基于显著性的自适应阈值自然目标图像分割抽取算法制造技术

本发明专利技术公开的基于显著性的自适应阈值自然目标图像分割抽取算法，包括以下步骤：步骤1、对自然目标图像进行聚类分割和显著信息提取，得到均值显著图像；步骤2、根据均值显著图像对自然目标图像进行自适应阈值分割，得到未处理的分割结果二值图像，对未处理的分割结果二值图像进行区域填充，得到完整的目标二值化图像。本算法在通过统计颜色分布信息有效计算其峰值个数作为K‑means聚类的聚类中心数K，消除了人工因素对分割过程的影响。同时，与Mean Shift算法进行分割相比，K‑means算法聚类结果较好。因此，本发明专利技术的算法在分割结果的准确性好。

【技术实现步骤摘要】

本专利技术属于图像处理
，具体涉及基于显著性的自适应阈值自然目标图像分割抽取算法。
技术介绍
随着计算机视觉与图像处理技术的发展，基于草图生成自然图像场景已经广泛应用于儿童教学、动漫游戏、动画等领域。实现该技术的关键是草图对象及自然目标图像的合理分割、抽取及基于草图的自然目标图像检索。因此，针对基于草图生成自然图像场景中草图对象和自然目标图像分割抽取的关键技术进行研究，然而，现存的图像分割方法中目前还没有一种分割算法模型能满足所有人对不同图像的不同需求。因此，针对具有不同特征图像的分割抽取算法进行研究，具有重要的实际应用价值。近年来，人类视觉感知研究表明，在视觉感知中，对比度较大的区域容易引起人类的注意，而显著性是人类在最短时间对图像中某个区域感兴趣的本质。Itti等人结合人类视觉搜索方面的理论知识，提出了基于中心区域-周围区域的显著性提取算法模型，并将其运用到图像分割领域。该模型同时也考虑了Koch和Ullman等人提出的生物学视觉注意模型。在此基础上，Frintrop针对Itti所提算法进行了改进，在检测模型中添加积分技术。2007年，上海交大的侯晓迪在CVPR发表了一篇论文，通过图像的相位谱残差获取显著信息。同年，Liu等人将中央-周围对比度、多尺度对比度和颜色空间分布三种特征信息通过随机场模型进行结合，对全局信息和局域信息以及尺度信息都进行了计算。2008年，Achanta等人通过图像亮度和颜色的低频信息计算图像的显著性，并结合K-means算法分割图像。随后一年，Achanta在频率调整的基础上结合MeanShift算法实现图像分割。2012年，Federico等人提出了颜色独立性特征，认为空间中跳跃的颜色显著性较大，同时结合空间颜色分布计算显著信息。以上所提到的基于显著性的图像分割算法，均能较好的得到图像中显著性区域。但部分算法耗时过长，分割结果干扰信息过多，或只能提取到图像中较显著区域，但该区域并不完全包含图像中某个对象，可能仅为对象的某一部分区域。目前，人们已对基于草图的自然图像场景生成关键技术中草图对象及自然目标图像分割抽取方法进行了很多研究，并取得了不错的成果，但仍存在以下问题及难点：(1)目前草图抽取算法通常只针对单个对象的草图和实时生成草图，而针对草图轮廓明显，闭合线条众多的特性，图像分割方法难以抽取到完整草图对象。因此，如何完整抽取到草图场景中多个目标成为了一个问题。(2)基于显著性的自然图像分割有时只能提取到对象的某一部分区域，图像数据库中自然图像分割结果好坏将直接影响后续图像合成。因此，如何分割得到显著对象整体区域是目前的一个难点问题。
技术实现思路
