一种采用回归算法的图像分割方法技术

本发明专利技术提出了一种采用回归算法的图像分割方法，其主要内容包括：背景拟合平滑模型、像素回归、RANSAC鲁棒回归、整体分割算法。采用回归分割算法来克服之前技术的困难，首先通过拟合平滑模型对背景部分进行光滑处理，然后通过像素回归预测像素强度，找到模型参数的最佳值，使背景不受前景像素的影响，在通过RANSAC鲁棒回归技术，通过迭代的方法最大限度的减少异常值的个数，经过预处理提高了算法的速度，最后通过整体分割算法，对所有像素采用最小二乘法拟合，完成图像分割。该算法提供到了优异的图像分割性能，克服了之前常见方法的困难，在背景和前景图像范围有重叠时分割结果也有较好的表现。

An image segmentation method using regression algorithm

The invention provides an image segmentation method using regression algorithm, which mainly comprises a background fitting smoothing model, a pixel regression, a RANSAC robust regression and an integral segmentation algorithm. Using regression segmentation algorithm to overcome the technical difficulties before, first through the fitting smoothing model smoothing on the background, and then through the regression prediction pixel pixel intensity, to find optimal values of model parameters, the influence of background from the foreground pixel, through the RANSAC robust regression techniques, through iterative method to minimize the number of the abnormal value, after pretreatment can increase the speed of the algorithm, and finally through the whole segmentation algorithm for all pixels using the least squares fitting, complete image segmentation. The algorithm provides excellent image segmentation performance and overcomes the difficulties of previous methods. When the background and foreground images overlap, the segmentation results also show good performance.

