[发明专利]基于超像素和快速三分图的图像前景提取方法

说明书

技术领域

本发明属于计算机视觉和图像处理技术领域，特别针对有明显前景目标的自然图像，进行前景目标的提取工作，为后续的应用处理提供有效的前景信息，可以应用到图像编辑、目标跟踪、图像检索等方面。

背景技术

前景提取就是指从现实图像中把感兴趣的目标识别和提取出来的一个任务。它是图像分割的一个分支，也是计算机视觉和模式识别领域的关键问题之一。图象分割在图像分析和图像处理研究中起着承前启后的作用，它是图像处理的一个重要环节。它不但可以检验图像的预处理效果，而且为后续的图像分析和处理奠定坚实基础。从其产生至今，它广泛地应用在诸多领域，为人们生活中的图像处理水平提高做出了重大贡献，也为人类生产力科技水平的提高起到了很大促进作用。因此，在过去的四十多年里，关于图像分割的研究一直受到人们的高度重视。

在人们生活工作中，图像分割的技术有广泛应用，一直是图像技术研究的热点方向。图像分割技术是计算机视觉系统、自动目标获取、视频监控等图像识别和解析系统中需要首要解决的问题，它在计算机视觉和图像识别中的广泛应用系统中占有关键地位。但是，到目前为止，世界上还没有一个普适的或者在某一应用领域能够完全满足人们应用需求的图像分割算法，当然也不存在判断分割是否成功的客观标准。因此，图像分割算法的研究还有广阔的探索空间。

当把图像的前景提取出来后，我们可以利用它做进一步处理或研究，比如进行特征提取，然后用于识别，跟踪和图像检索。例如，如果我们能准确全面的提取出一个人的身体或物体的某个部分，这对于理解人的感兴趣目标和目标跟踪的问题将是一个很大的贡献，也使得这些问题在将来能够得到解决。通过提取前景并且与所需的背景图像进行融合，我们也可以实现虚拟现实与增强现实。另外，前景提取也广泛地应用在如电视，广告，杂志等领域。因此，前景提取是图像处理中的基本操作，也是视觉特效中的最重要的操作。对于图像分割，科研人员已经提出了大量的方法。传统的方法有基于阈值的方法、颜色直方图的方法、边缘检测的方法、区域相似性的方法、聚类的方法以及分水岭方法等。但是这些方法的一个共同缺点是分割结果的语义表达难以满足人们需求。

目前较新的方法大多是基于能量优化、Graph Cut以及能够表达语义的图像分割模式。一种能够较好表达用户意图的分割模式是交互式图像分割技术，而GrabCut是其中最具有代表性的算法：C.Rother,V.Kolmogorov,and A.Blake.GrabCut:Interactive foreground extraction using iterated graph cuts.ACM Transactions on Graphics,23:309–314,2004.GrabCut的主要思路是：(1)手工交互的给出一个前景区域的包围盒；(2)根据当前的前景和背景分割结果，分别估计前景和背景的GMM模型；(3)用max flow/min cut算法进行分割。GrabCut对Graph Cut有如下的改进：(1)利用了GMMs取代了直方图来描述前景与背景像素的分布，并且由灰度图像的处理发展到了彩色图的处理；(2)GrabCut应用了迭代估计的方法代替了原来Graph Cut的一次最小化的估计来完成能量最小化的计算；(3)GrabCut允许通过非完全标记，减少了与用户的交互，用户只需用矩形框标记出背景区域并且少量修饰即可。也就是说只需要矩形框选目标，那么在方框外的像素全部当成背景，这时候就可以对背景和前景分别用GMM进行建模和完成良好的分割了。

存在的问题：

1)计算时间复杂度和空间复杂度比较大；

2)后续Matting处理需要的三分图Trimap不能自动自适应。

发明内容

本发明针对上述现有方法的不足，提出一种基于超像素和快速三分图的图像前景提取方法。该方法利用超像素生成技术SLIC来进行图像与处理，使得图像前景分割计算的时间复杂度和空间复杂度的到大幅降低，同时提出主动自适应的三分图Trimap，使得后续Matting处理的效率提高。

具体实现方案包括如下步骤：

(1)对输入的图像，采用简单线性迭代聚类(SLIC)算法进行超像素预处理，得到以超像素块为单元的超像素图像；

(2)以超像素块内的信息代替单个像素的信息进行分割运算，提取超像素特征；

(3)利用GrabCut技术，对超像素图像构建吉布斯能量公式，建立有向带权图结构，采用最大流/最小割的方法将超像素图像进行迭代能量最小化分割，得到Raw Mask分割结果；