CN108537816B - 一种基于超像素和背景连接先验的显著物体分割方法 - Google Patents

Abstract

本发明涉及一种基于超像素和背景连接先验的显著物体分割方法，包括以下步骤：1、将输入图像分割为N个超像素，然后计算出每个超像素的显著值；2、通过背景连接先验在伪前景区域标记出前景超像素种子点和可能前景超像素种子点，在非伪前景区域中标记出背景超像素种子点和可能背景超像素种子点；3、利用四种超像素种子点和原图的所有超像素，求得原图中显著物体的超像素尺度分割结果；4、在包含显著物体的矩形区域中利用超像素尺度分割结果得到一个像素尺度的标记图，采用像素尺度GrabCut，计算得到显著物体分割结果。该方法能够快速、准确地利用显著图得出显著物体，为图像压缩、图像重定向、图像超分辨率提供快速有效的预处理结果。

Description

一种基于超像素和背景连接先验的显著物体分割方法

技术领域

本发明涉及图像和视频处理以及计算机视觉领域，特别是一种基于超像素和背景连接先验的显著物体分割方法。

背景技术

显著物体分割算法的目标是生成像素尺度的掩码图来表示图像中一个或多个显著物体。显著物体分割是一个二值标记的问题，也就是从背景中将显著物体分离出来。显著物体检测和显著物体分割都作为其它更复杂应用的预处理阶段。近来，越来越多显著物体检测算法利用超像素来保留区域的原有结构并刻画出显著物体的边界。由于算法处理样本的尺度由单一像素提升到超像素块，所以基于超像素的显著物体检测方法能够大幅提升算法的计算效率。然而，据我们所知，之前的以Graph Cut方法作为主体框架的显著物体分割方法并没有基于超像素来提升计算效率。因此，为了使显著物体分割能够更广泛地应用，需要一种具有更高计算效率的基于超像素的显著物体分割方法。

一般来说，显著物体分割是作为显著物体检测的一种后续处理，而显著物体检测的结果也会对显著物体分割结果造成影响。为此，Zhu等人提出一种基于背景连接先验的显著检测优化算法，其中背景连接先验基于超像素能够高效地检测出图像中的背景区域。由于显著物体分割致力于从背景中将显著物体分离出来，所以融合背景连接先验和显著检测结果可以改善显著物体分割的结果。

发明内容

本发明的目的在于提供一种基于超像素和背景连接先验的显著物体分割方法，该方法能够快速、准确地利用显著图得出显著物体，为图像压缩、图像重定向、图像超分辨率提供快速有效的预处理结果。

为实现上述目的，本发明的技术方案是：一种基于超像素和背景连接先验的显著物体分割方法，包括以下步骤：

步骤S1：利用简单线性迭代聚类的超像素分割算法将输入图像分割为N个超像素，然后利用显著性物体检测算法得到的显著图，计算出每个超像素的显著值；

步骤S2：通过背景连接先验计算出输入图像的伪前景区域，然后利用二次大津法计算出两个显著性相关的自适应阈值，从伪前景区域中标记出前景超像素种子点和可能前景超像素种子点，同时在其余的非伪前景区域中，利用固定阈值标记出背景超像素种子点，并将所有其余超像素标记为可能背景超像素种子点；

步骤S3：将标记的四种超像素种子点和原图得到的所有超像素作为超像素尺度的GrabCut算法的输入，计算得到原图中显著物体的超像素尺度分割结果；

步骤S4：利用超像素尺度分割结果，定位出一个包含显著物体的矩形区域进行后续处理；在所述矩形区域内，利用超像素尺度分割结果得到一个像素尺度的标记图，并与原图像素一同作为像素尺度的GrabCut算法的输入，计算得到最后的显著物体分割结果。

进一步地，所述步骤S1中，对任意输入图像I，利用简单线性迭代聚类的超像素分割算法将输入图像分割为N个超像素，得到超像素分割标记集合

每一个超像素分割标记l_i对应第i个超像素所包含的所有像素点的集合，i为超像素分割标记l_i的下标；然后利用显著性物体检测算法来产生对应于输入图像I的显著图S，计算出每个超像素的显著值；基于超像素分割标记，将超像素显著值的集合定义为

