CN113160251B - 一种基于显著性先验的图像自动分割方法 - Google Patents

一种基于显著性先验的图像自动分割方法 Download PDF

Info

Publication number
CN113160251B
CN113160251B CN202110562949.0A CN202110562949A CN113160251B CN 113160251 B CN113160251 B CN 113160251B CN 202110562949 A CN202110562949 A CN 202110562949A CN 113160251 B CN113160251 B CN 113160251B
Authority
CN
China
Prior art keywords
saliency
image
pixel
segmentation
foreground
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.)
Active
Application number
CN202110562949.0A
Other languages
English (en)
Other versions
CN113160251A (zh
Inventor
梁昊光
赵海英
侯小刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING INTERNATIONAL STUDIES UNIVERSITY
Beijing University of Posts and Telecommunications
Original Assignee
BEIJING INTERNATIONAL STUDIES UNIVERSITY
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BEIJING INTERNATIONAL STUDIES UNIVERSITY, Beijing University of Posts and Telecommunications filed Critical BEIJING INTERNATIONAL STUDIES UNIVERSITY
Priority to CN202110562949.0A priority Critical patent/CN113160251B/zh
Publication of CN113160251A publication Critical patent/CN113160251A/zh
Application granted granted Critical
Publication of CN113160251B publication Critical patent/CN113160251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于显著性先验的图像自动分割方法，包括以下步骤：通过背景先验显著性方法计算图像在不同超像素尺度下的显著图；采用中心‑原理公式对显著图进行增强；将增强后的显著图进行图像融合，获取融合显著图；提取原图像的RGB颜色特征、LAB颜色特征和OTC纹理特征；根据颜色特征和纹理特征对图像像素进行相似性度量；根据像素相似性对融合显著图进行处理，将符合相似性规则的像素标记为前景种子点，将不符合相似性规则的像素标记为背景种子点；通过图割原理完成对图像的自动分割。本发明方法能够自动获取种子点，同时克服光照对分割的影响，解决了现有图像分割方法需要人工参与且易受光照影响的问题。

