[发明专利]一种基于超像素投票模型的照片多余物体去除方法

说明书

本发明涉及一种基于超像素投票模型的照片多余物体去除方法，包括以下步骤：输入一组照片并进行图像配准，对照片进行前、背景分割，对照片中运动物体进行自动检测与去除，利用投票算法选取合适的区域模块进行图像补全。本发明提出了一种基于超像素分割的投票算法对照片中的运动物体进行自动检测与去除，去除运动物体后的照片效果逼真。

技术领域

本发明属于图像补全及图像处理技术领域，具体涉及基于超像素投票模型的照片多余物体去除方法。

背景技术

现实生活中，经常会遇到这样的问题：游客会在某一地点拍摄多张照片，其目的是为了从中筛选出一张效果最佳的照片，即使这样，也会出现诸如以下的问题：有其他游客、车辆或别的物体出现在照片背景中，照片中人物表情不好等等，这在一定程度上影响了照片的效果。因此，从多张照片中去除背景中的多余对象，从而得到效果最佳的照片，是非常必要的。

虽然Adobe Photoshop CS可以实现对图片进行修改和完善，但其操作过程复杂，需要大量的人机交互，耗时较长，并不适用于大多数人群。如果只需要少量的人机交互，就能得到最佳的照片效果，那么便可以为游客们解决这个问题。

图像配准是图像处理研究领域中的一个典型问题和技术难点，是一种寻找同一场景的两幅或多幅图像之间的空间变换关系、并对其中的一幅或多幅图像进行变换的过程。图像配准可分为基于图像灰度和基于图像特征的配准。其中基于图像特征的配准方法由于其只对特征进行操作，计算量较少，因此应用较为广泛。

图像配准操作围绕图像的特征展开，因此，如何提取具有良好不变性的特征成为基于特征的图像配准的关键所在。尺度不变特征(Scale Invariant Feature Transform，SIFT)算法由D.G.Lowe(参见Lowe D G.Distinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.)1999年提出，2004年完善总结。尺度不变特征SIFT算法所提取的特征具有旋转、尺度、仿射和光照等不变特性，是特征提取和匹配算法中应用最为广泛的算法。基于SIFT算法的图像配准因其高效性、稳定性和多量性等优点，具有重要的研究意义。SIFT算法不仅能提取出大量稳定的特征点，而且其独特性较高的特征描述符大多数情况下也能保证其较高的匹配率。但是，当待匹配图像含有大量的相似结构或包含运动物体时，由于SIFT特征描述符仅利用了特征点的局部邻域信息，因此对散落在这些相似区域中的点极易发生误匹配。目前去除误匹配的方法多采用极几何约束、迭代求精，如M-estimators、RANSAC等方法。

交互式图像分割是计算机视觉领域的一个重要研究课题，其目的是结合先验知识快速、精确地提取出用户感兴趣的前景对象。基于图论的图像分割一直是近年来研究的热点问题，该方法将图像分割过程转化为求解包含区域信息和边界信息的能量函数的最小化过程。基于该理论提出的分割算法包括：Graph cut算法，Grab cut算法。2004年Rother等人以Graph cut算法为基础，提出了Grab cut算法。该算法利用矩形框标出的感兴趣区域作为前景，矩形框外的区域作为背景，对前景、背景颜色空间建立高斯混合模型(GaussianMixture Model，GMM)(参见Zivkovic Z.Improved adaptive Gaussian mixture modelfor background subtraction[C]//International Conference on PatternRecognition.IEEE Computer Society,2004:28-31.)，用GMM参数迭代地学习、估计，取代Graph cut算法的一次最小估计来完成能量函数最小化，可以很好地对彩色图像进行分割。Grab cut算法取得了高精度的分割能力和比较方便快捷的人机交互效果，但确定GMM参数的成本较高，成为制约其效率的瓶颈。