一種基于圖像復(fù)雜性的特征自適應(yīng)圖像共分割方法技術(shù)

本發(fā)明專利技術(shù)提供一種基于圖像復(fù)雜性分析的特征自適應(yīng)圖像共分割方法。考慮到簡(jiǎn)單背景圖像中對(duì)象檢測(cè)方法的檢測(cè)結(jié)果較準(zhǔn)確，而復(fù)雜圖像中的檢測(cè)結(jié)果較分散，考慮到初始分割準(zhǔn)確度，首先從簡(jiǎn)單背景圖像的分割結(jié)果出發(fā)，再通過(guò)學(xué)習(xí)不同圖像組對(duì)應(yīng)的最優(yōu)相似程度衡量標(biāo)準(zhǔn)來(lái)自適應(yīng)調(diào)整共分割參數(shù)，使用自適應(yīng)調(diào)整得到的共分割參數(shù)進(jìn)行圖像共分割處理，檢測(cè)率高、結(jié)果準(zhǔn)確，自適應(yīng)能力強(qiáng)。

【技術(shù)實(shí)現(xiàn)步驟摘要】

本專利技術(shù)涉及圖像處理技術(shù)，特別涉及自適應(yīng)圖像共分割技術(shù)。
技術(shù)介紹
伴隨著網(wǎng)絡(luò)的發(fā)展，網(wǎng)絡(luò)中存在著大量的數(shù)字圖像。利用這些海量的圖像實(shí)現(xiàn)特定對(duì)象的發(fā)現(xiàn)和分割越來(lái)越成為人們關(guān)注的問(wèn)題。共分割是從多幅不同背景的，包含相同特定對(duì)象的圖像中將特定對(duì)象分割出來(lái)的技術(shù)。為了分割出當(dāng)前圖像中的特定對(duì)象，現(xiàn)有的共分割方法首先引入多幅包含相同特定對(duì)象的圖像，如搜索引擎獲取的圖像，然后通過(guò)提取和分割出這組圖像中包含的共同對(duì)象實(shí)現(xiàn)特定對(duì)象的分割。共分割方法的優(yōu)點(diǎn)為僅需要用戶引入輔助圖像，用戶參與程度低，工作量較少。目前，已有多種數(shù)字圖像共分割方法被提出，如基于馬爾科夫隨機(jī)場(chǎng)的圖像共分割方法，基于判別聚類的圖像共分割方法，基于熱擴(kuò)散理論的圖像共分割方法，基于主動(dòng)輪廓的圖像共分割方法，基于隨機(jī)游走的圖像共分割方法及基于最短路徑的圖像共分割方法等。在這些方法中，圖像共分割問(wèn)題通常被刻畫為最優(yōu)化問(wèn)題。該最優(yōu)化問(wèn)題考慮兩個(gè)方面，一是單幅圖像的對(duì)象分割，即前景與背景的差異及局部區(qū)域像素標(biāo)簽的平滑性；二是不同圖像間前景的相似程度，即要求分割的結(jié)果為共同對(duì)象。單幅圖像的對(duì)象分割通常由傳統(tǒng)的單幅圖像分割方法實(shí)現(xiàn)，而共同對(duì)象分割則作為添加項(xiàng)加入到單幅圖像分割模型中，通過(guò)最優(yōu)化對(duì)應(yīng)的能量項(xiàng)，將共同對(duì)象分割出來(lái)。共分割方法中的一個(gè)核心問(wèn)題是如何衡量前景區(qū)域的相似程度。如果相似程度的選擇不合理，共同對(duì)象便無(wú)法從對(duì)象中分割出來(lái)。現(xiàn)有的方法通常采用固定的相似程度衡量標(biāo)準(zhǔn)，即在進(jìn)行共分割時(shí)，即使針對(duì)不同圖像組的共同對(duì)象，系統(tǒng)使用設(shè)置相同的一系列共分割的特征參數(shù)。如將人臉作為共同對(duì)象的圖像組與將飛機(jī)作為共同對(duì)象的圖像組所使用的共分割的顏色、形狀、紋理等參數(shù)均沒(méi)有變化。事實(shí)上，不同圖像組中共同對(duì)象對(duì)應(yīng)的相同特征是千差萬(wàn)別的，共分割的參數(shù)如不及時(shí)調(diào)整將影響共分割結(jié)果的準(zhǔn)確性。但作為自動(dòng)的圖像共分割方法，人們往往無(wú)法參與到特征參數(shù)的選擇，難以對(duì)參與分割的特征參數(shù)進(jìn)行手動(dòng)調(diào)整。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)所要解決的技術(shù)問(wèn)題是，提供一種能夠自適應(yīng)調(diào)整共分割特征參數(shù)的圖像共分割方法。