Description

一种基于显著性先验的图像自动分割方法
技术领域
本发明属于图像处理和计算机视觉领域，特别涉及一种基于显著性先验的图像自动分割方法。
背景技术
图像分割是根据像素的相似性将图像划分为多个子区域，并从中提取感兴趣区域的技术，是计算机视觉任务的重要一环，在农业、医学、交通等领域广泛应用。现有的图像分割方法获取种子点先验信息的方式需要人工参与，造成分割效率低下。另外，受图像采集设备和采集条件的影响，图像表面会存在光照不均匀的情况，对此类图像直接进行分割会导致较大的误差，难以得到令人满意的效果。
现有的图像分割方法根据是否需要人工参与可以分为交互分割和自动分割。交互分割方法是指首先由人工在图像中标记前景和背景种子点，以此作为先验信息，之后通过度量图像中其它像素与种子点的相似性来对像素进行划分，最后将像素划分为前景和背景两类。此类分割方法能够明确地将感兴趣区域提取出来，但往往过度依赖颜色特征，在前景色和背景色对比度低时容易导致错误分割。自动分割方法是指不借助人工标记，自动获取图像分割的先验信息进行分割的技术，阈值分割是经典代表算法。阈值分割通常设定一个或几个阈值，根据阈值对图像的像素进行分类，像素灰度高于阈值的归为前景，低于阈值的部分归为背景。该方法只利用了图像的灰度信息，不考虑像素在空间上的邻近性，因此该类算法对噪声敏感，会破坏边界，导致分割结果不能保持空间上的连续性。显著性检测技术的出现推动了图像自动分割的研究与发展。显著性检测技术是可以基于图像自身的特点计算像素的显著值，显著值的大小表征像素的显著性，显著值越高，表示像素在图像中越容易引起人眼注意。通过显著性检测技术计算得到图像的显著图，然后采用阈值分割技术可实现图像的自动分割。
上述方法中，交互分割方法需要人工参与，分割过程繁琐，对人员有较高的专业要求，而且分割准确性过度依赖颜色特征；基于阈值分割的自动分割方法思想简单，但阈值的设定难以保证分割结果的完整性。
发明内容
本发明的目的在于，解决传统纹样语义重构过程中遇到的上述问题，本文提出的一种基于显著性先验的图像自动分割方法，从结构、信噪比、边缘一致性等方面出发，完成对重构的图像的质量评价，帮助用户快速甄别高质量的重构图像。
本发明提供的一种基于显著性先验的图像自动分割方法，其特征在于，包括以下步骤：
步骤1对待分割图像进行超像素分割，获得不同尺度超像素分割的超像素块；
步骤2、根据不同尺度超像素划分结果，根据背景-先验显著性算法计算显著图；
步骤3、采用中心-原理公式对不同尺度下的显著图进行增强，然后将不同尺度超像素划分下的显著图进行融合获得融合显著图，最后对融合显著图进行阈值分割，获得粗略显著图；
步骤4、提取待分割图像中前景区域的像素点的颜色特征和纹理特征，所述前景区域是指步骤3中阈值分割后像素值大于阈值的区域，即粗略显著图中的前景区域；
步骤5、根据下式计算待分割图像中前景区域的像素点之间的特征相似度：
Figure BDA0003079695370000031
式中，p、q表示待分割图像中的像素点，ωp、ωq分别表示像素点p、像素点q的特征向量，Ω为所有颜色和纹理的特征空间，所述前景区域是指步骤3中阈值分割后像素值大于阈值的区域，即粗略显著图中的前景区域；
步骤6、将符合以下判定公式的像素点判定为前景种子点，并根据前景种子点构建种子点模板：
Figure BDA0003079695370000032
式中，p表示像素点，fg，pr_fg分别表示前景种子点集合和可能的前景种子点的集合，Vp表示像素点p的特征值，avg为待分割图像中前景区域的特征值的平均值，σ表示步骤5中求得的特征相似度的标准差；
步骤7，采用图割原理，以种子模板作为先验信息，完成图像分割。
上述方法基于中心-先验显著性检测技术、背景-先验显著性检测技术、多特征提取等技术，实现了图像分割先验信息的自动获取，算法创新性地利用边界先验和背景先验两种理论各自的优势，获取图像在不同尺度上的显著图，较好地保留了显著目标的边缘信息，还通过多特征提取方法对显著图中的种子点进行优化，避免将背景作为种子点导致错误分割的问题，其中OTC纹理特征增强了算法对光照变化的鲁棒性，提高了先验信息的准确性，能够很好地解决图像分割的自动化问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为发明实施例基于显著性先验的图像自动分割方法流程图。
具体实施方式
如图所示，为本发明基于显著性先验的图像自动分割方法流程图，该方法包括以下步骤：
基于显著性先验的图像自动分割方法，其特征在于，包括以下步骤：
步骤1对待分割图像进行超像素分割，获得不同尺度超像素分割的超像素块。本步骤中，使用SLIC算法进行超像素分割，通过设置超像素数量为200，400，600，800，1000来获取图像不同超像素个数的分割结果。尺度的划分综合考虑了图像中显著目标大小、位置的不同对显著图的影响。
步骤2、根据不同尺度超像素划分结果，根据背景-先验显著性算法计算显著图。本步骤中，使用SO方法(Wangjiang Zhu,Shuang Liang,Yichen Wei,etc.SaliencyOptimization from Robust Background Detection[A].//2014IEEE Conference onComputer Vision and Pattern Recognition[C],Columbus:IEEE Computer Society,2014:2814-2821.)进行显著图的计算。
步骤3、采用中心-原理公式对不同尺度下的显著图进行增强，然后将不同尺度超像素划分下的显著图进行融合获得融合显著图，最后对融合显著图采用OTSU方法进行阈值分割，获得粗略显著图。
本步骤中，中心-原理公式计算如下：
Figure BDA0003079695370000041
其中(px,py)为像素p的位置，(cx,cy)为图像的中心位置，δx和δy分别为图像宽、高的三分之一。
不同尺度超像素划分下的显著图通过以下公式进行融合：
Figure BDA0003079695370000051
其中，p为像素，m为超像素分割尺度，采用200、400、500、600、800、1000六个尺度；Salm(p)为像素p通过SO方法计算得到的显著图的显著值，f(p)为像素p通过中心-原理公式计算得到的显著值。
步骤4、提取待分割图像中前景区域的像素点的颜色特征和纹理特征。前景区域是指步骤3中阈值分割后像素值大于阈值的区域，即粗略显著图中的前景区域。颜色特征包含RGB和LAB颜色特征，纹理特征为OTC纹理特征。提取RGB和LAB颜色特征、OTC纹理特征都为现有方法，分别参见文献：Ran Margolin,Lihi Zelnik-Manor,Ayellet Tal.OTC:A NovelLocal Descriptor for Scene Classification[A].//13th European Conference onComputer Vision[C],Switzerland:Springer,2014:377-391.
步骤5、根据下式计算待分割图像中前景区域的像素点之间的特征相似度：
Figure BDA0003079695370000052
式中，p、q表示待分割图像中的像素点，ωp、ωq分别表示像素点p、像素点q的特征向量，Ω为所有颜色和纹理的特征空间，所述前景区域是指步骤3中阈值分割后像素值大于阈值的区域，即粗略显著图中的前景区域。
步骤6、将符合以下判定公式的像素点判定为前景种子点，并根据前景种子点构建种子点模板：
Figure BDA0003079695370000061
式中，p表示像素点，fg，pr_fg分别表示前景种子点集合和可能的前景种子点的集合，Vp表示像素点p的特征值，avg为待分割图像中前景区域的特征值的平均值，σ表示步骤5中求得的特征相似度的标准差。掩膜中前景种子点标记为“1”，可能的前景种子点标记为“3”，背景标记为“2”。
种子模板即为最终的先验信息，生成种子模板的过程实际是根据多特征距离对融合显著图中的显著点进一步筛选，将特征距离落在平均特征距离一个标准差之内的点筛选出来作为前景种子点，提高先验种子点的可信度。
步骤7，采用图割原理，以种子模板作为先验信息，完成图像分割。
上述方法基于中心-先验显著性检测技术、背景-先验显著性检测技术、多特征提取等技术，实现了图像分割先验信息的自动获取，算法创新性地利用边界先验和背景先验两种理论各自的优势，获取图像在不同尺度上的显著图，较好地保留了显著目标的边缘信息，还通过多特征提取方法对显著图中的种子点进行优化，避免将背景作为种子点导致错误分割的问题，其中OTC纹理特征增强了算法对光照变化的鲁棒性，提高了先验信息的准确性，能够很好地解决图像分割的自动化问题。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (5)

