CN106447681A - 一种非均一严重运动退化图像的对象分割方法 - Google Patents
一种非均一严重运动退化图像的对象分割方法 Download PDFInfo
- Publication number
- CN106447681A CN106447681A CN201610604569.8A CN201610604569A CN106447681A CN 106447681 A CN106447681 A CN 106447681A CN 201610604569 A CN201610604569 A CN 201610604569A CN 106447681 A CN106447681 A CN 106447681A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- motion
- seed
- represent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种非均一严重运动退化图像的对象分割方法,使用均值漂移算法为退化图像创建超像素,计算超像素的复合特征,接着使用一种多路背景搜索的算法,结合超像素复合特征,从初始背景超像素开始扩张,获得背景超像素集,最后从图像中分割出部分模糊的对象。本发明采用背景反推对象的方法,比直接在对象上选取种子的方式更方便,准确性更高,且能有效避免因为一般模糊参数计算无法贴近自然轮廓的问题;使用种子搜索的方式,克服了一般模糊图像分割严重依赖模糊计算结果的缺点。
Description
技术领域
本发明涉及计算机视觉、图像处理等技术领域,尤其是非均一严重运动退化图像的对象分割方法。
背景技术
目前,解决运动退化图像对象分割的常用方法有RCC、Edges、Mcg等方法,存在的技术缺陷:精度较低,存在严重依赖模糊计算结果的缺点以及严重依赖局部窗口的边缘溢出或者说无法贴近自然轮廓的问题。
发明内容
为了克服现有的退化图像对象分割方法的精度较低、存在严重依赖模糊计算结果的缺点以及严重依赖局部窗口的边缘溢出或者说无法贴近自然轮廓的问题的不足,本发明提供了一种非均一严重运动退化图像的对象分割方法。构建了一种超像素级的模糊链接度与模糊方向估计方法,同时根据超像素的形态,对超像素进行了分类,为最终的分割提供分割条件。并且在已构建的超像素节点网络关系基础上,提出了一种多路背景搜索的算法来选择超像素,分割出部分模糊对象。
本发明解决其技术问题所采用的技术方案是:
一种非均一严重运动退化图像的对象分割方法,所述分割方法包括如下步骤:
1)、利用mean-shift算法对退化图像进行过分割处理,生成初始超像素s1,s2,s3…si,获得超像素集S={s1,s2,s3…si};对于同一对象,它可能被分成不同的超像素块,但是不同对象肯定不在同一超像素内;
2)、为每个超像素建立索引,存储超像素的相关信息,将该超像素名称、超像素所有像素点信息、聚类中心点坐标、聚类半径、与该超像素相邻的所有超像素标签、与各个相邻超像素的边界像素点信息录入该超像素的表格;
3)、计算模糊链接度,公式如下:
此处k1为距离衰退因子,k2为梯度权重;
表示像素p1,p2的衰退度,而表示像素p1,p2的模糊链接度;
dr,dc分别表示当前两个像素的x,y坐标的距离差,G表示像素的灰度值;
在已获取的超像素边缘上计算模糊链接度来代表两个超像素sa和sb之间的模糊链接度
pi,pj均属于超像素sa与sb相交边界上的点;
n表示该边界上点的个数i≠j,且pi,pj相邻;
N为满足以上关系的像素级模糊链接度数目。
4)、运动方向估计,采用局部自相关一致性来描述运动退化的方向,在一个以点p(x,y)为中心的局部窗口w(3x3)内,局部自相关函数计算方式如下,
上式替换为,
其中,
求取矩阵M,计算M的特征值,较小的特征值所对应的特征向量即为长轴的方向,视它为窗口中心点的运动方向,并将其按比例映射为0~180度之间的角;
然后使用非极大值抑制的方法将每个像素的方向处理成等距分布的值;
在超像素内统计各像素点的运动方向,以众数来代表超像素整体的运动方向。
SPd=D(Nmax) (4.5)
其中,SPd表示该超像素的运动方向,D表示取方向,Nmax表示该超像素内各向上运动方向的众数;
计算完成后,将模糊链接度和运动方向,也录入超像素对应的表格,模糊链接度和运动方向共同组成了超像素的复合特征;
5)、种子初始化,此种子将应用于后续的背景搜索,将所有毗邻图像边界的超像素添加进Sini作为背景的种子;
6)、提取超像素的特征,运用背景搜索策略来获取所有背景超像素,按如下步骤进行:
其中,Sc是当前作为种子的超像素,为Sc第i个相邻的超像素;CO为超像素的运动方向,FCi(Sc)表示Sc与的模糊链接度;表示相交边界上的点与 中心的平均距离;R(S)为相交边界占总边界S的比例;
步骤6.1:对于Sini中的每一个超像素,都将它添加进Se,然后按顺序搜索它邻近的超像素,并选出符合条件(6.1)和(6.2)的超像素,
FCi(Sc)>t1(6.2)
将其设置为Sc并添加进超像素集Se,执行步骤6.2;
