CN107564010A - 一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法 - Google Patents
一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法 Download PDFInfo
- Publication number
- CN107564010A CN107564010A CN201710813135.3A CN201710813135A CN107564010A CN 107564010 A CN107564010 A CN 107564010A CN 201710813135 A CN201710813135 A CN 201710813135A CN 107564010 A CN107564010 A CN 107564010A
- Authority
- CN
- China
- Prior art keywords
- pixel
- slic
- grabcut
- bayes
- classification
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,该方法包括以下步骤:S1、使用SLIC算法对图像进行聚类,使用聚类后的各像素块的RGB均值作为像素点构建精简的Graph Cuts模型;S2、再使用贝叶斯分类对模型中的像素点进行分类,对进行分类后的像素点进行第二次SLIC聚类,并用各个像素块的均值代替像素点值进行GMM(高斯混合模型)参数估计;S3、使用最小割算法得出图模型最优分割;显著改善了基于超像素的Grabcut图像分割算法在超像素数目较低时出现分割恶化的现象,并有效的降低了Grabcut分割过程中迭代循环的时间复杂度等问题。
Description
技术领域
本发明涉及一种彩色图像分割方法,具体为一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,属于彩色图像分割领域。
背景技术
基于图论的Graph cut算法是近年来彩色图像分割领域的热点研究方向。2001年Greig等首次将Graph cut应用于计算机视觉领域,2004年Rother等以Graph cut为基础,提出了交互式的Grabcut彩色图像分割算法。该算法利用简单的矩形框标出背景区域,使用高斯混合模型GMM(Gaussian Mixture Model)初始化更新前景和背景的种子点像素,迭代运用Graph cut算法进行GMM参数估计,直到整个算法收敛为止,从而明显改善了Graph cut分割效果。但是迭代运算需要大量繁复的计算,不能满足于现代高速分割彩色图像的需要,而且基于超像素的Grabcut图像分割算法在超像素数目较低时会出现分割恶化的现象。因此有效的提升Grabcut算法的效率问题,改善特定情况下的分割恶化现象一直是该领域研究的焦点。目前,提升Grabcut算法的效率问题的方法主要有两类:第一类是在Grabcut算法之前进行各种预分割处理,提高算法的分割速度。如结合经典的分水岭、二次分水岭算法等;第二类就是人工介入,进行标注,进而降低计算量提升算法的效率。使用第一类方法效率很高,但是设置的预分割超像素块数较少时仍然会出现较大分割错误,很难达到良好的分割效果。第二类方法需要人的主观介入,不同人的主观判断会影响客观分割结果,不具普适性。本发明属于第一类方法,在前人的基础上,针对当预分割后取样点过少而导致严重分割错误的问题,使用贝叶斯分类对预分割后的取样点进行分类,再对分类后的网格图使用第二次SLIC进行聚类,并且以聚类后像素块RGB均值代替其像素值进行高斯混合模型进行参数估计,最后使用最小割算法得出图模型最优分割,不仅达到了比目前已有算法更高的分割效率,而且改善分割恶化的现象。
发明内容
本发明提供一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,显著改善了基于超像素的Grabcut图像分割算法在超像素数目较低时出现分割恶化的现象,并有效的降低了Grabcut分割过程中Gibbs能量函数迭代求解过程中耗时等问题。
为实现上述目的,本发明提供如下技术方案:一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,所述方法包括以下步骤:
S1、使用聚类方法对图像进行聚类,使用聚类后的各像素块的RGB均值作为像素点构建精简的Graph Cuts模型;
S2、对模型中的像素点进行分类,对进行分类后的像素点进行二次聚类,并用各个像素块的均值代替像素点值进行GMM(高斯混合模型)参数估计;
S3、获取图模型最优分割。
优选的,所述聚类方法为SLIC算法。