对每一个超像素有：

其中S_j表示超像素中第j个像素点的显著值，j为像素点显著值的下标，j∈l_i表示j取遍l_i中的所有像素点，i为超像素显著值向量s_i的下标。

进一步地，所述步骤S2中，通过背景连接先验图计算出伪前景区域，然后利用二次大津法从伪前景区域中标记出前景超像素种子点和可能前景超像素种子点，同时在非伪前景区域中，利用固定阈值标记出背景超像素种子点，并将所有其余超像素标记为可能背景超像素种子点，包括以下步骤：

步骤S21：对步骤S1得到的N个超像素，通过显著优化算法计算得到其对应的归一化后的背景连接先验值集合

CIE-Lab颜色空间上每一个超像素的平均颜色值z_i的集合为

接着构建一个连接所有相邻超像素的无向权重图，并将所述无向权重图中连接任意两个相邻的超像素的边的权重定义为这两个超像素颜色值的欧几里得距离，从而计算得到任意两个超像素(p_j,p_i)之间的测地距离d_geo(p_j,p_i)，下标j、i取值均为1到N；由背景连接先验的定义，先假定图像边界上的超像素属于背景区域，在此基础上定义超像素p_j在颜色空间上的生成区域为Area(p_j)，且所述生成区域在图像边界上的边长为L(p_j)，则定义背景连接先验值BndCon(p_j)为：

其中

σ_clr表示测地距离d_geo(p_j,p_i)所属标准高斯分布的标准差，Bnd为初始假定的图像边界上属于背景区域的超像素集合，

表示超像素p_i不属于集合Bnd，

括号内判别式为真时，表示超像素p_i不属于集合Bnd，则δ(·)＝0，括号内判别式为假时，则δ(·)＝1；

由于属于背景区域的超像素的背景连接先验值在数值上远大于属于前景区域的超像素，因此，通过设置阈值t_b，将背景连接先验值小于阈值的超像素的背景连接先验值设为0；最后再对所有超像素的背景连接先验值进行归一化得到归一化后的背景连接先验值集合

其中b_i取值在[0,1]；

步骤S22：定义伪前景区域为由背景连接先验值为0的超像素组成的区域，然后通过后续步骤进一步确定伪前景区域中的前景区域；

步骤S23：利用二次大津法计算得到的阈值来标记出前景区域和伪前景区域；具体方法为：

首先利用大津法对所有超像素求一个自适应阈值t_pf，并将伪前景区域中显著值s_i小于阈值t_pf的超像素先标记为可能前景区域；接着，基于阈值t_pf，将大津法中的超像素显著直方图分为两部分，再对这两部分用大津法同样进行优化求解得到另外两个自适应阈值t_cf、t_pb，且有t_cf＞t_pf＞t_pb；最后，将可能前景区域中显著值s_i大于阈值t_cf的超像素，按显著值进行降序排列，并在可能全景区域中选取显著值最高的前m个超像素作为前景区域；

步骤S24：对那些还未标记的超像素，设置一个固定阈值t_cb，并将那些背景连接先验值b_i大于阈值t_cb的超像素标记为背景区域，而其余超像素标记为可能背景区域；从而，标记出四个超像素区域，并将四个区域包含的超像素称为超像素种子点。

进一步地，所述步骤S3中将标记的四种超像素种子点和原图得到的所有超像素作为超像素尺度的GrabCut算法的输入，得到原图中显著物体的超像素尺度分割结果，包括以下步骤：

步骤S31：基于超像素尺度的GrabCut算法将分割问题转化成求解能量函数最小化问题，而求解最小化问题是通过求解s-t网络图的最大流/最小割问题；求解方程定义为：

其中

表示超像素的分割结果，

为0表示该超像素属于背景区域，

为1表示该超像素属于前景区域，而E(x,θ,z)表示GrabCut算法定义的能量函数，函数包含平滑项V(x,z)及数据项U(x,θ,z)，所述平滑项V(x,z)用以度量前景区域与背景区域的差异，数据项U(x,θ,z)用以度量超像素属于前景或背景区域的概率；函数变量中的

表示CIE-Lab颜色空间上每一个超像素的平均颜色值，

则表示超像素尺度的GrabCut算法的初始标记假设，当超像素属于前景区域及可能前景区域时，x_i为1，而当超像素属于背景区域及可能背景区域时，x_i为0；θ为GrabCut算法定义的高斯混合模型，而GrabCut算法将x_i为1的超像素作为前景高斯混合模型的输入样本，并将x_i为0的超像素作为背景高斯混合模型的输入样本；