1.一种基于显著性先验的图像自动分割方法，其特征在于，包括以下步骤：
步骤1对待分割图像进行超像素分割，获得不同尺度超像素分割的超像素块；
步骤2、根据不同尺度超像素划分结果，根据背景-先验显著性算法计算显著图；
步骤3、采用中心-原理公式对不同尺度下的显著图进行增强，然后将不同尺度超像素划分下的显著图进行融合获得融合显著图，最后对融合显著图进行阈值分割，获得粗略显著图；
本步骤中，中心-原理公式计算如下：
Figure FDA0004014606490000011
其中(px,py)为像素点p的位置，(cx,cy)为图像的中心位置，δx为图像宽的三分之一，δy为图像高的三分之一；
本步骤中，不同尺度超像素划分下的显著图通过以下公式进行融合：
Figure FDA0004014606490000012
其中，p为像素点，m为超像素分割尺度，采用200、400、500、600、800、1000六个尺度；Salm(p)为像素点p通过SO方法计算得到的显著图的显著值，f(p)为像素点p通过中心-原理公式计算得到的显著值；
步骤4、提取待分割图像中前景区域的像素点的颜色特征和纹理特征，所述前景区域是指步骤3中阈值分割后像素值大于阈值的区域，即粗略显著图中的前景区域；
步骤5、根据下式计算待分割图像中前景区域的像素点之间的特征相似度：
Figure FDA0004014606490000021
式中，p、q表示待分割图像中的像素点，ωp、ωq分别表示像素点p、像素点q的特征向量，Ω为所有颜色和纹理的特征空间，所述前景区域是指步骤3中阈值分割后像素值大于阈值的区域，即粗略显著图中的前景区域；
步骤6、将符合以下判定公式的像素点判定为前景种子点，并根据前景种子点构建种子点模板：
Figure FDA0004014606490000022
式中，p表示像素点，fg,pr_fg分别表示前景种子点集合和可能的前景种子点的集合，Vp表示像素点p的特征值，avg为待分割图像中前景区域的特征值的平均值，σ表示步骤5中求得的特征相似度的标准差；
步骤7，采用图割原理，以种子模板作为先验信息，完成图像分割。
2.根据权利要求1所述的基于显著性先验的图像自动分割方法，其特征在于：步骤1中使用SLIC算法进行超像素分割，通过设置超像素数量为200，400，600，800，1000来获取图像不同超像素个数的分割结果。
3.根据权利要求1所述的基于显著性先验的图像自动分割方法，其特征在于：步骤2中，使用SO方法进行显著图的计算。
4.根据权利要求1所述的基于显著性先验的图像自动分割方法，其特征在于：步骤3中，采用OTSU方法对融合显著图进行阈值分割。
5.根据权利要求1所述的基于显著性先验的图像自动分割方法，其特征在于：步骤4中颜色特征包含RGB和LAB颜色特征，纹理特征为OTC纹理特征。
CN202110562949.0A 2021-05-24 2021-05-24 一种基于显著性先验的图像自动分割方法 Active CN113160251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110562949.0A CN113160251B (zh) 2021-05-24 2021-05-24 一种基于显著性先验的图像自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110562949.0A CN113160251B (zh) 2021-05-24 2021-05-24 一种基于显著性先验的图像自动分割方法