优选的,所述分类方法为经典的贝叶斯分类算法,使用贝叶斯分类对模型中的像素点进行分类,并且前后两次分别结合SLIC算法。
优选的,所述获取图模型最优分割的方法为最小割算法。
优选的,利用贝叶斯分类并采用两次SLIC进行处理,改善了基于超像素的Grabcut图像分割算法在超像素数目较低时出现分割恶化的现象,提高了图像分割的效率。
优选的,最小割算法的具体计算方法是采用网络流理论的重要定理中的最大流最小割定理,是图论中的一个核心定理;最大流最小割定理为:任何网络中最大流的流量等于最小割的容量。
优选的,图像使用图论的方式进行表述,图论将图像映射为一个包含源点s与汇点t的s-t网络图,以图中点的集合表示像素点,以点与点之间的边集表示像素之间的相关程度,从而使s-t网络映射成为一个函数f,f为一个顶点集V-{s,t}到{0,1}的映射,当时f(v)=1,v∈s;当f(v)=0时,v∈t。
优选的,图像的最有分割路径等效于求解在这个网络流中能从源点到达汇点的最大流量;根据最大流最小割定理,上述最优路径等效于从网络中移除就能够导致网络流终端的边的集合的最小容量和。
与现有技术相比,本发明的有益效果是:本发明提供一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,显著改善了基于超像素的Grabcut图像分割算法在超像素数目较低时出现分割恶化的现象,并有效的降低了Grabcut分割过程中Gibbs能量函数迭代求解过程中耗时等问题。相比于现有算法,耗时更短,且在面临极限情况下鲁棒性依旧很好。
附图说明
图1为本发明Graph Cuts模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,优选实施例详细描述如下:
S1、使用SLIC算法对图像进行聚类,使用聚类后的各像素块的RGB均值作为像素点构建精简的Graph Cuts模型;
S2、再使用贝叶斯分类对模型中的像素点进行分类,对进行分类后的像素点进行第二次SLIC聚类,并用各个像素块的均值代替像素点值进行GMM(高斯混合模型)参数估计;
S3、使用最小割算法得出图模型最优分割。
本发明中涉及的SLIC算法、Graph Cuts模型、GMM(高斯混合模型)、贝叶斯分类算法,这些算法模型涉及的技术内容,如下所示:
(1)SLIC算法:SLIC算法是simple linear iterative cluster的简称,该算法在本专利中用来生成超像素(superpixel)。算法大致思想是这样的,将图像从RGB颜色空间转换到CIE-Lab颜色空间,对应每个像素的(L,a,b)颜色值和(x,y)坐标组成一个5维向量V[L,a,b,x,y],两个像素的相似性即可由它们的向量距离来度量,距离越大,相似性越小。算法首先生成K个种子点,然后在每个种子点的周围空间里搜索距离该种子点最近的若干像素,将他们归为与该种子点一类,直到所有像素点都归类完毕。然后计算这K个超像素里所有像素点的平均向量值,重新得到K个聚类中心,然后再以这K个中心去搜索其周围与其最为相似的若干像素,所有像素都归类完后重新得到K个超像素,更新聚类中心,再次迭代,如此反复直到收敛。
(2)Graph Cuts模型:Graph cuts是一种十分有用和流行的能量优化算法,在计算机视觉领域普遍应用于前背景分割(Image segmentation)、立体视觉(stereo vision)、抠图(Image matting)等。Graph Cuts理论最早是出现在流网络优化领域的,比如说水管网络,通信传输网络,城市车流网络等。此时的Graph Cuts算法是用来确定网络流的最小分割,即寻找一个容量最小的边的集合,去掉这个集合中的所有边就可以阻挡这个网络了。需要注意的是,通常所说的Graph Cuts算法是指的采用最大流-最小分割来优化的模型,其它的Graph Cutting算法一般用graph partitioning这个名词来代替。:Graph Cuts中的Graph和Cuts的意思如下所示。此处的Graph和普通的Graph稍有不同。普通的图由顶点和边构成,如果边的有方向的,这样的图被则称为有向图,否则为无向图,且边是有权值的,不同的边可以有不同的权值,分别代表不同的物理意义。而Graph Cuts图是在普通图的基础上多了2个顶点,这2个顶点分别用符号”S”和”T”表示,统称为终端顶点。其它所有的顶点都必须和这2个顶点相连形成边集合中的一部分。所有Graph Cuts中的边也分为两种,一种是普通顶点与相邻点或者与之有关联的点之间的连线,一种是刚讲的普通顶点和2个终端顶点之间的连线。Graph Cuts中的Cuts是指这样一个边的集合,很显然这些边集合包括了上面2种边,该集合中边的断开会导致残留”S”和”T”图的分开,且这些边的集合中所有权值之和是最小的。因此也称为最小割。