步骤S32：利用Orchard and Bauman算法来构建高斯混合模型，再利用EM算法对其进行求解，并进一步计算数据项U(x,θ,z)以及平滑项V(x,z)；最后通过求解s-t网络图的最大流/最小割问题，求解得到

即超像素尺度的分割结果。

进一步地，所述步骤S4中，利用超像素尺度分割结果，定位出一个包含显著物体的矩形区域进行后续处理；在所述矩形区域内，利用超像素尺度的分割结果得到一个像素尺度的标记图，并与原图像素一同作为像素尺度的GrabCut算法的输入从而得到最后的显著物体分割结果，包括以下步骤：

步骤S41：对于超像素尺度的分割结果

对应超像素分割标记集合

将分割结果映射到原图分辨率，即得到分割掩码图M；

步骤S42：求出分割掩码图M的四个边角点，定位出一个包含显著物体的矩形区域进行后续处理；

步骤S43：在所述矩形区域内，先对分割掩码图M进行腐蚀操作得到腐蚀结果M_e，然后对分割掩码图M进行膨胀操作得到膨胀结果M_d，对于属于腐蚀后区域的像素，将其标记为前景区域，并将在膨胀区域外的像素标记为背景区域，剩余像素标记为未知区域，从而得到新的像素标记结果；

步骤S44：以新的像素标记结果，以及矩形区域内的像素颜色值作为传统GrabCut算法的输入，计算得出一个边界更精细的像素尺度的分割结果，即为最后的显著物体分割结果。

相较于现有技术，本发明的有益效果是：本发明基于超像素和背景连接先验，既能够通过超像素的表达加速图像分割的速度，又融合背景和前景的先验信息更准确地分割出图像中的显著物体。该方法能够有效并快速地利用显著图得出显著物体，为图像压缩，图像重定向，图像超分辨率提供快速有效的预处理结果。

附图说明

图1是本发明方法的流程框图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细说明。

本发明提供一种基于超像素和背景连接先验的显著物体分割方法，如图1所示，包括以下步骤：

步骤S1：利用简单线性迭代聚类(SLIC)的超像素分割算法将输入图像分割为N个超像素，然后利用显著性物体检测算法得到的显著图，计算出每个超像素的显著值。具体方法为：

对任意输入图像I，利用简单线性迭代聚类的超像素分割算法将输入图像分割为N个超像素，得到超像素分割标记集合

每一个超像素分割标记l_i对应第i个超像素所包含的所有像素点的集合，i为超像素分割标记l_i的下标；然后利用显著性物体检测算法来产生对应于输入图像I的显著图S，计算出每个超像素的显著值；基于超像素分割标记，将超像素显著值s_i的集合定义为

对每一个超像素有：

其中S_j表示超像素中第j个像素点的显著值，j为像素点显著值的下标，j∈l_i表示j取遍l_i中的所有像素点，i为超像素显著值向量s_i的下标。

步骤S2：通过背景连接先验计算出输入图像的伪前景区域，然后利用二次大津法计算出两个显著性相关的自适应阈值，从伪前景区域中标记出前景超像素种子点和可能前景超像素种子点，同时在其余的非伪前景区域中，利用固定阈值标记出背景超像素种子点，并将所有其余超像素标记为可能背景超像素种子点。具体包括以下步骤：

步骤S21：对步骤S1得到的N个超像素，通过显著优化算法计算得到其对应的归一化后的背景连接先验值集合

CIE-Lab颜色空间上每一个超像素的平均颜色值z_i的集合为

接着构建一个连接所有相邻超像素的无向权重图，并将所述无向权重图中连接任意两个相邻的超像素的边的权重定义为这两个超像素颜色值的欧几里得距离，从而计算得到任意两个超像素(p_j,p_i)之间的测地距离d_geo(p_j,p_i)，下标j、i取值均为1到N；由背景连接先验的定义，先假定图像边界上的超像素属于背景区域，在此基础上定义超像素p_j在颜色空间上的生成区域为Area(p_j)，且所述生成区域在图像边界上的边长为L(p_j)，则定义背景连接值BndCon(p_j)为：

