一种交互式图像分割方法技术

本发明专利技术涉及一种交互式图像分割方法，属于计算机应用技术中的数字图像处理技术领域。该方法包括：1)用户通过交互对图像中的目标物体进行圈定；2)利用交互信息选择初始训练数据，并通过学习得到对圈定框内像素点进行分类的分类器；3)利用分类器，构建图像对应的权值图，然后采用最短路径的优化方法计算各像素节点到每个虚拟节点的最短路径，最后以最小带价值为准则，将圈定框内的像素点分为前景或者背景，实现图像分割；4)方法中分类器的学习和最短路径的优化过程是交替迭代进行的，停止条件为分割结果达到稳定或者算法达到预设的最大迭代次数。实验结果表明，通过使用本发明专利技术的方法可以获得具有较高分割准确率的分割结果。

【技术实现步骤摘要】
一种交互式图像分割方法
本专利技术涉及一种交互式图像分割方法，属于计算机应用技术中的数字图像处理

技术介绍
随着互联网技术和数字图像处理技术的发展，在互联网上积累了海量的数字图像，并且其数量还在高速增长。如何有效的对这些图像进行处理，并从中提取出有价值的信息已逐渐成为一个重要的问题。在各种数字图像处理技术中，图像分割问题是一个基本且重要的问题。传统的图像分割方法通常是一个全自动的过程。然而由于处理器理解能力的限制，对于普通的自然图像，很难从图像中提取出具有高层语义的物体。为此，自20世纪70年代起，人们提出了“半自动”的交互式图像分割，通过在分割过程中加入用户交互作为算法输入，使图像中具有高层语义的物体能够完整地被提取出来。已存在的交互式图像分割方法，根据原理的不同，将现存的方法分为三类：1)基于图割理论的交互式图像分割方法；2)基于模板变形和曲线演化的交互式图像分割方法；3)其他方法。基于图割理论的交互式图像分割方法将待分割图像转换为一个图结构，通过将待求解问题转换为最小化能量求解的问题来实现图像分割。常见的方法有图切分的方法、lazysnapping、GrabCut以及RandomWalks等。基于模板变形和曲线演化的交互式图像分割方法，初始的时候要求用户对目标物体的轮廓进行大致的标注，然后分割算法通过利用用户标定的信息和曲线本身的一些特性，对初始标定曲线进行模板变形，使其逐渐演化到真实的目标物体边缘上，从而实现图像分割。常见的方法有主动轮廓的方法和水平集的方法等。此外，还有一些基于其他原理的方法，比如基于区域融合的方法、基于贝叶斯信念网的方法等等。在各种交互式图像分割方法中，用户交互的信息量和分割结果总是相辅相成的。如果用户的交互信息量是充分的，各种方法均能获得较准确的分割结果；反之，分割结果通常是不尽如人意的。但是往往较多的交互操作会给使用者带来不便和使用负担，所以，一种有效的交互式图像分割方法应该是在满足交互方式简单、方便的基础之上，能够得到具有较高准确率的分割结果。
技术实现思路
本专利技术的目的在于提出一种交互式图像分割方法，用于解决数字图像处理领域中的图像分割问题。本专利技术的目的是通过下述技术方案实现的，具体实现步骤如下：步骤1、用户通过交互圈定图像中的目标物体；步骤2、利用用户提供的交互信息选择初始训练数据；步骤3、利用步骤2中得到的训练数据学习得到对圈定框内像素点进行分类的分类器，即通过学习分别得到描述图像背景和目标物体特征的统计模型；步骤4、利用步骤3中得到的分类器，构建圈定框内像素点对应的权值图，并在结构图中增加虚拟的前景源点和背景汇点；步骤5、利用步骤4中得到的结构图，使用最短路径的优化方法分别计算得到图像中各像素节点到每个虚拟节点的最短路径；步骤6、利用步骤5中得到的结果，以最小代价值(最短路径上所有边的权值的累加和)为分类准则，将圈定框内各像素点标记为前景或者背景，获得分割结果；步骤7、若当前迭代次数未达到预设的最大迭代次数或者本次分割结果未达到稳定，则将本次分割结果作为新的训练数据，重复上述步骤3至步骤6。所述步骤3中后验概率与类条件概率密度有关，将所述类条件概率密度的形式设置为高斯混合模型或有限混合模型或高斯模型。所述步骤3中分类器是基于下列特征中的一个或多个图像特征的分类器，包括颜色特征、纹理特征、形状特征和局部特征。所述步骤5中最短路径的优化方法除了实例中用到的迪杰斯特拉算法，还包括基于迪杰斯特拉算法改进的其他方法以及其他求最短路径的算法。有益效果本专利技术的方法对比已有技术在解决交互式图像分割问题的时候，不仅充分考虑了图像全局的语义信息，而且还考虑了图像的局部结构信息，通过综合利用图像的局部和全局特征来实现高性能的图像分割。附图说明图1是根据本专利技术的一个实施方案中采用的交互方式图示；图2是根据本专利技术的一个实施方案的流程图；图3是根据本专利技术的一个实施方案中采用的权值图的结构图示；图4是根据本专利技术的一个实施方案中的实验结果，在MicrosoftGrabCut测试数据集上，实施方案中的分割方法与经典的GrabCut方法的分割结果比较；图5是根据本专利技术的一个实施方案中的实验结果，在医学影像图像测试数据集上，依据PRI评价标准，实施方案中的分割方法与PIBS方法的分割准确率比较；图6是根据本专利技术的一个实施方案中的实验结果，在医学影像图像测试数据集上，实施方案中的分割方法与PIBS方法的分割结果比较。具体实施方式下面结合附图和实施例对本专利技术做详细说明。实施例中采用矩形框的交互模式作为用户交互方式，并且将基于贝叶斯分类器和迪杰斯特拉最短路径优化方法来实现本专利技术。下面按照技术方案中的实施步骤来说明具体实施方式。步骤1、用户通过交互圈定图像中的目标物体。实施例中以矩形框的交互模式作为用户交互方式，如图1所示。初始时候，用户用矩形框圈定图像中的目标物体。步骤2、利用用户提供的交互信息选择初始训练数据。实施例中的具体操作过程是：在初始阶段，对于背景模型的训练数据，直接选择矩形框四条边上以及四条边周围的若干像素点作为初始训练数据来学习得到背景统计模型；对于前景模型训练数据的选择，考虑到目标物体占据了矩形框的大部分区域，所以初始时候直接选取矩形框内剩余的像素点作为前景统计模型的训练数据。步骤3、利用步骤2中得到的训练数据学习得到对矩形框内像素点进行分类的分类器。在实施例中具体采用贝叶斯分类器，下面说明贝叶斯分类器及其学习过程。本专利技术采用基于后验概率的统计分类器来计算矩形框内各像素点与背景统计模型(前景统计模型)的相似性。假设x为像素点的特征矢量，则后验概率计算公式如下：其中，Ci表示类别，i＝1的时候表示前景类，i＝2的时候表示背景类，P(Ci)为不同类别的先验概率，p(x|Ci)为类条件概率密度。由公式(1)可知，后验概率的值域为[0,1]，因此适于度量图像像素点与各类别的统计模型之间的相关度。在应用公式(1)之前，需要首先确定图像特征矢量、各分类类别的先验概率以及类条件概率密度函数p(x|Ci)的形式。可以提取图像的颜色特征、纹理特征、形状特征、局部特征中的一个或一些作为图像特征矢量，来描述图像内容。在一个实施例中，可以提取图像的颜色特征来描述图像内容。具体来说，可以通过分别在图像Lab颜色空间的3个通道上提取3维颜色特征作为图像的特征矢量。p(x|Ci)的形式可以采用高斯混合模型或者有限混合模型或者高斯模型等。下文以采用高斯混合模型(GaussianMixtureModel,GMM)为例。GMM能够逼近具有有限间断点的任意连续密度，是模式识别领域中经常采用的统计模型之一。例如，设K为GMM中高斯成分个数,wk,μkandΣk分别为GMM中第k个高斯成分的权重、均值矢量和方差矩阵，wk满足则高斯混合模型为其中，...