(3)GMM(高斯混合模型):高斯模型就是用高斯概率密度函数精确地量化事物,将一个事物分解为若干的基于高斯概率密度函数形成的模型。高斯模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物,将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。对图像背景建立高斯模型的原理及过程:图像灰度直方图反映的是图像中某个灰度值出现的频次,也可以为是图像灰度概率密度的估计。如果图像所包含的目标区域和背景区域相差比较大,且背景区域和目标区域在灰度上有一定的差异,那么该图像的灰度直方图呈现双峰-谷形状,其中一个峰对应于目标,另一个峰对应于背景的中心灰度。对于复杂的图像,尤其是医学图像,一般是多峰的。通过将直方图的多峰特性看作是多个高斯分布的叠加,可以解决图像的分割问题。在本专利中,利用高斯混合模型来表征图像中各个像素点的特征,进而判断出该点是前景点还是背景点。
(4)贝叶斯分类算法:模式识别问题中,我们分类时最希望分类错误率可以降到最低,因此从这个目标出发,得到的分类决策就被称作最小错误率贝叶斯决策。本专利使用的就是最小错误率贝叶斯分类算法。可以发现在0-1损失函数分布的情况下,基于最小风险的贝叶斯决策就是基于最小错误率的贝叶斯决策,换言之,可以把基于最小错误率决策看做是基于最小风险决策的一个特例,基于最小风险决策本质上就是对基于最小错误率公式的加权处理。基于最小风险的贝叶斯决策问题描述如下:
特征向量x:观察x为d维随机向量x=[x1,x2,…xd]T;
状态空间Ω:c个自然状态(c类),Ω={ω1,…ωc};
决策空间A:对观察x可采取a个决策,A={α1,…αa};
损失函数λ(αi,ωj):i=1,2…a;j=1,2,…c;
类条件概率密度函数:p(x|wi)i=1,2…c;
由最小风险贝叶斯决策的原理知道,此时要求对所有的x进行决策时,使损失最小,而对于具体的观测x,决策所造成的损失是对x各种实属类别的平均。即:
在α(x)=αi情况下,相应的预期损失为:
对于一个具体的x,若:
则可选择为αi,此即为我们所说的最小风险贝叶斯决策规则。在本专利中,采用基于最小错误的贝叶斯分类突出预处理后精简网络图的前景部分。
工作原理:Grabcut算法是一种广泛应用的图像分割算法,是在Graphcut基础上改进的一种图像分割算法,它同样是一种基于图论的分割方法。基本思想是通过标记前景像素、相似色彩聚类和边界像素惩罚和迭代,寻找最优解。
贝叶斯分类算法是统计学的一种分类方法,它是一类利用概率统计知识进行分类的算法。在许多场合,朴素贝叶斯分类算法可以与决策树和神经网络分类算法相媲美,该算法能运用到大型数据库中,而且方法简单、分类准确率高、速度快。其基本形式为:
P(A∩B)=P(A)*P(B|A)=P(B)*P(A|B)
P(B|A)=P(A|B)*P(B)/P(A)
其中P(A)是A的先验概率或边缘概率。之所以称为“先验”是因为它不考虑任何B方面的因素。P(A|B)是已知B发生后A的条件概率,也由于得自B的取值而被称作A的后验概率。P(B|A)是已知A发生后B的条件概率,也由于得自A的取值而被称作B的后验概率。P(B)是B的先验概率或边缘概率,也作标准化常量。P(A∩B)是已知A与B的共同发生的概率。在本文中使用的是基于最小错误率贝叶斯分类算法。具体基于最小风险的贝叶斯决策问题描述如下:
特征向量x:观察x为d维随机向量x=[x1,x2,…xd]T;
状态空间Ω:c个自然状态(c类),Ω={ω1,…ωc};
决策空间A:对观察x可采取a个决策,A={α1,…αa};
损失函数λ(αi,ωj):i=1,2…a;j=1,2,…c;
类条件概率密度函数:p(x|wi)i=1,2…c;
由最小风险贝叶斯决策的原理知道,此时要求对所有的x进行决策时,使损失最小,而对于具体的观测x,决策所造成的损失是对x各种实属类别的平均。即:
在α(x)=αi情况下,相应的预期损失为:
对于一个具体的x,若:
则可选择为αi,此即为我们所说的最小风险贝叶斯决策规则。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,其特征在于,所述方法包括以下步骤:
S1、使用聚类方法对图像进行聚类,使用聚类后的各像素块的RGB均值作为像素点构建精简的Graph Cuts模型;
S2、对模型中的像素点进行分类,对进行分类后的像素点进行二次聚类,并用各个像素块的均值代替像素点值进行GMM(高斯混合模型)参数估计;
S3、获取图模型最优分割。
2.根据权利要求1所述的一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,其特征在于:所述聚类方法为SLIC算法。