其中

σ_clr表示测地距离d_geo(p_j,p_i)所属标准高斯分布的标准差，在本实施例中，其值设置为10；Bnd为初始假定的图像边界上属于背景区域的超像素集合，

表示超像素p_i不属于集合Bnd，

括号内判别式为真时，表示超像素p_i不属于集合Bnd，则δ(·)＝0，括号内判别式为假时，则δ(·)＝1；

由于属于背景区域的超像素的背景连接先验值在数值上远大于属于前景区域的超像素，因此，通过设置阈值t_b，在本实施例中，阈值t_b设置为2，将背景连接先验值小于阈值的超像素的背景连接先验值设为0，这里BndCon(p_j)的取值并非处于[0,1]；最后再对所有超像素的背景连接先验值进行归一化得到归一化后的背景连接先验值集合

其中b_i取值在[0,1]；

步骤S22：定义伪前景区域为由背景连接先验值为0的超像素组成的区域，然后通过后续步骤进一步确定伪前景区域中的前景区域；

步骤S23：利用二次大津法计算得到的阈值来标记出前景区域和伪前景区域；具体方法为：

首先利用大津法对所有超像素求一个自适应阈值t_pf，并将伪前景区域中显著值s_i小于阈值t_pf的超像素先标记为可能前景区域；接着，基于阈值t_pf，将第一次大津法中的超像素显著直方图分为两部分，再对这两部分用大津法同样进行优化求解得到另外两个自适应阈值t_cf、t_pb，且有t_cf＞t_pf＞t_pb；最后，将可能前景区域中显著值s_i大于阈值t_cf的超像素，按显著值进行降序排列，并在可能全景区域中选取显著值最高的前m个超像素作为前景区域；在本实施例中，m取10；

步骤S24：对那些还未标记的超像素，设置一个固定阈值t_cb，在本实施例中，设置为0.6，并将那些背景连接先验值b_i大于阈值t_cb的超像素标记为背景区域，而其余超像素标记为可能背景区域；从而，标记出四个超像素区域，并将四个区域包含的超像素称为超像素种子点。

步骤S3：将标记的四种超像素种子点和原图得到的所有超像素作为超像素尺度的GrabCut算法的输入，计算得到原图中显著物体的超像素尺度分割结果。具体包括以下步骤：

步骤S31：基于超像素尺度的GrabCut算法与传统的GrabCut算法一致，将分割问题转化成求解能量函数最小化问题，而求解最小化问题是通过求解s-t网络图的最大流/最小割问题；求解方程定义为：

其中

表示超像素的分割结果，

为0表示该超像素属于背景区域，

为1表示该超像素属于前景区域，而E(x,θ,z)表示GrabCut算法定义的能量函数，函数包含平滑项V(x,z)及数据项U(x,θ,z)，所述平滑项V(x,z)用以度量前景区域与背景区域的差异，数据项U(x,θ,z)用以度量超像素属于前景或背景区域的概率；函数变量中的

表示CIE-Lab颜色空间上每一个超像素的平均颜色值，

则表示超像素尺度的GrabCut算法的初始标记假设，当超像素属于前景区域及可能前景区域时，x_i为1，而当超像素属于背景区域及可能背景区域时，x_i为0；θ为GrabCut算法定义的高斯混合模型，而GrabCut算法将x_i为1的超像素作为前景高斯混合模型的输入样本，并将x_i为0的超像素作为前景高斯混合模型的输入样本；本实施例中，每个高斯混合模型的高斯组件数都为5；

步骤S32：利用Orchard and Bauman算法来构建高斯混合模型，再利用EM算法对其进行求解，并进一步计算数据项U(x,θ,z)以及平滑项V(x,z)；最后通过求解s-t网络图的最大流/最小割问题，求解得到

即超像素尺度的分割结果。

步骤S4：利用超像素尺度分割结果，定位出一个包含显著物体的矩形区域进行后续处理；在所述矩形区域内，利用超像素尺度分割结果得到一个像素尺度的标记图，并与原图像素一同作为像素尺度的GrabCut算法的输入，计算得到最后的显著物体分割结果。具体包括以下步骤：

