本发明专利技术公开了一种具有尺度无关特性的快速多模态图像协同分割方法，该方法包括：步骤一、打开输入的图像组文件，对当前输入图像组中图像利用SLIC算法依次提取个超像素，提取各张图像的超像素，计算所述超像素的颜色特征、区域协方差矩阵；进行图像的前景、背景区域初始化；步骤二、构建超像素多模态特征和前景区域、背景区域模型，步骤三、优化求解。本发明专利技术设计了简单实用的基于超像素的多模态特征融合与度量的方法，进一步将多模态特征引入图像协同分割的能量方程，能够在保证较高的正确率的同时，提高算法的运行速度。此外，由于多模态特征的引入，也极大地扩展了图像协同分割所能处理的场景，对复杂图像背景具有一定鲁棒性。
【技术实现步骤摘要】
本专利技术属于图像处理和图像分析领域，特别是涉及ー种快速而实用的具有尺度无关特性的多模态图像协同分割技术，可用于同时分割图像组中的相似图像区域。
技术介绍
图像协同分割技术是在假设两幅或多幅图像中的每幅图像所包含的前景具有相似的顔色直方图的前提下，针对含有相似前景或背景的两幅或者多幅图像，使用非监瞀算法或者少量人机交互的监瞀算法，获得前景以及背景准确分割的图像分割方法。大部分现有图像协同分割方法多在像素级进行，随着图像尺寸的増大，算法时间、空间复杂度均会呈指数级上升，这ー限制显然造成了像素级协同分割算法无法处理高分辨率图像的图像分割，更无法同时处理大量图像。另外，基于随机场模型的图像协同分割方法，仍停留在基于鼓励前景区域一致性的初步阶段，图像分割中所用到ー些特性如形状信息、边界信息等在协同分割中并未得到应用。多模态特征虽然在计算机视觉领域、图像处理、模式识别得到了广泛应用，但是在图像协同分割中的应用仍处于起步阶段，缺少统一的多特征融合与度量方法，其应用潜カ并未得到体现。本专利技术是对现有图像协同分割算法的改进，更好的考虑了现实生活中图像数据的特征，如高分辨率、特征丰富等，采用了超像素技术，使得算法运行时间独立于图像分辨率，并且给出了一套完整的统ー的多特征融合与度量方法，使得多模态这一技术在图像协同分割领域得到应用。 參考文献:[I].R.Achanta, A.Shaji, K.Smith, A.Lucchi, P.Fua, and S.Susstrunk.SLICsuperpixels.1n EPFL Technical Reportl49300, 2010.[2].0.Tuzel, F.Porikli, and P.Meer.Region covariance:A fast descriptorfor detection and classification.1n ECCVj 2006[3].C.Barnes, E.Shechtman，D.Goldman, and A.Finkelstein.The generalizedpatchmatch correspondence algorithm.1n ECCVj2010.[4].C.Rother，T.Minka，A.Blake, and V.Kolmogorov.Cosegmentation of imagepairs by nistogram matching-1ncorporating a Globa丄 Constraint into MRF.1nCVPRj 2006.[5].D.S.Hochbaum and V.Singh, ^An efficient algorithm forCo-segmentation, in Computer Vision, 2009IEEE12th International Conferenceon, 2009，pp.269-276.[6].A.Joulin, F.Bach, and J.Ponce.Discriminative clustering for imageco-segmentation.1n CVPRj2010.
技术实现思路
基于上述现有技术及其缺陷，本专利技术提出ー种具有尺度无关特性的快速多模态图像协同分割方法，本专利技术的目的是针对现有技术处理现实生活中高分辨率图像对上的不足，提供ー套快速而实用的具有尺度无关特性的多模态图像协同分割技术，可以使用户方便地将高分辨率图像对更为准确地快速的进行分割。本专利技术提出了一种ー种具有尺度无关特性的快速多模态图像协同分割方法，该方法具体包括以下步骤:步骤一、打开输入的图像组文件，对当前输入图像组中图像利用SLIC算法依次提取K个超像素，记为集合本文档来自技高网...