3.根据权利要求1所述的一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,其特征在于:所述分类方法为经典的贝叶斯分类算法,使用贝叶斯分类对模型中的像素点进行分类,并且前后两次分别结合SLIC算法。
4.根据权利要求1所述的一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,其特征在于:所述获取图模型最优分割的方法为最小割算法。
5.根据权利要求3所述的一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,其特征在于:利用贝叶斯分类并采用两次SLIC进行处理,改善了基于超像素的Grabcut图像分割算法在超像素数目较低时出现分割恶化的现象,提高了图像分割的效率。
6.根据权利要求4所述的一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,其特征在于:最小割算法的具体计算方法是采用网络流理论的重要定理中的最大流最小割定理,是图论中的一个核心定理;最大流最小割定理为:任何网络中最大流的流量等于最小割的容量。
7.根据权利要求6所述的一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,其特征在于:图像使用图论的方式进行表述,图论将图像映射为一个包含源点s与汇点t的s-t网络图,以图中点的集合表示像素点,以点与点之间的边集表示像素之间的相关程度,从而使s-t网络映射成为一个函数f,f为一个顶点集V-{s,t}到{0,1}的映射,当时f(v)=1,v∈s;当f(v)=0时,v∈t。
8.根据权利要求6所述的一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法,其特征在于:图像的最有分割路径等效于求解在这个网络流中能从源点到达汇点的最大流量;根据最大流最小割定理,上述最优路径等效于从网络中移除就能够导致网络流终端的边的集合的最小容量和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710813135.3A CN107564010A (zh) | 2017-09-11 | 2017-09-11 | 一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710813135.3A CN107564010A (zh) | 2017-09-11 | 2017-09-11 | 一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107564010A true CN107564010A (zh) | 2018-01-09 |
Family
ID=60980367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710813135.3A Pending CN107564010A (zh) | 2017-09-11 | 2017-09-11 | 一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107564010A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272467A (zh) * | 2018-09-25 | 2019-01-25 | 南京大学 | 一种基于多尺度边缘线索的层次化图像分割方法 |
CN109559316A (zh) * | 2018-10-09 | 2019-04-02 | 浙江工业大学 | 一种改进的基于超像素的图论分割方法 |
CN111652859A (zh) * | 2020-05-25 | 2020-09-11 | 杭州电子科技大学 | 基于K-means的布料花型智能分色方法 |
CN113408670A (zh) * | 2021-08-17 | 2021-09-17 | 深圳电通信息技术有限公司 | 图像分类方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204567A (zh) * | 2016-07-05 | 2016-12-07 | 华南理工大学 | 一种自然背景视频抠图方法 |
-
2017
- 2017-09-11 CN CN201710813135.3A patent/CN107564010A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204567A (zh) * | 2016-07-05 | 2016-12-07 | 华南理工大学 | 一种自然背景视频抠图方法 |