本专利技术的目的在于提供基于显著性的自适应阈值自然目标图像分割抽取算法，该算法提高了分割结果的准确性。本专利技术所采用的技术方案是：基于显著性的自适应阈值自然目标图像分割抽取算法，包括如下步骤：包括以下步骤：步骤1、对自然目标图像进行聚类分割和显著信息提取，得到均值显著图像；步骤2、根据均值显著图像对自然目标图像进行自适应阈值分割，得到未处理的分割结果二值图像，对未处理的分割结果二值图像进行区域填充，得到完整的目标二值化图像。本专利技术的特点还在于，步骤1包括以下步骤：步骤1.1、创造一个M*N图像矩阵im，将图像矩阵im存储作为输入自然图像，将自然目标图像从RGB色彩空间转换到CIELAB色彩空间，保存为图像矩阵labim；RGB色彩空间转化到CIELAB色彩空间的过程如下，先将RGB色彩空间根据公式(1)转化为CIEXYZ色彩空间，XYZ=0.4124530.3575800.1804230.2126710.7151600.0721690.0193340.1191930.090227RGB---(1)]]>然后根据公式(2)—(5)将CIEXYZ色彩空间转化到CIELAB色彩空间，L*=116×(YYn)13-16,YYn>0.008856903.3×YYn,other---(2)]]>a*=500×(f(XXn)-f(YYn))---(3)]]>b*=200×(f(YYn)-f(ZZn))---(4)]]>f(t)=t13,t>0.0088567.787×t+16116,t≤0.008856---(5)]]>公式(1)—(5)中，L*为明度指数，a*，b*为色品指数，X，Y，Z为颜色样品的三刺激值，Xn，Yn，Zn为CIE标准照明体照射到完全漫反射体表面的三刺激值，取Xn＝0.9515，Yn＝1.0000，Zn＝1.0886，t为函数f(t)的变量；步骤1.2、用SLIC超像素分割算法对图像矩阵labim进行聚类；根据CIELAB空间图像矩阵labim的测地距离进行K-means聚类，产生大体上尺寸均匀，且保持颜色边界的超像素分割结果图像；具体为，首先，将图像矩阵labim划分为K＝400个网格，计算每个网格的中心点并在[-2，2]范围内波动，作为K-means聚类的初始聚类中心，初始时所有像素均未归类，此时任何一个像素点归属于类m的距离dis(m)＝∞，m为聚类的标签，dis(m)为像素点到类n的距离；然后，在聚类中心的2S*2S区域内计算每个像素点与该类中心点之间的测地线距离D，S为网格边长度，S根据公式(6)计算得出，S=N/K,---(6)]]>公式(6)中，N为图像的像素个数，K＝400，若D<dis(m)，则像素点暂时归类到m类，并改变dis(m)＝D，调整聚类中心，dis(m)＜D，不处理，在聚类迭代过程中，在聚类中心的2S*2S区域内；若迭代次数it<5，则重复上述计算，否则结束K-means聚类迭代，最后，得到聚类结果图像矩阵labim；步骤1.3、根据步骤1.2所得的聚类结果，计算聚类中平均矩阵labim颜色和位置，分别为超像素块的颜色和位置；计算标签m内的平均颜色信息和平均位置信息，以平均颜色信息作为标签m内超像素的颜色信息，平均位置信息作为标签m内超像素的位置信息；步骤1.4、根据超像素块的颜色和位置信息，计算超像素块颜色独立性信息、空间颜色分布信息；根据公式(7)计算颜色独立性信息，根据公式(9)计算空间颜色分布信息；Ui=Σj=1N||ci-cj||2·w(Pi,Pj)---(7)]]>公式(7)中，Ui为颜色独立性，表示超像素在CIELAB空间中与其它超像素j的颜色比值，N为超像素分割结果中的超像素的个数，Pi，Pj为在超像素i，j在分割结果中的位置信息，w(Pj,Pj)为超像素i与超像素j之间的距离权重，采用高斯权函数公式(8)计算超像素间权重，公式(8)中，σP＝0.25；w(Pi,Pj)=exp(-12σP2||Pi-Pj||2)---(8)]]>根据公式(9)计算空间颜色分布信息；Di=Σj=1N||Pj-μi||2·w(ci,cj)---(9)]]>公式(9)中，为超像素i的加权位置信息，公式(10)为超像素i与超像素j之间的颜色权重，表示颜色之间的相似性，w(ci,cj)=exp(-12σc2|本文档来自技高网...