【技术保护点】
一种交互式图像分割方法，其特征在于，具体实现步骤如下：步骤1、用户通过交互圈定图像中的目标物体；步骤2、利用用户提供的交互信息选择初始训练数据；步骤3、利用步骤2中得到的训练数据学习得到对圈定框内像素点进行分类的分类器，即通过学习分别得到描述图像背景和目标物体特征的统计模型；步骤4、利用步骤3中得到的分类器，构建圈定框内像素点对应的权值图，并在结构图中增加虚拟的前景源点和背景汇点；步骤5、利用步骤4中得到的结构图，采用最短路径的优化方法通过计算分别得到图像中各像素节点到每个虚拟节点的最短路径；步骤6、利用步骤5中得到的结果，以最小代价值，即最短路径上所有边的权值的累加和为分类准则，将圈定框内各像素点标记为前景或者背景，获得分割结果；步骤7、若当前迭代次数未达到预设的最大迭代次数或者本次分割结果未达到稳定，则将本次分割结果作为新的训练数据，重复上述步骤3至步骤6，直到满足算法的停止条件。

【技术特征摘要】
2014.01.10 CN 201410011503.91.一种交互式图像分割方法，其特征在于，具体实现步骤如下：步骤1、用户通过交互圈定图像中的目标物体；步骤2、利用用户提供的交互信息选择初始训练数据；步骤3、利用步骤2中得到的训练数据学习得到对圈定框内像素点进行分类的贝叶斯分类器，即通过学习分别得到描述图像背景和目标物体特征的统计模型；步骤4、利用步骤3中得到的贝叶斯分类器，构建圈定框内像素点对应的权值图，并在结构图中增加虚拟的前景源点和背景汇点；步骤5、利用步骤4中得到的结构图，采用最短路径的优化方法通过计算分别得到图像中各像素节点到每个虚拟节点的最短路径；步骤6、利...

【专利技术属性】
技术研发人员：刘峡壁，高岩，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11