CN104835154A - 一种基于随机游走的彩色图像目标获取方法 - Google Patents

Abstract

本发明创新技术核心是提出了一种基于随机游走的彩色图像目标获取方法。该技术属于用户交互的图像目标分割方法，方法输入要求有两个方面，一是彩色图像，二是用户给定的初始的前景和背景的种子点。专利技术步骤包括：（1）计算图像在HSV空间中各个特征分量的方差；（2）构建彩色图像的带权图模型，图的结点为像素点，边的权值由HSV空间像素点特征距离构成；(3)构建像素点权值之间的拉普拉斯矩阵，权值计算以方差为基础；(4)计算非种子点到种子点的概率，该步骤通过求解狄利克雷问题完成；(5)根据概率判断非种子点是否属于目标区域。大量实验证明，这种方法目标获取速度快，相比于原始的随机游走算法，能够更加精确的从彩色图像中获取目标。

Description

一种基于随机游走的彩色图像目标获取方法

技术领域

本发明主要涉及图像处理技术，具体涉及一种基于随机游走的目标提取方法。

背景技术

在计算机图像处理的研究中，目标提取的目的是从单幅图像或序列图像中将感兴趣的目标与背景分割开来，提取出有用的内容以用于后续的处理。这是一个长盛不衰的经典研究课题，也是计算机图像处理最基础的研究课题之一。感兴趣目标一般是指图像中的明显与其它目标有区别的物体，比如房间中的人，道路上的汽车。前景区域的有效提取对于目标分类、身份识别和行为理解等中高层次的任务非常重要，因为后续的处理过程通常只考虑图像中对应于前景区域的像素，并将极大的促进视频编码、检索、人机交互、运动捕捉等课题的研究。然而，由于实际图像环境中往往存在诸多不可控制的因素，如光照、阴影、复杂背景等问题的影响，使得快速准确的目标提取成为一项困难的工作。

当前的图像目标提取方法大致可以分为两类:一种是交互式的目标分割方法，另一种是自动的目标分割方法。虽然这两种方法都是用于目标提取，但这两种方法的侧重点并不相同。交互式的目标提取方法侧重于准确地抠取目标区域，目标边缘细节的处理效果更精确。交互式的方法需要人工的在目标区域或是边缘区域进行标注，这依赖于一定的先验知识，但可以得到比较满意的分割效果。

在交互式的目标分割这类方法中，已经有不少专家做了探索。Boykov Y的图割算法、Mortensen E的Live-wire算法、Kass M的Snake算法都是比较有代表性的交互式分割算法。上述方法有不错的分割效果，但分割的准确度和精确度都有待提高。

发明内容

本发明的目的在于提出一种基于随机游走的目标提取方法，以提高提取目标的准确度和精确度。在该发明中，这个实现过程首先需要用户只需要输入目标图像和前后背景的种子点，然后让计算机进行分析和计算，最终获得图像的目标区域。

本发明的技术方案如下：

步骤1，将图像转换到HSV空间，对整张图像上的像素点的H分量、S分量和V分量分别求方差，得到和

步骤2，将原图像视为图，图的结点是各个像素点，权值则由像素点间的关系决定。

在随机游走算法中，权值的定义会直接影响到分割的结果，我们将方差加入权值计算中，会使得权值的大小更接近于实际。

步骤3，根据步骤2中求得的权值建立拉普拉斯矩阵L。

由于随机游走无法通过理论方法进行计算，只能通过求解组合狄利克雷问题去解决游走算法中的概率值求解问题。

步骤4，将步骤3中的拉普拉斯矩阵重新排列，得到 $L=\left[\begin{array}{cc}{L}_M& B\\ B^T& L_U\end{array}\right],$ 其中M和U分表表示种子点和非种子点。

步骤5，根据步骤4的结果求解组合狄利克雷问题，得到L_Ux_U＝-B^Tx_M，由于L_U、B^T、x_M均已知，可以求得x_U，x_U即为非种子点到达种子点的概率。

对狄利克雷方程求关于x_U的微分，即可得到步骤5中的L_Ux_U＝-B^Tx_M。

步骤6，将步骤5中获得的非种子点到达各个种子点的概率进行判定，求得非种子点的归属区域。

这样每一个非种子点都有一个归属的区域，于是整张图像就被分割为种子点数量的若干个区域，属于前景的几个区域的集合就是最终的分割结果。

附图说明

读者在参照附图阅读了本发明的具体实施方式以后，将会更清楚地了解本发明的各个方面。其中，

图1为本发明基于随机游走的彩色图像目标获取取方法的流程图；

图2为本发明和原始的随机游走算法对比图；

具体实施方式

步骤1，将图像转换到HSV空间，对整张图像上的像素点的H分量、S分量和V分量分别求方差，得到和

在获取H、S、V分量时，需要将三个量都压缩至0到1之间，以保证数量级的平衡。

步骤2，将原图像视为图，图的结点是各个像素点，权值则由像素点间的关系决定。

对于相邻的两个像素点，其权值定义为w_ij＝exp(-β×value)+ε，其中β、k是自由参数，用于调整值的大小，ε是允许的最小权值，小写的h、s、v代表像素点在HSV空间的分量值。