步骤S41：对于超像素尺度的分割结果

对应超像素分割标记集合

将分割结果映射到原图分辨率，即得到分割掩码图M；

步骤S42：求出分割掩码图M的四个边角点，定位出一个包含显著物体的矩形区域进行后续处理；

步骤S43：在所述矩形区域内，先对分割掩码图M进行腐蚀操作得到腐蚀结果M_e，然后对分割掩码图M进行膨胀操作得到膨胀结果M_d，对于属于腐蚀后区域的像素，将其标记为前景区域，并将在膨胀区域外的像素标记为背景区域，剩余像素标记为未知区域，从而得到新的像素标记结果；

步骤S44：以新的像素标记结果，以及矩形区域内的像素颜色值作为传统GrabCut算法的输入，计算得出一个边界更精细的像素尺度的分割结果，即为最后的显著物体分割结果。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (3)

1.一种基于超像素和背景连接先验的显著物体分割方法，其特征在于，包括以下步骤：

步骤S1：利用简单线性迭代聚类的超像素分割算法将输入图像分割为N个超像素，然后利用显著性物体检测算法得到的显著图，计算出每个超像素的显著值；

步骤S2：通过背景连接先验计算出输入图像的伪前景区域，然后利用二次大津法计算出两个显著性相关的自适应阈值，从伪前景区域中标记出前景超像素种子点和可能前景超像素种子点，同时在其余的非伪前景区域中，利用固定阈值标记出背景超像素种子点，并将所有其余超像素标记为可能背景超像素种子点；

步骤S3：将标记的四种超像素种子点和原图得到的所有超像素作为超像素尺度的GrabCut算法的输入，计算得到原图中显著物体的超像素尺度分割结果；

步骤S4：利用超像素尺度分割结果，定位出一个包含显著物体的矩形区域进行后续处理；在所述矩形区域内，利用超像素尺度分割结果得到一个像素尺度的标记图，并与原图像素一同作为像素尺度的GrabCut算法的输入，计算得到最后的显著物体分割结果；

所述步骤S1中，对任意输入图像I，利用简单线性迭代聚类的超像素分割算法将输入图像分割为N个超像素，得到超像素分割标记集合

每一个超像素分割标记l_i对应第i个超像素所包含的所有像素点的集合，i为超像素分割标记l_i的下标；然后利用显著性物体检测算法来产生对应于输入图像I的显著图S，计算出每个超像素的显著值；基于超像素分割标记，将超像素显著值的集合定义为

对每一个超像素有：

其中S_j表示超像素中第j个像素点的显著值，j为像素点显著值的下标，j∈l_i表示j取遍l_i中的所有像素点，i为超像素显著值向量s_i的下标；

所述步骤S2中，通过背景连接先验图计算出伪前景区域，然后利用二次大津法从伪前景区域中标记出前景超像素种子点和可能前景超像素种子点，同时在非伪前景区域中，利用固定阈值标记出背景超像素种子点，并将所有其余超像素标记为可能背景超像素种子点，包括以下步骤：

步骤S21：对步骤S1得到的N个超像素，通过显著优化算法计算得到其对应的归一化后的背景连接先验值集合

CIE-Lab颜色空间上每一个超像素的平均颜色值z_i的集合为

接着构建一个连接所有相邻超像素的无向权重图，并将所述无向权重图中连接任意两个相邻的超像素的边的权重定义为这两个超像素颜色值的欧几里得距离，从而计算得到任意两个超像素(p_j,p_i)之间的测地距离d_geo(p_j,p_i)，下标j、i取值均为1到N；由背景连接先验的定义，先假定图像边界上的超像素属于背景区域，在此基础上定义超像素p_j在颜色空间上的生成区域为Area(p_j)，且所述生成区域在图像边界上的边长为L(p_j)，则定义背景连接先验值BndCon(p_j)为：

其中

σ_clr表示测地距离d_geo(p_j,p_i)所属标准高斯分布的标准差，Bnd为初始假定的图像边界上属于背景区域的超像素集合，

表示超像素p_i不属于集合Bnd，

括号内判别式为真时，表示超像素p_i不属于集合Bnd，则δ(·)＝0，括号内判别式为假时，则δ(·)＝1；

由于属于背景区域的超像素的背景连接先验值在数值上远大于属于前景区域的超像素，因此，通过设置阈值t_b，将背景连接先验值小于阈值的超像素的背景连接先验值设为0；最后再对所有超像素的背景连接先验值进行归一化得到归一化后的背景连接先验值集合

