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技术

本发明专利技术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，本发明专利技术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。

【技术实现步骤摘要】

本专利技术涉及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，适用于图片的协同分割、用户照片的感兴趣目标提取以及图片分类识别等领域。
技术介绍
在计算机视觉领域，自下而上的非监督图像分割是一个基础而又经典的难题，它的解决能够对其他诸如目标识别、物体分类等众多图像处理问题起到很好的辅助作用。在实际应用中，智能监控、医疗诊断、机器人技术与智能机器、工业自动化乃至军事制导等领域都与图像分割有着紧密的联系。随着互联网浪潮的兴起，处理大批量的多媒体数据(例如图像、视频等)已成为人们迫切的需求。如何能够从大量的图像信息中提取出人们感兴趣的目标物体已经成为人们非常关心的问题。借助于互联网，人们可以非常容易获取包含有相同物体或者同一类别物体的大量图片，而如何从这类图片中自动辨别并分割出人们感兴趣的共同物体成为我们研究的主要目的。通过图像的底层信息(颜色、纹理等)可以分割出感兴趣的目标，但是仅仅依赖底层的图像数据信息并不能得到想要的分割结果，而跨图片的隐含信息则能够帮助辨别何为需要辨识的共同物体。这类利用包含相同物体或者相同类别物体的多张图片来完成对感兴趣的共同物体进行分割的研究，称之为协同分割。协同分割是近些年兴起的一个热门研究主题，目前已存在较多的关于协同分割的研究工作。然而，纵观有关协同分割领域的研究和应用可知，目前的协同分割领域研究依旧存在诸多技术难题如下：1)在不同图片中，共同物体存在着颜色、光照条件、姿态、尺度等各种干扰因素，使得现存的分割方法难以得到较高的精度。2)背景条件常常伴随着噪声、遮挡、信息丢失、背景混乱等，且在多张图片中，背景常常非常相似，这容易对自动处理系统造成前背景的混淆。3)大多数分割方法仍然依赖人工给出前背景的标注信息，而不能自动辨别出前背景，这给大数据量的处理带来困难。以上的技术难题为协同分割技术在多媒体领域的广泛应用带来了诸多困扰，开发出一套非监督的高效目标分割方法具有较高的应用价值。
技术实现思路
为了解决现有技术中存在的难题，本专利技术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，该方法适用于具有复杂精细结构的共同物体的分割，目标发现机制融合了显著性特征以及重复性特征，能够快速地从大量图片集中发现共同的前景目标，并引导计算资源向目标物体分配，而迭代分割算法引入了树图的结构化约束条件，从而使得对物体的分割更为精确，且大大提高了计算效率。本专利技术采用以下技术方案：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，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，...，IN本文档来自技高网...

【技术保护点】
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，...，IN}中的每一幅图像Ii，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wim，并计算超像素的评价值scoreim，将评价值小于0.6×max(scorei)的超像素设置为背景，将评价值大于等于0.6×max(scorei)的超像素设置为前景；max(scorei)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Ψf和背景模型Ψb。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Ψf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Ψf；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Ψb；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：ΨRf=-logD‾Rf,ΨR′b=-logD‾R′b,]]>是的归一化值，为的归一化值，且DRf=dHellinger(hR,hf)=1-Σi=1cΣhRiΣhfi;]]>DR′b=dHellinger(hR′,hb)=1-Σi=1cΣhRi′Σhbi]]>c为等分后的所有区间个数，hR和hf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，hR‘和hb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Ψf和背景模型Ψb，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：bRf,bR′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)∈Cq)指示边(x，y)是否属于某一子树Cq；为子树Cq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。...

【技术特征摘要】
1.一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...

【专利技术属性】
技术研发人员：于慧敏，杨白，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33