这里β和k分别取90和20。

为了保证权值w_ij在一个可控的范围内，value的值需要进行归一化的处理，其归一化方法为 $\mathrm{value}=\frac{\mathrm{value}-\mathrm{va}{\mathrm{lue}}_{\min }}{{\mathrm{value}}_{\mathrm{nax}}-{\mathrm{value}}_{\min }}.$

步骤3，根据步骤2中求得的权值建立拉普拉斯矩阵L。

拉普拉斯矩阵L的定义为其中v_i和v_j表示图的结点，d_i则是v_i的度。

拉普拉斯矩阵L是一个大型的稀疏矩阵。

步骤4，将步骤3中的拉普拉斯矩阵重新排列，得到 $L=\left[\begin{array}{cc}{L}_M& B\\ B^T& L_U\end{array}\right],$ 其中M和U分表表示种子点和非种子点。

步骤5，根据步骤4的结果求解组合狄利克雷问题，得到L_Ux_U＝-B^Tx_M，由于L_U、B^T、x_M均已知，可以求得x_U，x_U即为非种子点到达种子点的概率。

步骤6，将步骤5中获得的非种子点到达各个种子点的概率进行判定，求得非种子点的归属区域。

x_U即为非种子点到达种子点的概率。

对于一个非种子点，该点属于求得的概率最大的种子点所属的区域。

这样每一个非种子点都有一个归属的区域，于是整张图像就被分割为种子点数量的若干个区域，属于前景的几个区域的集合就是最终的分割结果。

Claims (6)

1.一种基于随机游走的彩色图像目标获取方法，其特征在于：对图像目标提取时，进行以下步骤：

步骤1，将图像转换到HSV空间，对整张图像上的像素点的H分量、S分量和V分量分别求方差，得到和

步骤2，将原图像视为图，图的结点是各个像素点，权值则由像素点间的关系决定；

步骤3，根据步骤2中求得的权值建立拉普拉斯矩阵L；

步骤4，将步骤3中的拉普拉斯矩阵重新排列，得到 $L=\left[\begin{array}{cc}{L}_M& B\\ B^T& L_U\end{array}\right],$ 其中M和U分别表示种子点和非种子点；

步骤5，根据步骤4的结果求解组合狄利克雷问题，得到L_Ux_U＝-B^Tx_M，求解该方程即可得到x_U，x_U即为非种子点到达种子点的概率；

步骤6，将步骤5中获得的非种子点到达各个种子点的概率进行判定，求得非种子点的归属区域。

2.根据权利要求1所述的基于随机游走的彩色图像目标获取方法，其特征在于：步骤2所述的求权值的方法为，对于相邻的两个像素点，其权值定义为w_ij＝exp(-β×value)+ε，其中 $\mathrm{value}=k\×\sqrt{{\mathrm{\σ}}_H^2\×{(h_1-h_2)}^2+{\mathrm{\σ}}_S^2\×{(s_1-s_2)}^2+{\mathrm{\σ}}_V^2\×{(v_1-v_2)}^2},$ β、k是自由参数，用于调整值的大小，ε是允许的最小权值，小写的h、s、v代表像素点在HSV空间的分量值。

3.根据权利要求1所述的基于随机游走的彩色图像目标获取方法，其特征在于：步骤2所述的求权值的方法，value的值需要进行归一化的处理，以保证最终的权值w_ij在一个可控的范围内，value的归一化方法为

4.根据权利要求1所述的基于随机游走的彩色图像目标获取方法，其特征在于：步骤3所述的根据步骤2中求得的权值建立的拉普拉斯矩阵L为

其中v_i和v_j代表图中的结点，d_i表示结点v_i的度。

5.根据权利要求1所述的基于随机游走的彩色图像目标获取方法，其特征在于：步骤5所述狄利克雷方程为 $D\left[x_U\right]=\frac{1}{2}\left[\begin{array}{cc}{x}_M^T& x_U^T\end{array}\right]\left[\begin{array}{cc}{L}_M& B\\ B^T& L_U\end{array}\right]\left[\begin{array}{c}{x}_M\\ x_U\end{array}\right]=\frac{1}{2}(x_M^T{L}_M{x}_M+2x_U^T{B}^T{x}_M+x_U^T{L}_U{x}_U),$ 求关于x_U的微分，可以得到L_Ux_U＝-B^Tx_M，由于L_U、B^T、x_M均已知，可以求得x_U，x_U即为非种子点到达种子点的概率。

6.根据权利要求1所述的基于随机游走的彩色图像目标获取方法，其特征在于：步骤6所述的对种子点进行判定的方法为，对于一个非种子点，根据步骤5所求得的概率进行判断，该点属于求得的概率最大的种子点所属的区域。