[发明专利]一种基于高斯变差模型的图像前景提取方法

说明书

技术领域

本发明主要涉及图像处理技术，具体涉及一种基于高斯变差的前景提取方法。

背景技术

在计算机图像处理的研究中，前景提取的任务是从单幅图像或序列图像中将感兴趣的目标与背景分割开来，用于后续的处理。这是一个长盛不衰的经典研究课题，也是计算机图像处理最基础的研究课题之一。感兴趣目标一般是指视野中的运动物体，需要通过分析序列图像获取；或者是特定类型的物体，如人脸、车辆等，可以通过分析单幅或序列图像提取。前景区域的有效提取对于目标分类、身份识别和行为理解等中高层次的任务非常重要，因为后续的处理过程通常只考虑图像中对应于前景区域的像素，并将极大的促进视频编码、检索、人机交互、运动捕捉等课题的研究。然而，由于实际采集环境中往往存在诸多不可控制的因素，如相机运动、光照变化、阴影、复杂背景等问题的影响，使得快速准确的目标提取成为一项困难的工作。

当前的前景提取方法大致可以分为两类:一种是交互式的前景提取，另一种是自动的前景提取。虽然这两种方法都是用于前景提取，但这两种方法的侧重点并不相同。交互式的前景提取方法侧重于准确地抠取前景区域，对前景的边缘细节做精确的处理。交互式的方法需要人工的在目标区域或是边缘区域进行标注。但对于当今互联网上海量的数据，我们显然无法进行人工的标注，所以我们去探索自动前景提取。自动前景提取侧重于定位图像中的前景区域，并不考虑它的细节，而这一过程在交互式的方法中是由人工标注完成的。自动前景提取有着非常广泛的应用前景，比如图像增强，目标识别，图像索引，基于内容的检索等方面。

在自动前景提取的这类方法中，已经有不少专家做了探索。2011年,Sungheum提出了一种从多个视点自动提取前景对象的方法。2012年，张宇鹏等人提出了基于编码孔径的深度的自动前景背景分割技术。2013年，谢长廷等人提出了一个自动trimap生成技术。上述方法虽然取得了不错的效果，但识别的准确度和精确度都有待提高。

发明内容

本发明的目的在于提出一种基于高斯变差的前景提取方法，以提高提取前景的准确度和精确度。在该发明中，这个实现过程都是由计算机自动完成的，用户只需要输入目标图像，就可让计算机自动分析，最终获得图像前景区域。

本发明的技术方案如下：

步骤1，使用Ncut技术对目标图像进行区域分割，获得目标图像的区域分割图。

步骤2，对原目标图像进行锐化处理，获得锐化图像，在RGB空间中对锐化图像进行高斯变差模型的前景提取，得到高斯变差点。

步骤3，对步骤2中获得的高斯变差点进行过滤，获得高斯变差关键点p_(x,y)。

我们的过滤方法首先就是先对噪声点做过滤处理。同时，对图像做了去黑边的处理，然后创建一个3*3过滤器来减少候选点。通过这一步的过滤,候选点的分布将出现相对平衡。

步骤4，将步骤1和步骤3的结果相结合，获得位于Ncut区域边界的关键点K_(x,y)。

我们通过高斯变差的结果和Ncut的结合找到图像不同区域的边缘信息，删除在边缘之外的关键点。经过这一步过滤处理之后，我们可以有效的定位到了图像的边缘。

由于Ncut分割的性能问题，得到的边界区域并不稳定。对此，我们采取迭代的方式，保留不同尺度下Ncut分割的边缘信息，这样得到的边界信息会更加的稳定实用。

步骤5，获取原目标图像的中心焦点R_f。

通常情况下这个焦点位于前景区域内，以图形的几何中心为中心，按照九宫格模型把一个图形平均分为九个区域。统计经过上一个环节保留下来的关键点落在每个区域的数目。通过对这九个区域的关键点数目的比较，把图像焦点定位在这九个区域中包含关键点数目最多的区域的中心。初始焦点位于图像几何中心。

步骤6，将步骤4中获得的关键点向步骤5中获得的中心焦点方向加权增长，获得最终的前景区域定位点。

经过步骤5得到了图像的焦点之后，我们将使关键点向图像的焦点方向增长。每个图像都有四个边界。经过对大量图像的分析，发现大多数图像的前景区域都不会分布在图像的边界上，如果一片区域同时包括多条边缘信息，那么这片区域是前景区域的可能性极小。因此，我们对每一个关键点做增长处理时都加一定的权重，权值与该点所在区域包含的边界的数量成反比。

步骤7，将步骤1所得的目标图像的区域分割图和步骤6所得的前景区域定位点结合，得到最终的前景区域。

保留包含的前景区域定位点数目大于阈值的分割区域，其余的区域则认为是背景部分舍去。

附图说明