【技术保护点】
一种具有尺度无关特性的快速多模态图像协同分割方法，其特征在于，该方法具体包括以下步骤：步骤一、打开输入的图像组文件，对当前输入图像组中图像利用SLIC算法依次提取K个超像素，记为集合S(t)={S1(t),S2(t),...,Si(t),...,Sk(t)},其中，代表第t张图像的第i个超像素，K∈N,t＝1,2，提取各张图像的超像素，计算所述超像素的颜色特征、区域协方差矩阵；进行图像的前景、背景区域初始化，具体处理为；对于一个给定的超像素计算其颜色特征c‾p=1|Sp|Σj∈Spcj,其中，Sp为超像素p中所包含像素的集合，|Sp|为超像素p中像素的个数，ci=[Rj，Gj，Bj]T是像素j的RGB颜色值；对于一个给定的超像素集合计算其区域协方差矩阵VP，Vp=(Fp?μ(Fp))T(Fp?μ(Fp))，其中，是超像素p的特征矩阵，fj，p=[xj，yj，Rj，Gj，Bj]T为超像素p中第j个像素的特征向量，像素坐标为(x，y)，μ(·)是特征矩阵的均值，T为向量的转置，采用PatchMatch算法，获得两幅图像中各自相应的前景区域和背景区域步骤二、在获得超像素的颜色特征、区域协方差矩阵的基础上，使用联合聚类方法构建超像素多模态特征和前景区域、背景区域模型，进一步使用BP算法完成图像协同分割;对于集合S(1)、S(2)使用非相似性度量D(p，q)进行联合聚类，形成C个簇，其中，D(p,q)=:λ||cp‾-cq‾||2+(1-λ)(Σf=15ln2ρf(Vp,Vq))12,||·||2为欧式距离，ρf(Vp，Vq)为区域协方差矩阵Vp和Vq第f个特征值，参数0≤λ≤1为权重系数，分别代表超像素p，q的颜色均值；以C个簇的中心作为一个字典γ={C1，…，CK}，将超像素的多模态特征表示为一 个基于字典γ非归一化的直方图，记为Hp；对前景区域和背景区域分别统计其所包含的超像素的联合聚类的分布情况，统计前景区域和背景区域中各个超像素各自所属聚类中心形成统计直方图，分别作为前景区域模型Hfg和背景区域模型步骤三，利用上述结果，建立一个不规则图，超像素作为不规则图的节点,结合输入图像组中每幅图像中超像素的空间邻接矩阵M(t)，建立节点间的连接边以及边上的权重,将能量方程Ecoseg(X)=Σi=12(Σpωp,ixp,i+Σp~qωpq,i|xp,i-xq,i|)+Σglobal(X),转化为不规则图的最大流/最小割问题，使用BP算法进行求解。FDA00002767304200012.jpg,FDA00002767304200013.jpg,FDA00002767304200014.jpg,FDA00002767304200016.jpg,FDA00002767304200017.jpg,FDA00002767304200018.jpg,FDA00002767304200019.jpg,FDA000027673042000111.jpg,FDA000027673042000112.jpg,FDA00002767304200021.jpg,FDA00002767304200022.jpg,FDA00002767304200023.jpg...
【技术特征摘要】
1.一种具有尺度无关特性的快速多模态图像协同分割方法，其特征在于，该方法具体包括以下步骤: 步骤一、打开输入的图像组文件，对当前输入图像组中图像利用SLIC算法依次提取K个超像素，记为集合2.按权利要求1所述的具有尺度无关特性的快速多模态图像协同分割方法，其特征在于，该方法还包括所述超像素多模态特征的统一度量的处理，具体包括以下步骤:在超像素多模态特征以及前景区域模型/背景区域模型模型均统ー的表示为ー个基于字典Y非归ー化的直方图基础...
【专利技术属性】
技术研发人员：冯伟，万亮，张加万，张士杰，江健民，
申请(专利权)人：天津大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。