；还包括：

对灰度图像进行去高频操作，去除灰度图像中频率高于阈值的像素。

4.根据权利要求3所述的方法，其特征在于，对原始图像进行采用去高频操作包括：

采用高斯函数对原始图像进行去高频操作；其中高斯函数的高斯分布参数为2.5。

5.根据权利要求2所述的方法，其特征在于，对所述灰度图像进行二值化处理，获得二值化图像包括：

采用分水岭分割法对所述灰度图像进行二值化处理，获得二值化图像；其中分水岭线对应像素点的像素值设为255，将分水岭线之外的像素点的像素值设为0。

6.根据权利要求5所述的方法，其特征在于，采用分水岭分割法对所述灰度图像进行二值化处理，获得二值化图像包括：

遍历各个象素点得出梯度图像的直方图和各梯度层的概率密度，再次遍历各个象素点，得出每个象素点在排序数组中的位置，对象素点进行排序；

对梯度图像进行标号，其方法为判断当前处理点的上下左右四个邻点是否已经被标号：若当前处理点的上下左右四个邻点存在已经标号的点，则当前处理点的标号等于该标号；若当前处理点的上下左右四个邻点不存在已经标号的点，则当前处理点的标号为新标号；

顺序扫描每一梯度层的各像素点，并在扫描过程中直接判定出每一点的标号；所述判定出每一点标号的方法为：根据当前处理点的上下左右四邻点已有标号的种类进行判定，若当前处理点的上下左右四个邻点只有一种标号，则当前处理点的标号等于该标号；若当前处理点的上下左右四个邻点有两种或两种以上的标号，则当前处理点位于两个或两个以上区域的交界处，当前处理点为分水岭点；若当前处理点的上下左右四个邻点均未标号，则当前处理点的标号为新标号；

将标号相同的点划为一个区域，不同的区域用分水岭线加以分割，从而得到图像分割；

将分水岭线对应像素点的像素值设为255，将分水岭线之外的像素点的像素值设为0，得到所述二值化图像。

7.根据权利要求2所述的方法，其特征在于，在原始图像的中央划定第一区域包括：

根据原始图像相邻两条边的边长w和边长h，以原始图像相邻两边中的宽边为x轴和高边为y轴，在x轴上选定起点w/20，终点19w/20，和在y轴上选定起点h/20，终点19h/20；

划定x＝w/20，x＝19w/20，和y＝h/20，y＝19h/20所包围的区域为第一区域。

8.根据权利要求1所述的方法，其特征在于，利用所述初始背景区域中的像素建立初始背景混合高斯模型，利用所述初始前景区域的像素建立初始前景混合高斯模型包括：

针对所述初始背景区域或初始前景区域的像素，由所述各像素计算得到初始背景或前景的初始均值u_k和初始方差σ² _k；

将所初始背景或前景的初始均值u_k和初始方差σ² _k，相应带入初始背景或初始前景高斯混合模型

其中K表示混合高斯模型中单高斯模型的个数，π_k表示第k个单高斯模型的权重，初始π_k＝1/K。

9.一种图像分割系统，其特征在于，包括：

第一初始区域划定模块，用于根据原始图像，划定第一初始前景区域和初始背景区域；

下采样处理模块，用于对原始图像进行下采样，获得第一图像，并将第一图像中属于第一初始前景区域的像素划定为初始前景区域；

混合高斯模型初始化模块，用于利用所述初始背景区域中的像素建立初始背景混合高斯模型，利用所述初始前景区域的像素建立初始前景混合高斯模型；

混合高斯模型优化模块，用于将所述第一图像输入图切割过程，划分新前景区域和新背景区域；并以所述新前景区域的像素优化所述前景混合高斯模型的参数，以新背景区域中的像素优化所述背景混合高斯模型的参数；直至图切割过程收敛。

10.根据权利要求9所述的系统，其特征在于，所述第一初始前景区域划定模块包括：

灰度处理模块，用于将原始图像进行灰度化处理，获得对应原始图像的灰度图像；

二值化处理模块，用于对所述灰度图像进行二值化处理，获得二值化图像；

第一区域划分模块，用于在原始图像的内部划定第一区域；将原始图像中所述第一区域外部，对应在所述二值化图像中像素值为0的区域标记为初始背景区域；将原始图像中，所述第一区域内部区域，或者所述第一区域内部和第一区域外部像素值为255的区域划定为第一初始前景区域。

11.根据权利要求10所述的系统，其特征在于，在所述二值化处理模块之前还包括：

高频处理模块，用于对灰度图像进行去高频操作，去除灰度图像中频率高于阈值的像素。

12.根据权利要求10所述的系统，其特征在于，所述二值化处理模块包括：

分水岭分割模块，用于采用分水岭分割法对所述灰度图像进行二值化处理，获得二值化图像；其中分水岭线对应像素点的像素值设为255，将分水岭线之外的像素点的像素值设为0。

Images