步骤6.2:对于Sc,搜索与其相邻的超像素,如果其中一个超像素满足条件
FCi(Sc)>|t2*FCl| (6.3)
其中,FCl是前一次使用的FCi(Sc),r是的半径
将该满足条件的超像素设置为Sc并添加进超像素集Se执行步骤6.3;
步骤6.3:递归步骤6.2,直到Sc的所有邻近超像素都属于Se或者超像素不满足添加进入Se的条件。
完成所有步骤后,选取下一个种子继续搜索,直到种子全部搜索完毕;
7)、对整个图像进行求取最大连通域操作,以排除Stiny,Stiny为实际背景中符合循环终止条件而被排除在Se之外的超像素的集合,得到最终的前景超像素集Sf,Sf=S-Se-Stiny,S为所有超像素的集和,Se为步骤6得到的背景超像素集。
本发明的技术构思为:非均一严重运动退化图像的对象分割,首先通过预分割,将对象分割问题转换成了一个对象超像素的选择问题,并计算超像素级的复合特征,最后通过背景搜索策略,将图像分割为前景与背景。相比于现有技术的方法,非均一严重运动退化图像的对象分割方法,精度较高,避免了一般模糊图像分割方法严重依赖模糊计算结果的缺点以及一般模糊参数计算严重依赖局部窗口的边缘溢出或者说无法贴近自然轮廓的问题。
本发明的有益效果主要表现在:采用背景反推对象的方法,比直接在对象上选取种子更方便,且具有更高准确性;利用超像素预分割边缘作为我们的分割轮廓,有效避免因为一般模糊参数计算严重依赖局部窗口而导致的边缘溢出或者说无法贴近自然轮廓的问题;使用种子搜索的方式,也避免了一般模糊图像分割严重依赖模糊计算结果的缺点。
附图说明
图1是超像素初始化结果示意图。每个S代表一个超像素,图像由i个超像素组成。
图2是超像素间的邻接关系示意图。
图3是超像素相交边界示意图(局部图),其中,像素集T1={pa,pb,pc...pp}属于超像素S12,T2={pq,pr,ps...p1,p2...p6}属于超像素S13。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种非均一严重运动退化图像的对象分割方法,包括如下步骤:
1)、利用mean-shift算法对退化图像进行过分割处理,生成初始的超像素。获得超像素集S={s1,s2,s3…si},如图1。
2)、为每个超像素建立索引,存储超像素的相关信息。将该超像素名称、超像素所有像素点信息、聚类中心点坐标、聚类半径、与该超像素相邻的所有超像素名称、与各个相邻超像素的边界像素点信息录入该超像素的表格。以图2的S8为例,它的相邻超像素有S5、S6、S7、S9。图3中,像素集T1={pa,pb,pc...pp}是S13边界中与S14相邻的部分,T2={pq,pr,ps...p1,p2...p6}是S14边界中与S13相邻的部分。T1与T2共同组成像素集T3={pa,pb,pc...pz,p1,p2...p6},作为超像素S13与S14的相邻边界,分别录入超像素S13与S14的表格中。
3)、计算模糊链接度。模糊链接度是一种常用于医学图像处理的分割方法,其根据像素的值和距离反映图像中两个像素点的紧密度,并以此作为分割依据。
此处k1=0.1(距离衰退银子),k2=2(梯度权重);
表示像素p1,p2的衰退度,而表示像素p1,p2的模糊链接度;
dr,dc分别表示当前两个像素的x,y坐标的距离差,G表示像素的灰度值。
对于超像素,我们已经获取了超像素两两间的边界信息。在已获取的边缘上计算模糊链接度来代表两个超像素直接的模糊链接度。
pi,pj均属于超像素sa与sb相交边界上的点;
n表示该边界上点的个数i≠j,且pi,pj相邻;
N为满足以上关系的像素级模糊链接度数目。
如图3所示,超像素S12与S13的边界为像素集T3={pa,pb,pc...pz,p1,p2...p6},
N为T3中相邻像素对的数量。
4)、运动方向估计。相比于背景,前景对象尽管也会有不同程度的部分模糊。但从对象整体来看,清晰部分明显与退化的背景有着退化度上的不一致;而退化的那部分,往往因对象自身也存在局部运动而导致运动模糊的方向与背景不一致。当我们从超像素层面来考虑的时候,会发现这个现象极其明显,同一个超像素内部的各像素点有着几乎一致的运动方向。
我们采用局部自相关一致性来描述运动退化的方向。在一个以点p(x,y)为中心的局部窗口w(3x3)内,其局部自相关函数计算方式如下,
上式可替换为,
其中,
求取矩阵M,计算M的特征值,较小的特征值所对应的特征向量即为长轴的方向,我们视它为窗口中心点的运动方向,并将其按比例映射为0~180度之间的角。
然后使用非极大值抑制的方法将每个像素的方向处理成等距分布的值{0,22.5,45,67.5,90,112.5,135,157.5}。
在超像素内统计各像素点的运动方向,以众数来代表超像素整体的运动方向。
SPd=D(Nmax) (4.4)
其中,SPd表示该超像素的运动方向,D表示取方向,Nmax表示该超像素内各向上运动方向的众数;
计算完成后,将模糊链接度和运动方向,也录入超像素对应的表格。模糊链接度和运动方向共同组成了超像素的复合特征。