Publications (2)

Publication Number Publication Date
CN113160251A CN113160251A (zh) 2021-07-23
CN113160251B true CN113160251B (zh) 2023-06-09

Family

ID=76877316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110562949.0A Active CN113160251B (zh) 2021-05-24 2021-05-24 一种基于显著性先验的图像自动分割方法

Country Status (1)

Country Link
CN (1) CN113160251B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110088805B (zh) * 2016-12-20 2023-06-06 柯达阿拉里斯股份有限公司 用于检测和分割多个前景对象的方法
CN108537816B (zh) * 2018-04-17 2021-08-31 福州大学 一种基于超像素和背景连接先验的显著物体分割方法
CN110853070A (zh) * 2019-11-11 2020-02-28 山东科技大学 基于显著性与Grabcut的水下海参图像分割方法
CN112287935B (zh) * 2020-09-03 2022-07-29 河海大学 一种基于显著性先验的图像语义分割方法及系统

Also Published As

Publication number Publication date
CN113160251A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN111028213B (zh) 图像缺陷检测方法、装置、电子设备及存储介质
CN109522908B (zh) 基于区域标签融合的图像显著性检测方法
CN109886974B (zh) 一种印章去除方法
CN108537239B (zh) 一种图像显著性目标检测的方法
CN111145209B (zh) 一种医学图像分割方法、装置、设备及存储介质
WO2019062092A1 (zh) 基于超像素-多色彩空间的人体轮廓提取方法
CN110197153B (zh) 一种户型图中墙体自动识别方法
CN108629286B (zh) 一种基于主观感知显著模型的遥感机场目标检测方法
CN105096347B (zh) 图像处理装置和方法
WO2019071976A1 (zh) 基于区域增长和眼动模型的全景图像显著性检测方法
CN109740572A (zh) 一种基于局部彩色纹理特征的人脸活体检测方法
CN110268442B (zh) 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品
CN113343976B (zh) 基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法
CN107274452B (zh) 一种痘痘自动检测方法
Chen et al. Extracting contour lines from common-conditioned topographic maps
CN113609984A (zh) 一种指针式仪表读数识别方法、装置及电子设备
CN108038458B (zh) 基于特征摘要图的视频中的户外场景文本自动获取方法
CN110852207A (zh) 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法
CN114444565A (zh) 一种图像篡改检测方法、终端设备及存储介质
CN112330561A (zh) 基于交互式前景提取与信息熵分水岭的医学图像分割方法
Gul et al. Automatic extraction of contour lines from topographic maps
CN107704864B (zh) 基于图像对象性语义检测的显著目标检测方法
CN113160251B (zh) 一种基于显著性先验的图像自动分割方法
Komati et al. Unsupervised color image segmentation based on local fractal descriptor and J-images
CN113379785B (zh) 一种融合边界先验与频域信息的显著性目标检测方法

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
GR01 Patent grant
GR01 Patent grant