[发明专利]一种基于显著性和近邻形状查询的物体图像分割方法

说明书

本发明公开了一种基于显著性和近邻形状查询的物体图像分割方法，步骤如下：S1、在CPU中输入图像I，进行M个尺度的过分割；S2、针对步骤S1划分的每个尺度的区域集合，基于区域上下文和封闭性先验，计算显著性，并将多个尺度的结果进行加权融合，得到图像的显著性图；S3、将得到的显著性图进行划分，通过设置三级阈值T1、T2、T3；S4、根据显著性特征图的相似性查找近邻分割形状，计算得到形状概率图；S5、将形状概率图和颜色概率图融合，通过优化求解Graph Cut问题，得二值分割结果。本发明采用上述的一种基于显著性和近邻形状查询的物体图像分割方法，使形状模型更好地拟合实例形状，具有更优的物体分割性能。

技术领域

本发明涉及图像分割技术领域，尤其是涉及一种基于显著性和近邻形状查询的物体图像分割方法。

背景技术

物体分割是从图像中自动提取出目标物体区域的技术，物体分割通过计算机视觉和图像处理的典型问题，可以帮助完成物体识别、图像检索等任务，还可以用于物体部件解析等问题。以遥感图像中的舰船目标分割为例，它可以帮助精确提取舰船目标区域的特征，为后续的舰船类别的判断提供依据；再以人体分割为例，它可以帮助完成人体身份识别和人体服饰检索，还可用于人体部件解析和人体动作识别，为人机交互和媒体检索等应用领域的发展提供推动力。

基于图像的物体分割方法大多是基于机器学习的算法。依据物体分割过程中利用的语义信息层次，可以将物体分割方法分为自底向上的方法和自顶向下的方法。自底向上的物体分割方法主要是依赖于底层的颜色、灰度等特征均一性将图像划分为若干区域：而并不保证分割出具有高层语义的物体。事实上，同一类物体实例间可能存在较大的表观差异，同一物体实例的表观也会受光照、场景等外在因素呈现非均一性。

此外，物体可能和背景呈现相似的表观而难以区分。因此，仅依赖于底层特征的自底向上的方法，经常达不到物体分割的目标。自顶向下的物体分割。自顶向下方法的基本思想是挖掘高层语义信息，如采用“舰船的形状应该是什么样子的”，“舰船经常和哪些物体区域同时出现”等特定类别的形状先验或不同类别物体的共生关系、上下文联系等，引导物体分割。这些高层语义信息往往与底层的物理一致性互补，能够提高物体分割的性能。近些年来，己有很多研究者通过监督或者无监督的方法，研究如何将高层语义的先验信息融合到物体分割中。此外，为了获取精确的分割边界，研究者多数融合两种信息，并引入条件随机场(CRF)模型作后处理，近年来CRF在物体分割上有着广泛的应用。

同时，随着深度卷积神经网络的发展，FCN、SegNet、DeepLab等利用神经网络对图像进行物体分割，达到像素级分类的效果。这类方法利用深度卷积网络提取多尺度、复杂的像素特征，其原理与浅层学习方法并没有本质上的区别，而其结果的好坏则很大程度上依赖网络的深度以及数据量的大小，并且对于提取到的特征没有一个很好数学解释。除此外，由于深度神经网络的训练算法往往对算力要求较高，往往需经过大量改造和优化工作，才能用于星载、弹载等计算资源有限的应用场景，不利于推广。

发明内容

本发明的目的是提供一种基于显著性和近邻形状查询的物体图像分割方法，使形状模型更好地拟合实例形状，具有更优的物体分割性能。

为实现上述目的，本发明提供了一种基于显著性和近邻形状查询的物体图像分割方法，步骤如下：

S1、在CPU中输入图像I，采用Mean Shift或者Watershed的方法进行M个尺度的过分割，每个尺度j上图像都对应N_j个互不交叠的区域集合{R_j,i}，R_j,i表示第j个尺度的第i个区域，i＝1,2,…,N_j，j＝1,2,…,M；

S2、针对步骤S1划分的每个尺度的区域集合，基于区域上下文和封闭性先验，计算显著性，并将多个尺度的结果进行加权融合，得到图像的显著性图Map(I)；