5)、种子初始化,此种子将应用于后续的背景搜索。将毗邻图像边界的超像素添加进Sini,作为背景的种子。如图1中,Sini={S1,S3,S4...Si}。
6)、提取超像素的特征,运用背景搜索策略来获取所有背景超像素。
结合图2,对背景搜索的步骤作进一步解释。
其中,Sc是当前作为种子的超像素,为Sc第i个相邻的超像素;CO为超像素的运动方向,FCi(Sc)表示Sc与的模糊链接度;表示相交边界上的点与 中心的平均距离;R(S)为相交边界占总边界S的比例。
从超像素集Sini中按顺序选取种子,假设第一次选出的种子为S5。
步骤6.1:将S5添加进Se,然后按顺序搜索它邻近的超像素{S6,S7,S8},并选出符合条件(6.1)和(6.2)的超像素,
FCi(S5)>t1
假设此步骤找到的符合条件的超像素为S8,将S8设置为Sc并将S8添加进超像素集Se,执行步骤6.2。
步骤6.2:对于Sc(当前为S8),搜索与其相邻的超像素{S6,S7,S9,S12}(S5也是相邻超像素,但已经添加进Se),如果其中一个超像素满足条件
FCi(S8)>|t2*FCl|
其中,FCl是前一次使用的FCi(Sc),即FCi(S5),r是的半径。
假设超像素S9满足条件,将其设置为Sc并将S9添加进超像素集Se,然后执行步骤6.3。
步骤6.3:递归步骤6.2,直到Sc的所有邻近超像素都属于Se或者超像素不满足添加进入Se的条件。
完成所有步骤后,选取下一个种子继续搜索,直到种子全部搜索完毕。
7)、得出最终的前景超像素集Sf。经过上述步骤得到的Se还并不是我们最终想要的背景超像素集Sb,在背景中仍存在一些细小的超像素或者超像素集Stiny刚好符合终止条件,因此被排除Se之外。我们对整个图像进行求取最大连通域操作,以排除Stiny。而最终的我们想要的Sf=S-Se-Stiny,S为所有超像素的集和,Se为步骤6)得到的背景超像素集。
本实施例中,使用均值漂移算法为退化图像创建超像素,计算超像素的复合特征,接着使用一种多路背景搜索的算法,结合超像素复合特征,让作为种子的超像素逐渐扩张,获得背景超像素集,最后从图像中分割出部分模糊的对象。本发明采用背景反推对象的方法,比直接在对象上选取种子的方式更方便,准确性更高,且能有效避免因为一般模糊参数计算无法贴近自然轮廓的问题。使用种子搜索的方式,克服了一般模糊图像分割严重依赖模糊计算结果的缺点。
Claims (1)
1.一种非均一严重运动退化图像的对象分割方法,其特征在于:所述分割方法包括如下步骤:
1)、利用mean-shift算法对退化图像进行过分割处理,生成初始超像素s1,s2,s3...si,获得超像素集S={s1,s2,s3...si};对于同一对象,它可能被分成不同的超像素块,但是不同对象肯定不在同一超像素内;
2)、为每个超像素建立索引,存储超像素的相关信息,将该超像素名称、超像素所有像素点信息、聚类中心点坐标、聚类半径、与该超像素相邻的所有超像素标签、与各个相邻超像素的边界像素点信息录入该超像素的表格;
3)、计算模糊链接度,公式如下:
此处k1为距离衰退因子,k2为梯度权重;
表示像素p1,p2的衰退度,而表示像素p1,p2的模糊链接度;
dr,dc分别表示当前两个像素的x,y坐标的距离差,G表示像素的灰度值;
在已获取的超像素边缘上计算模糊链接度来代表两个超像素sa和sb之间的模糊链接度
pi,pj均属于超像素sa与sb相交边界上的点;
n表示该边界上点的个数i≠j,且pi,pj相邻;
N为满足以上关系的像素级模糊链接度数目。
4)、运动方向估计,采用局部自相关一致性来描述运动退化的方向,在一个以点p(x,y)为中心的局部窗口w内,局部自相关函数计算方式如下,
上式替换为,
其中,
求取矩阵M,计算M的特征值,较小的特征值所对应的特征向量即为长轴的方向,视它为窗口中心点的运动方向,并将其按比例映射为0~180度之间的角;
然后使用非极大值抑制的方法将每个像素的方向处理成等距分布的值;
在超像素内统计各像素点的运动方向,以众数来代表超像素整体的运动方向。
SPd=D(Nmax) (4.5)
其中,SPd表示该超像素的运动方向,D表示取方向,Nmax表示该超像素内
各向上运动方向的众数;
计算完成后,将模糊链接度和运动方向,也录入超像素对应的表格,模糊链接度和运动方向共同组成了超像素的复合特征;
5)、种子初始化,此种子将应用于后续的背景搜索,将所有毗邻图像边界的超像素添加进Sini作为背景的种子;
6)、提取超像素的特征,运用背景搜索策略来获取所有背景超像素,按如下步骤进行:
其中,Sc是当前作为种子的超像素,为Sc第i个相邻的超像素;CO为超像素的运动方向,FCi(Sc)表示Sc与的模糊链接度;表示相交边界上的点与中心的平均距离;R(S)为相交边界占总边界S的比例;
步骤6.1:对于Sini中的每一个超像素,都将它添加进Se,然后按顺序搜索它邻近的超像素,并选出符合条件(6.1)和(6.2)的超像素
FCi(Sc)>t1 (6.2)
将其设置为Sc并添加进超像素集Se,执行步骤6.2;
步骤6.2:对于Sc,搜索与其相邻的超像素,如果其中一个超像素满足条件
FCi(Sc)>|t2*FCl| (6.3)