【技术实现步骤摘要】
一种采用回归算法的图像分割方法
本专利技术涉及图像处理领域，尤其是涉及了一种采用回归算法的图像分割方法。
技术介绍
显示屏上的图像，如计算机和智能手机，这些图像多为混合内容文件，通常包含两层，由平滑的背景和文本、线条图形的前景组成。图像分割算法常用于医学图像分割，文本提取、生物特征识别和自动纹理分割等领域，常见的图像压缩算法如JPEG2000和帧内编码，但由于前景可能覆盖在平滑变化的背景上，颜色范围和前景颜色重叠，使得分割较为困难。本专利技术提出了一种采用回归算法的图像分割方法，采用回归分割算法来克服之前技术的困难，首先通过拟合平滑模型对背景部分进行光滑处理，然后通过像素回归预测像素强度，找到模型参数的最佳值，使背景不受前景像素的影响，在通过RANSAC鲁棒回归技术，通过迭代的方法最大限度的减少异常值的个数，经过预处理提高了算法的速度，最后通过整体分割算法，对所有像素采用最小二乘法拟合，完成图像分割。该算法提供到了优异的图像分割性能，克服了之前常见方法的困难，在背景和前景图像范围有重叠时分割结果也有较好的表现。
技术实现思路
为解决上述问题，本专利技术提供一种采用回归算法的图像分割方法，其主要内容包括：(一)背景拟合平滑模型；(二)像素回归；(三)RANSAC鲁棒回归；(四)整体分割算法。其中，所述的背景拟合平滑模型(一)，我们假设，如果一个图像块只有背景，可以作为光滑模型的基础；每一个像素的像素平滑函数的近似值有一个误差小于所需的阈值；但是如果一个图像块由一些前景像素叠加平滑的背景，而这些前景像素占块的比例相对较小，此时拟合光滑函数将不代表这些前景像素。进一步地，我们将每幅图像分割成不重叠的大小块N×N并表示每一个图像块，表示为F(x，y)，用光滑模型B(x，y；α1，…αK)处理，使用一些基本功能的线性组合Pk(x，y)，然后利用K-L变换训练图像，通过光滑的背景进行优化设置；采用一组二维DCT作为我们的平滑模型的线性组合，二维DCT变换函数定义为：Pu，v(x，y)＝βuβvcos((2x+1)πu/2N)cos((2y+1)πv/2N)(1)其中u和v表示基础的频率，βu和βv是正常化因素，值得注意的是，基于监督字典学习和子空间学习的算法也有助于产生背景成分的光滑表示。其中，所述的像素回归，找到模型参数，我们需要知道哪些像素属于背景，找到我们的模型参数的最佳值，使得它们不受前景像素影像。进一步地，找到最优模型参数的一个解决方案，定义αk’s为成本函数，它测量了原始像素的强度和预测的光滑模型之间的拟合优度，然后最大限度地减少成本函数；一个合理的成本函数可以是Lp标准的拟合误差(P可以是0，1，或2)，使该解决方案可以写为：使f，α和P分别表示F的一维版本，所有参数的向量和一个矩阵的大小N2×K其中第k列对应的Pk(x，y)的矢量化版本，上述问题可以被表述为：α*＝argminα||f-Pα||p(3)现在如果我们使用L2标准(即P＝2)的成本函数，我们只得到最小二乘拟合的问题，并有一个封闭的形式解决方案如下：α＝(PTP)-1PTf(4)但最小二乘拟合存在一个事实，即模型参数，可以受到前景像素的影响，提出了一种基于稳健回归方法，减少拟合模型异常值的数量。其中，所述的RANSAC鲁棒回归，RANSAC算法是一种稳健的回归算法，即在存在离群值的一组数据中找到合适的模型；RANSAC算法是一种迭代的方法，通过最大限度地减少异常值的个数，进行参数估计；在的分割算法中，可以将前景像素作为离群点的平滑模型，RANSAC算法重复寻找一组数据模型的迭代程序。进一步地，提出的RANSAC算法的前景/背景分割成不重叠的大小块N×N，步骤如下：1)随机选择K个像素形成的一个子集，通过下式表示这个子集：S＝{(xl，yl)，l＝1，2，...，K}(5)2)通过匹配模型到像素(xl，yl)∈S，找到αk’s；通过求解下列线性方程：∑kαkPk(xl，yl)＝F(xl，yl)(6)l＝1，2，…K这里F(x，y)表示像素(x，y)的亮度值；3)测试N2所有的像素F(x，y)的对块拟合模型，当预测的这些像素的误差小于整体分割算法∈in时，此时认为是正确的；如果它的大小比前一个更大，则保存当前迭代的一致性集；重复这个过程字的时候，或当最大共识占整个数据集一定比例，标记为∈2；在这个过程完成后，在最大共识设置的像素将被认为是选择的或等价的背景。进一步地，在第一步，根据一个子集的数据派生出模型的参数，在第二步，测试来自子集的整个数据集，去顶看模拟模型一致的数量；一个样本被视为一个离群值，如果它有一个拟合误差大于一个阈值，定义为最大允许偏差，RANSAC重复程序固定次数，最后选择的模型与最大的共识(内点集)的优化模型。其中，所述的整体分割算法，其特征在于，恒定块，平滑变化的背景和文本/图形叠加在恒定的背景，恒定块的所有的像素都有类似的强度；如果块的标准偏差小于某个阈值，我们宣布该块为常数，平滑变化的背景是一个块，所有像素的强度变化可以通过一个光滑的函数很好的建模，因此，对所有像素采用最小二乘拟合；如果该块的所有像素都可以用小于预定阈值的错误表示∈in，称为恒定的背景，图像块为文本/图形叠加在恒定的背景在内部连接组件之间通常具有零方差(或非常小的方差)，这些图像通常在每个块中有数量有限的不同的颜色(通常小于10)，不同的部分的强度是非常不同的；我们计算在该块中的每一个不同的颜色的百分比，具有最高的百分比将被选择为背景，而其他的作为前景，当一块不满足上述任何条件，RANSAC将应用到单独的背景与前景中。进一步地，每一个大小块N×N的整体分割算法总结如下(只适用于一个彩色图像的灰度分量的算法)：1)如果像素强度的标准偏差小于∈1，则将整个块标明为背景；如果不是，进行下一步；2)对所有像素执行最小二乘拟合，如果所有的像素的误差都小于∈in，则将整个块标明为背景；如果不是，进行下一步；3)如果不同颜色的数目小于T1且强度范围高于R，文本/图形在一个恒定的背景和颜色，则像素比例最高的为背景色；如果不是，如果不是，进行下一步；4)使用RANSAC算法分割背景和前景，像素与拟合误差小于∈in将被视为背景。附图说明图1是本专利技术一种采用回归算法的图像分割方法的系统流程图。图2是本专利技术一种采用回归算法的图像分割方法的分割背景层结果。图3是本专利技术一种采用回归算法的图像分割方法的分割前景层结果。具体实施方式需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本专利技术作进一步详细说明。图1是本专利技术一种采用回归算法的图像分割方法的系统流程图。主要内容包括：背景拟合平滑模型、像素回归、RANSAC鲁棒回归、整体分割算法。其中，所述的背景拟合平滑模型(一)，我们假设，如果一个图像块只有背景，可以作为光滑模型的基础；每一个像素的像素平滑函数的近似值有一个误差小于所需的阈值；但是如果一个图像块由一些前景像素叠加平滑的背景，而这些前景像素占块的比例相对较小，此时拟合光滑函数将不代表这些前景像素。其中，所述的像素回归，找到模型参数，我们需要知道哪些像素属于背景，找到我们的模型参数的最佳值，使得它们不受前景像素影像。进一步地，本文档来自技高网...