Non-Patent Citations (2)
Title |
---|
王慧玲: "基于特征的遥感图像拼接技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
赵玮霖 等: "结合贝叶斯分类与SLIC的Grabcut彩色图像分割", 《激光杂志》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272467A (zh) * | 2018-09-25 | 2019-01-25 | 南京大学 | 一种基于多尺度边缘线索的层次化图像分割方法 |
CN109272467B (zh) * | 2018-09-25 | 2022-03-15 | 南京大学 | 一种基于多尺度边缘线索的层次化图像分割方法 |
CN109559316A (zh) * | 2018-10-09 | 2019-04-02 | 浙江工业大学 | 一种改进的基于超像素的图论分割方法 |
CN111652859A (zh) * | 2020-05-25 | 2020-09-11 | 杭州电子科技大学 | 基于K-means的布料花型智能分色方法 |
CN111652859B (zh) * | 2020-05-25 | 2023-11-07 | 杭州电子科技大学 | 基于K-means的布料花型智能分色方法 |
CN113408670A (zh) * | 2021-08-17 | 2021-09-17 | 深圳电通信息技术有限公司 | 图像分类方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107564010A (zh) | 一种结合贝叶斯分类与SLIC的Grabcut彩色图像分割方法 | |
CN106447676B (zh) | 一种基于快速密度聚类算法的图像分割方法 | |
Kohli et al. | A principled deep random field model for image segmentation | |
CN110110802A (zh) | 基于高阶条件随机场的机载激光点云分类方法 | |
CN104463128B (zh) | 用于人脸识别的眼镜检测方法及系统 | |
CN105528575B (zh) | 基于上下文推理的天空检测方法 | |
CN110188763B (zh) | 一种基于改进图模型的图像显著性检测方法 | |
CN110378366A (zh) | 一种基于耦合知识迁移的跨域图像分类方法 | |
CN109448015A (zh) | 基于显著图融合的图像协同分割方法 | |
CN108510516A (zh) | 一种散乱点云的三维线段提取方法及系统 | |
CN102663723B (zh) | 一种基于颜色样本与电场模型的图像分割方法 | |
CN104217213B (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN101866489A (zh) | 基于免疫多目标聚类的图像分割方法 | |
CN110222712B (zh) | 一种基于深度学习的多专项目标检测算法 | |
CN110197206A (zh) | 图像处理的方法及装置 | |
CN109559328A (zh) | 一种基于贝叶斯估计与水平集的快速图像分割方法及装置 | |
CN108615229A (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
CN106845536A (zh) | 一种基于图像缩放的并行聚类方法 | |
CN109658378A (zh) | 基于土壤ct图像的孔隙辨识方法及系统 | |
CN113033345B (zh) | 基于公共特征子空间的v2v视频人脸识别方法 | |
CN114782714A (zh) | 一种基于上下文信息融合的图像匹配方法及装置 | |
CN106991676A (zh) | 一种局部相关的超像素融合方法 | |
CN107169522A (zh) | 一种基于粗糙集和粒子群算法的改进模糊c‑均值聚类算法 | |
CN104504692A (zh) | 基于区域对比度的图像中显著对象的提取方法 | |
CN112446417A (zh) | 基于多层超像素分割的纺锤形果实图像分割方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |
|
RJ01 | Rejection of invention patent application after publication |