其中,FCl是前一次使用的FCi(Sc),r是的半径;
将该满足条件的超像素设置为Sc并添加进超像素集Se执行步骤6.3;
步骤6.3:递归步骤6.2,直到Sc的所有邻近超像素都属于Se或者超像素不满足添加进入Se的条件;
完成所有步骤后,选取下一个种子继续搜索,直到种子全部搜索完毕;
7)、对整个图像进行求取最大连通域操作,以排除Stiny,Stiny为实际背景中符合循环终止条件而被排除在Se之外的超像素的集合,得到最终的前景超像素集Sf,Sf=S-Se-Stiny,S为所有超像素的集和,Se为步骤6)得到的背景超像素集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610604569.8A CN106447681B (zh) | 2016-07-26 | 2016-07-26 | 一种非均一严重运动退化图像的对象分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610604569.8A CN106447681B (zh) | 2016-07-26 | 2016-07-26 | 一种非均一严重运动退化图像的对象分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106447681A true CN106447681A (zh) | 2017-02-22 |
CN106447681B CN106447681B (zh) | 2019-01-29 |
Family
ID=58185068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610604569.8A Active CN106447681B (zh) | 2016-07-26 | 2016-07-26 | 一种非均一严重运动退化图像的对象分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447681B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473204A (zh) * | 2019-06-18 | 2019-11-19 | 常熟理工学院 | 一种基于弱链接约束的交互式图像分割方法 |
CN112164087A (zh) * | 2020-10-13 | 2021-01-01 | 北京无线电测量研究所 | 基于边缘约束和分割边界搜索的超像素分割方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663757A (zh) * | 2012-04-20 | 2012-09-12 | 西安电子科技大学 | 基于核传递的半自动图像分割方法 |
US20120275703A1 (en) * | 2011-04-27 | 2012-11-01 | Xutao Lv | Superpixel segmentation methods and systems |
CN103578119A (zh) * | 2013-10-31 | 2014-02-12 | 苏州大学 | 基于超像素的Codebook动态场景中目标检测方法 |
CN103810723A (zh) * | 2014-02-27 | 2014-05-21 | 西安电子科技大学 | 基于帧间约束超像素编码的目标跟踪方法 |
CN104537679A (zh) * | 2015-01-16 | 2015-04-22 | 厦门大学 | 一种基于超像素拓扑分析的卡通图片显著性检测方法 |
CN104766324A (zh) * | 2015-04-08 | 2015-07-08 | 山东大学 | 基于超像素和异常检测的彩色血细胞图像白细胞分割方法 |
CN104915946A (zh) * | 2015-02-10 | 2015-09-16 | 浙江工业大学 | 一种适用于严重退化图像的基于显著性的对象分割方法 |
CN105513066A (zh) * | 2015-12-02 | 2016-04-20 | 中山大学 | 一种基于种子点选取与超像素融合的通用物体检测方法 |
-
2016
- 2016-07-26 CN CN201610604569.8A patent/CN106447681B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120275703A1 (en) * | 2011-04-27 | 2012-11-01 | Xutao Lv | Superpixel segmentation methods and systems |
CN102663757A (zh) * | 2012-04-20 | 2012-09-12 | 西安电子科技大学 | 基于核传递的半自动图像分割方法 |
CN103578119A (zh) * | 2013-10-31 | 2014-02-12 | 苏州大学 | 基于超像素的Codebook动态场景中目标检测方法 |