【技术保护点】
一种采用回归算法的图像分割方法，其特征在于，背景拟合平滑模型(一)；像素回归(二)；RANSAC鲁棒回归(三)；整体分割算法(四)。

【技术特征摘要】
1.一种采用回归算法的图像分割方法，其特征在于，背景拟合平滑模型(一)；像素回归(二)；RANSAC鲁棒回归(三)；整体分割算法(四)。2.基于权利要求书1所述的背景拟合平滑模型(一)，其特征在于，我们假设，如果一个图像块只有背景，可以作为光滑模型的基础；每一个像素的像素平滑函数的近似值有一个误差小于所需的阈值；但是如果一个图像块由一些前景像素叠加平滑的背景，而这些前景像素占块的比例相对较小，此时拟合光滑函数将不代表这些前景像素。3.基于权利要求书2所述的平滑背景，其特征在于，具体地说，我们将每幅图像分割成不重叠的大小块N×N并表示每一个图像块，表示为F(x，y)，用光滑模型B(x，y；α1，…αK)处理，使用一些基本功能的线性组合Pk(x，y)，然后利用K-L变换训练图像，通过光滑的背景进行优化设置；采用一组二维DCT作为我们的平滑模型的线性组合，二维DCT变换函数定义为：Pu，v(x，y)＝βuβvcos((2x+1)πu/2N)cos((2y+1)πv/2N)(1)其中u和v表示基础的频率，βu和βv是正常化因素，值得注意的是，基于监督字典学习和子空间学习的算法也有助于产生背景成分的光滑表示。4.基于权利要求书1所述的像素回归(二)，其特征在于，找到模型参数，我们需要知道哪些像素属于背景，找到我们的模型参数的最佳值，使得它们不受前景像素影像。5.基于权利要求书4所述的最优模型参数，找到最优模型参数的一个解决方案，定义αk’s为成本函数，它测量了原始像素的强度和预测的光滑模型之间的拟合优度，然后最大限度地减少成本函数；一个合理的成本函数可以是Lp标准的拟合误差(P可以是0，1，或2)，使该解决方案可以写为：使f，α和P分别表示F的一维版本，所有参数的向量和一个矩阵的大小N2×K其中第k列对应的Pk(x，y)的矢量化版本，上述问题可以被表述为：α*＝argminα||f-Pα||p(3)现在如果我们使用L2标准(即P＝2)的成本函数，我们只得到最小二乘拟合的问题，并有一个封闭的形式解决方案如下：α＝(PTP)-1PTf(4)但最小二乘拟合存在一个事实，即模型参数，可以受到前景像素的影响，提出了一种基于稳健回归方法，减少拟合模型异常值的数量。6.基于权利要求书1所述的RANSAC鲁棒回归(三)，其特征在于，RANSAC算法是一种稳健的回归算法，即在存在离群值的一组数据中找到合适的模型；RANSAC算法是一种迭代的方法，通过最大限度地减少异常值的个数，进行参数估计；在分割算法中，可以将前景像素作为离群...

【专利技术属性】
技术研发人员：夏春秋，
申请(专利权)人：深圳市唯特视科技有限公司，
类型：发明
国别省市：广东,44