[发明专利]一种图像分割方法和系统

说明书

技术领域

本申请涉及图像处理领域，特别是涉及一种图像分割方法和系统。

背景技术

图像分割是数字图像处理过程中的关键技术之一。图像分割的任务是将输入图像分割为一些独立的区域，使得同一区域具有相同的属性，而使不同区域具有不同的属性。图像分割是进一步进行图像识别，分析和理解的基础，在理论研究和实际应用中都得到人们广泛的重视。对于图像分割问题，人们已经提出了很多方法，但是鉴于图像具有种类多、数据量大、变化多等特点，迄今为止还没有一种图像分割的方法适用于所有的情况，此外分割结果的好坏也需要根据具体的场合和要求去评价。因此，图像分割仍然是目前的研究热点之一。

在现有的图像分割方法中，基于统计模型的图像分割方法应用的相当广泛。这类方法常常选用某个统计模型来描述待分割图像像素值的分布，通过一定的训练和学习过程估计出统计模型的结构和相应的参数，并且获得每个像素点关于各个欲划分出的类的概率的大小，最后将最大概率所对应的类作为当前像素点分割到的类。与这样的流程相对应的是机器学习领域中的无监督学习过程。在己知的基于统计模型的图像分割方法中，最常见也是应用最为广泛的模型就是高斯混合模型(GMM，Gaussian Mixture Model)。

并且，随着互联网的发展迅速，传统的文字有时候已经不能表达人们所关注的一些感兴趣的东西，此时图片的重要性显得尤为重要。但是如何从一张背景复杂的图片中自动快速的分割出图片的主体区域，是一个极为迫切的问题。

目前图像分割领域中主流采用的分割方法大致流程为：

1、人工进行干涉，在图像中希望得到的前景部分周围画一个矩形作为初始化，矩形内的区域为未知区域，矩形外的区域为背景区域。

2、对图像做一个初始的设定性划分，把背景区域作为确定性的背景类，把未知区域作为前景类。

3、采用聚类算法把背景和前景分别划为几类，并创建前景混合高斯模型GMM和背景混合高斯模型GMM。

4、对图像执行图切割算法，把图像中每个像素划分为新的前景和背景，更新前景、背景GMM的参数，直到图切割算法收敛，即图切割算法的切割总能量最小。

首先，现在的分割方法其计算的像素点数量大，其分割速度慢。

另外，现在的分割方法还存在无法自动选择前景和背景的问题，需要进行人工干涉。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种图像分割方法和系统。

为了解决上述问题，本申请公开了一种图像分割方法，其特征在于，包括：

根据原始图像，划定第一初始前景区域和初始背景区域；

对原始图像进行下采样，获得第一图像，并将第一图像中属于第一初始前景区域的像素划定为初始前景区域；

利用所述初始背景区域中的像素建立初始的背景混合高斯模型，利用所述初始前景区域的像素建立初始的前景混合高斯模型；

将所述第一图像输入图切割过程，划分新前景区域和新背景区域；并以所述新前景区域的像素优化所述前景混合高斯模型的参数，以新背景区域中的像素优化所述背景混合高斯模型的参数；直至图切割过程收敛。

优选的，所述划定第一初始前景区域和初始背景区域包括：

将原始图像进行灰度化处理，获得对应原始图像的灰度图像；

对所述灰度图像进行图像边缘的二值化处理，获得二值化图像；其中，将灰度图像的边缘区域像素的灰度设置为255，其余区域像素的灰度设置为0；

在原始图像的内部划定第一区域；将原始图像中所述第一区域外部，对应在所述二值化图像中像素值为0的区域标记为初始背景区域；将原始图像中，所述第一区域内部区域，或所述第一区域内部和第一区域外部像素值为255的区域划定为第一初始前景区域。

优选的，对所述灰度图像进行图像边缘的二值化处理，获得二值化图像；还包括：

对灰度图像进行去高频操作，去除灰度图像中频率高于阈值的像素。

优选的，对原始图像进行采用去高频操作包括：

采用高斯函数对原始图像进行去高频操作；其中高斯函数的高斯分布参数为2.5。

优选的，对所述灰度图像进行二值化处理，获得二值化图像包括：

采用分水岭分割法对所述灰度图像进行二值化处理，获得二值化图像；其中分水岭线对应像素点的像素值设为255，将分水岭线之外的像素点的像素值设为0。

优选的，采用分水岭分割法对所述灰度图像进行二值化处理，获得二值化图像包括：