【技术保护点】
基于显著性的自适应阈值自然目标图像分割抽取算法，其特征在于，包括以下步骤：步骤1、对自然目标图像进行聚类分割和显著信息提取，得到均值显著图像；步骤2、根据均值显著图像对自然目标图像进行自适应阈值分割，得到未处理的分割结果二值图像，对未处理的分割结果二值图像进行区域填充，得到完整的目标二值化图像。

【技术特征摘要】
1.基于显著性的自适应阈值自然目标图像分割抽取算法，其特征在于，包括以下步骤：步骤1、对自然目标图像进行聚类分割和显著信息提取，得到均值显著图像；步骤2、根据均值显著图像对自然目标图像进行自适应阈值分割，得到未处理的分割结果二值图像，对未处理的分割结果二值图像进行区域填充，得到完整的目标二值化图像。2.如权利要求1所述的基于显著性的自适应阈值自然目标图像分割抽取算法，其特征在于，所述步骤1包括以下步骤：步骤1.1、创造一个M*N图像矩阵im，将图像矩阵im存储作为输入自然图像，将自然目标图像从RGB色彩空间转换到CIELAB色彩空间，保存为图像矩阵labim；RGB色彩空间转化到CIELAB色彩空间的过程如下，先将RGB色彩空间根据公式(1)转化为CIEXYZ色彩空间，XYZ=0.4124530.3575800.1804230.2126710.7151600.0721690.0193340.1191930.090227RGB---(1)]]>然后根据公式(2)—(5)将CIEXYZ色彩空间转化到CIELAB色彩空间，L*=116×(YYn)13-16,YYn>0.008856903.3×YYn,other---(2)]]>a*=500×(f(XXn)-f(YYn))---(3)]]>b*=200×(f(YYn)-f(ZZn))---(4)]]>f(t)=t13,t>0.0088567.787×t+16116,t≤0.008856---(5)]]>公式(1)—(5)中，L*为明度指数，a*，b*为色品指数，X，Y，Z为颜色样品的三刺激值，Xn，Yn，Zn为CIE标准照明体照射到完全漫反射体表面的三刺激值，取Xn＝0.9515，Yn＝1.0000，Zn＝1.0886，t为函数f(t)的变量；步骤1.2、用SLIC超像素分割算法对图像矩阵labim进行聚类；根据CIELAB空间图像矩阵labim的测地距离进行K-means聚类，产生大体上尺寸均匀，且保持颜色边界的超像素分割结果图像；具体为，首先，将图像矩阵labim划分为K＝400个网格，计算每个网格的中心点并在[-2，2]范围内波动，作为K-means聚类的初始聚类中心，初始时所有像素均未归类，此时任何一个像素点归属于类m的距离dis(m)＝∞，m为聚类的标签，dis(m)为像素点到类n的距离；然后，在聚类中心的2S*2S区域内计算每个像素点与该类中心点之间的测地线距离D，S为网格边长度，S根据公式(6)计算得出，S=N/K,---(6)]]>公式(6)中，N为图像的像素个数，K＝400，若D<dis(m)，则像素点暂时归类到m类，并改变dis(m)＝D，调整聚类中心，dis(m)＜D，不处理，在聚类迭代过程中，在聚类中心的2S*2S区域内；若迭代次数it<5，则重复上述计算，否则结束K-means聚类迭代，最后，得到聚类结果图像矩阵labim；步骤1.3、根据步骤1.2所得的聚类结果，计算聚类中平均矩阵labim颜色和位置，分别为超像素块的颜色和位置；计算标签m内的平均颜色信息和平均位置信息，以平均颜色信息作为标签m内超像素的颜色信息，平均位置信息作为标签m内超像素的位置信息；步骤1.4、根据超像素块的颜色和位置信息，计算超像素块颜色独立性信息、空间颜色分布信息；根据公式(7)计算颜色独立性信息，根据公式(9)计算空间颜色分布信息；Ui=Σj=1N||ci-cj||2·w(Pi,Pj)---(7)]]>公式(7)中，Ui为颜色独立性，表示超像素在CIELAB空间中与其它超像素j的颜色比值，N为超像素分割结果中的超像素的个数，Pi，Pj为在超像素i，j在分割结果中的位置信息，w(Pj,Pj)为超像素i与超像素j之间的距离权重，采用高斯权函数公式(8)计算超像素间权重，公式(8)中，σP＝0.25；w(Pi,Pj)=exp(-12σP2||Pi-Pj||2)---(8)]]>根据公式(9)计算空间颜色分布信息；Di=Σj=1N||Pj-μi||2·w(ci,cj)---(9)]]>公式(9)中，为超像素i的加权位置信息，公式(10)为超像素i与...

【专利技术属性】
技术研发人员：石争浩，郝欢，金冬梅，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61