其中b_i取值在[0,1]；

步骤S22：定义伪前景区域为由背景连接先验值为0的超像素组成的区域，然后通过后续步骤进一步确定伪前景区域中的前景区域；

步骤S23：利用二次大津法计算得到的阈值来标记出前景区域和伪前景区域；具体方法为：

首先利用大津法对所有超像素求一个自适应阈值t_pf，并将伪前景区域中显著值s_i小于阈值t_pf的超像素先标记为可能前景区域；接着，基于阈值t_pf，将大津法中的超像素显著直方图分为两部分，再对这两部分用大津法同样进行优化求解得到另外两个自适应阈值t_cf、t_pb，且有t_cf＞t_pf＞t_pb；最后，将可能前景区域中显著值s_i大于阈值t_cf的超像素，按显著值进行降序排列，并在可能全景区域中选取显著值最高的前m个超像素作为前景区域；

步骤S24：对那些还未标记的超像素，设置一个固定阈值t_cb，并将那些背景连接先验值b_i大于阈值t_cb的超像素标记为背景区域，而其余超像素标记为可能背景区域；从而，标记出四个超像素区域，并将四个区域包含的超像素称为超像素种子点。

2.根据权利要求1所述的一种基于超像素和背景连接先验的显著物体分割方法，其特征在于，所述步骤S3中将标记的四种超像素种子点和原图得到的所有超像素作为超像素尺度的GrabCut算法的输入，得到原图中显著物体的超像素尺度分割结果，包括以下步骤：

步骤S31：基于超像素尺度的GrabCut算法将分割问题转化成求解能量函数最小化问题，而求解最小化问题是通过求解s-t网络图的最大流/最小割问题；求解方程定义为：

其中

表示超像素的分割结果，

为0表示该超像素属于背景区域，

为1表示该超像素属于前景区域，而E(x,θ,z)表示GrabCut算法定义的能量函数，函数包含平滑项V(x,z)及数据项U(x,θ,z)，所述平滑项V(x,z)用以度量前景区域与背景区域的差异，数据项U(x,θ,z)用以度量超像素属于前景或背景区域的概率；函数变量中的

表示CIE-Lab颜色空间上每一个超像素的平均颜色值，

则表示超像素尺度的GrabCut算法的初始标记假设，当超像素属于前景区域及可能前景区域时，x_i为1，而当超像素属于背景区域及可能背景区域时，x_i为0；θ为GrabCut算法定义的高斯混合模型，而GrabCut算法将x_i为1的超像素作为前景高斯混合模型的输入样本，并将x_i为0的超像素作为背景高斯混合模型的输入样本；

步骤S32：利用Orchard and Bauman算法来构建高斯混合模型，再利用EM算法对其进行求解，并进一步计算数据项U(x,θ,z)以及平滑项V(x,z)；最后通过求解s-t网络图的最大流/最小割问题，求解得到

即超像素尺度的分割结果。

3.根据权利要求2所述的一种基于超像素和背景连接先验的显著物体分割方法，其特征在于，所述步骤S4中，利用超像素尺度分割结果，定位出一个包含显著物体的矩形区域进行后续处理；在所述矩形区域内，利用超像素尺度的分割结果得到一个像素尺度的标记图，并与原图像素一同作为像素尺度的GrabCut算法的输入从而得到最后的显著物体分割结果，包括以下步骤：

步骤S41：对于超像素尺度的分割结果

对应超像素分割标记集合

将分割结果映射到原图分辨率，即得到分割掩码图M；

步骤S42：求出分割掩码图M的四个边角点，定位出一个包含显著物体的矩形区域进行后续处理；

步骤S43：在所述矩形区域内，先对分割掩码图M进行腐蚀操作得到腐蚀结果M_e，然后对分割掩码图M进行膨胀操作得到膨胀结果M_d，对于属于腐蚀后区域的像素，将其标记为前景区域，并将在膨胀区域外的像素标记为背景区域，剩余像素标记为未知区域，从而得到新的像素标记结果；

步骤S44：以新的像素标记结果，以及矩形区域内的像素颜色值作为传统GrabCut算法的输入，计算得出一个边界更精细的像素尺度的分割结果，即为最后的显著物体分割结果。

Images