CN103810723A (zh) * | 2014-02-27 | 2014-05-21 | 西安电子科技大学 | 基于帧间约束超像素编码的目标跟踪方法 |
CN104537679A (zh) * | 2015-01-16 | 2015-04-22 | 厦门大学 | 一种基于超像素拓扑分析的卡通图片显著性检测方法 |
CN104915946A (zh) * | 2015-02-10 | 2015-09-16 | 浙江工业大学 | 一种适用于严重退化图像的基于显著性的对象分割方法 |
CN104766324A (zh) * | 2015-04-08 | 2015-07-08 | 山东大学 | 基于超像素和异常检测的彩色血细胞图像白细胞分割方法 |
CN105513066A (zh) * | 2015-12-02 | 2016-04-20 | 中山大学 | 一种基于种子点选取与超像素融合的通用物体检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473204A (zh) * | 2019-06-18 | 2019-11-19 | 常熟理工学院 | 一种基于弱链接约束的交互式图像分割方法 |
CN112164087A (zh) * | 2020-10-13 | 2021-01-01 | 北京无线电测量研究所 | 基于边缘约束和分割边界搜索的超像素分割方法及装置 |
CN112164087B (zh) * | 2020-10-13 | 2023-12-08 | 北京无线电测量研究所 | 基于边缘约束和分割边界搜索的超像素分割方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106447681B (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287826B (zh) | 一种基于注意力机制的视频目标检测方法 | |
CN107452010A (zh) | 一种自动抠图算法和装置 | |
CN111833393A (zh) | 一种基于边缘信息的双目立体匹配方法 | |
Roa'a et al. | Generation of high dynamic range for enhancing the panorama environment | |
CN106991686B (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN110276267A (zh) | 基于Spatial-LargeFOV深度学习网络的车道线检测方法 | |
CN110688905B (zh) | 一种基于关键帧的三维物体检测与跟踪方法 | |
Hua et al. | Extended guided filtering for depth map upsampling | |
CN107564009B (zh) | 基于深度卷积神经网络的室外场景多目标分割方法 | |
CN111899295B (zh) | 一种基于深度学习的单目场景深度预测方法 | |
CN112364865B (zh) | 一种复杂场景中运动小目标的检测方法 | |
CN111583279A (zh) | 一种基于pcba的超像素图像分割方法 | |
CN110659664A (zh) | 一种基于ssd的高精度识别小物体的方法 | |
CN107016682A (zh) | 一种自然图像显著对象自适应分割方法 | |
CN108537816A (zh) | 一种基于超像素和背景连接先验的显著物体分割方法 | |
Liu et al. | Texture filtering based physically plausible image dehazing | |
KR20180067909A (ko) | 영상 분할 장치 및 방법 | |
CN103985106A (zh) | 用于对强噪声图像进行多帧融合的设备和方法 | |
CN110634142B (zh) | 一种复杂车路图像边界优化方法 | |
CN100378752C (zh) | 鲁棒的自然图像分割方法 | |
CN106447681A (zh) | 一种非均一严重运动退化图像的对象分割方法 | |
CN111369435B (zh) | 基于自适应稳定模型的彩色图像深度上采样方法及系统 | |
CN105303544A (zh) | 一种基于最小边界距离的视频拼接方法 | |
Tian et al. | HPM-TDP: An efficient hierarchical PatchMatch depth estimation approach using tree dynamic programming | |
CN110322479B (zh) | 一种基于时空显著性的双核kcf目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |