[发明专利]一种非监督的基于超像素和目标发现机制的图像分割方法

摘要

本发明公开了一种非监督的基于超像素和目标发现机制的图像分割方法。针对一组包含有共同物体的多幅图片数据集，该方法能够准确地分割出共同物体，不需要任何人工干预。首先，该方法对输入的图像集进行预分割操作，得到过分割后的超像素；然后，基于一种新的目标发现机制，对所有的超像素进行显著性和重复性的度量，并定义评价函数设定阈值实现前景和背景的分类；同时基于分类后的信息对前景目标进行建模，最后利用树图约束采用组合优化的算法完成对目标的精确分割。与同类算法相比，本发明通过目标发现机制对共同物体进行自动检测，实现目标的自动建模，并且通过树图的约束优化求解组合优化算法并提高分割精度，并能够适应各种复杂场景。

主权项

一种非监督的基于超像素和目标发现机制的图像分割方法，其特征在于，包含以下步骤：(1)图像预分割：对于包含共同目标物体的图像数据集I＝{I₁，...，I_N}中的每一幅图像I_i，i＝1，2......，N，进行过分割处理，得到超像素集(2)自动目标发现：基于每幅图像的超像素集统计每个超像素的显著性值和重复性值w_im，并计算超像素的评价值score_im，将评价值小于0.6×max(score_i)的超像素设置为背景，将评价值大于等于0.6×max(score_i)的超像素设置为前景；max(score_i)为超像素集中评价值最大的超像素的评价值；(3)目标建模：基于步骤(2)分类后的信息，对共同目标物体基于HSV颜色空间建立目标模型Ψ^f和背景模型Ψ^b。采用Hellinger距离度量方法分别计算超像素或超像素组合与目标模型之间的相似程度超像素或超像素组合与背景模型之间的相似程度目标模型Ψ^f的建立方法如下：将原图像进行颜色空间的变换，得到HSV颜色空间下的图像；对HSV颜色空间下的图像用H，S，V以及“G”四个颜色分量进行均匀量化，统计目标物体在各个颜色分量上的分布，得到直方图分布，即目标模型Ψ^f；按照相同方法，统计背景图像在各个颜色分量上的分布，得到直方图分布，即背景模型Ψ^b；其中“G”分量代表饱和度低于5％的像素点的颜色量化值；和分别为：${\mathrm{\Ψ}}_R^f=-\log {\stackrel{\‾}{D}}_R^f,{\mathrm{\Ψ}}_{R^{\′}}^b=-log{\stackrel{\‾}{D}}_{R^{\′}}^b,$是的归一化值，为的归一化值，且$D_R^f=d_{Hellinger}(h_R,h_f)=\sqrt{1-\underset{i=1}{\overset{c}{\Σ}}\sqrt{{\mathrm{\Σh}}_{R_i}{\mathrm{\Σh}}_{f_i}}};$$D_{R^{\′}}^b=d_{Hellinger}(h_{R^{\′}},h_b)=\sqrt{1-\underset{i=1}{\overset{c}{\Σ}}\sqrt{{\mathrm{\Σh}}_{{R_i}^{\′}}{\mathrm{\Σh}}_{b_i}}}$c为等分后的所有区间个数，h_R和h_f分别为归一化后的超像素或超像素组合R的颜色直方图和目标模型的颜色直方图，h_R‘和h_b分别为归一化后的超像素或超像素组合R’的颜色直方图和背景模型的颜色直方图。(4)基于超像素的分割：利用目标模型Ψ^f和背景模型Ψ^b，采用组合优化的算法对超像素进行前背景的再次分类，从而得到目标物体的最终分割；并且引入树图的约束，假设每个超像素对应于一个顶点，最后的分割结果由多个超像素构成，且能够表示为邻接图的子树。通过建立邻接图来推断子树的方法确定最后的分割结果；具体实现过程如下：(4.1)构建邻接图：假设图像中的每个超像素对应于图中的一个顶点，两个相邻的超像素之间由一条边连接，由此构成邻接图对于最终的目标物体分割结果，假设其由邻接图所包含的一个子树构成；(4.2)建立数值模型求解：建立数值模型，将目标分割的问题转换为组合优化问题的求解，如下：$b_R^f,b_{R^{\′}}^b\∈\{0,1\}.$当R为前景中的超像素或超像素组合时，当R′为背景中的超像素或超像素组合时，约束条件表示对于任意一个超像素R只能属于前背景中的一类。通过推导可得，若要求解分割结果，实际上可转换为求解最优子树的方法，而要求最优子树，需要先估计最大生成树；(4.3)推导最大生成树：通过beam search的定向搜索方法来得到所有可能的候选子树集合基于候选子树集合通过最大似然估计的方法得到最大生成树推导如下：表示所有潜在的生成树集合，表示数据似然概率，最终可导出，候选子树集合，为某一子树，表示对的最大似然估计，δ(·)为指示函数，δ((x，y)∈C_q)指示边(x，y)是否属于某一子树C_q；为子树C_q与目标模型的相似程度，指示边是否属于某一子树，P(x，y)表示边(x，y)的概率，为对P(x，y)的最大似然估计。通过上式可得最大生成树的最大似然估计。(4.4)搜索分割子树：基于最大生成树的最大似然估计求得然后通过动态规划技术在中搜索得到最优子树，即为所求分割结果。(5)迭代分割：根据步骤4得到的分割结果更新步骤3中的目标模型，按照步骤4所述的方法，进行再分割；(6)重复步骤5，直至最终分割结果不再变化，即得到最终的分割结果。