本專利技術(shù)為解決上述技術(shù)問(wèn)題所采用的技術(shù)方案是，一種基于圖像復(fù)雜性分析的特征自適應(yīng)圖像共分割方法，包括以下步驟I)計(jì)算輸入的圖像組中各圖像的復(fù)雜度，在輸入的圖像組中選取m個(gè)背景簡(jiǎn)單的圖像；m為大于I的正整數(shù)；2)將m個(gè)背景簡(jiǎn)單的圖像初始分割出各自的前景區(qū)域，得到初始分割結(jié)果；3)利用初始分割結(jié)果以及初始共分割參數(shù)通過(guò)期望最大化學(xué)習(xí)算法得到使得m個(gè)背景簡(jiǎn)單的圖像的分割結(jié)果間具有最優(yōu)相似度的最優(yōu)共分割參數(shù)向量；4)利用最優(yōu)共分割參數(shù)向量對(duì)輸入圖像組中的所有圖像進(jìn)行共分割實(shí)現(xiàn)對(duì)所有圖像中共同對(duì)象的分割。本專利技術(shù)考慮到簡(jiǎn)單背景圖像中對(duì)象檢測(cè)方法的檢測(cè)結(jié)果較準(zhǔn)確，而復(fù)雜圖像中的檢測(cè)結(jié)果較分散，考慮到初始分割準(zhǔn)確度，首先從簡(jiǎn)單背景圖像的分割結(jié)果出發(fā)，再通過(guò)學(xué)習(xí)不同圖像組對(duì)應(yīng)的最優(yōu)相似程度衡量標(biāo)準(zhǔn)來(lái)自適應(yīng)調(diào)整共分割參數(shù)。本專利技術(shù)的有益效果是，基于圖像復(fù)雜性分析的自適應(yīng)調(diào)整共分割參數(shù)，使得本專利技術(shù)的圖像共分割方法檢測(cè)率高、結(jié)果準(zhǔn)確，自適應(yīng)能力強(qiáng)。 附圖說(shuō)明圖1根據(jù)本實(shí)施例方法得到的不同圖像組的共分割結(jié)果。具體實(shí)施例方式本實(shí)施例在Matlab R2010a實(shí)驗(yàn)平臺(tái)上進(jìn)行實(shí)現(xiàn)，主要包括三個(gè)步驟，分別是簡(jiǎn)單圖像的獲取和初始分割的生成，特征模型的學(xué)習(xí)及共分割實(shí)現(xiàn)，具體如下步驟一、簡(jiǎn)單圖像的獲取和初始分割的生成。具體包括以下子步驟tool ] 第I步分析圖像的復(fù)雜性并排序。通過(guò)計(jì)算復(fù)雜程度分?jǐn)?shù)r和復(fù)雜程度分?jǐn)?shù)C,2實(shí)現(xiàn)。①采用多尺度的基于邊緣的圖像過(guò)分割方法將圖像Ii, i = I,…，Ni過(guò)分割成局部區(qū)域，求取圖像復(fù)雜程度分?jǐn)?shù)G，過(guò)分割是指將圖像分割為多個(gè)局部區(qū)域，而不考慮區(qū)域的語(yǔ)義權(quán)利要求1.，其特征在于，包括以下步驟 1)計(jì)算輸入的圖像組中各圖像的復(fù)雜度，在輸入的圖像組中選取m個(gè)背景簡(jiǎn)單的圖像；m為大于I的正整數(shù)； 2)將m個(gè)背景簡(jiǎn)單的圖像初始分割出各自的前景區(qū)域，得到初始分割結(jié)果； 3)利用初始分割結(jié)果以及初始共分割參數(shù)通過(guò)期望最大化學(xué)習(xí)算法得到使得m個(gè)背景簡(jiǎn)單的圖像的分割結(jié)果間具有最優(yōu)相似度的最優(yōu)共分割參數(shù)向量； 4)利用最優(yōu)共分割參數(shù)向量對(duì)輸入圖像組中的所有圖像進(jìn)行共分割實(shí)現(xiàn)對(duì)所有圖像中共同對(duì)象的分割。2.如權(quán)利要求I所述，其特征在于，步驟I)中的圖像的復(fù)雜度具體通過(guò)計(jì)算復(fù)雜程度分?jǐn)?shù)(I和復(fù)雜程度分?jǐn)?shù)Cf來(lái)體現(xiàn) 其中，3.如權(quán)利要求2所述，其特征在于， 步驟I)中在輸入的圖像組中選取m個(gè)背景簡(jiǎn)單的圖像的具體方法是 基于圖像Ii對(duì)應(yīng)的復(fù)雜程度分?jǐn)?shù)C的大小對(duì)各圖像進(jìn)行排序，獲得排序結(jié)果，分配圖像Ii對(duì)應(yīng)的排序后的序號(hào) 基于圖像Ii對(duì)應(yīng)的復(fù)雜程度分?jǐn)?shù) 2的大小對(duì)各圖像進(jìn)行排序，獲得排序結(jié)果，分配圖像Ii對(duì)應(yīng)的排序后的序號(hào)成； 圖像Ii對(duì)應(yīng)的最終排序結(jié)果為# =η +ηΙ，根據(jù)圖像組中各圖像的最終的排序結(jié)果取出復(fù)雜度低得前m個(gè)圖像為背景簡(jiǎn)單的圖像。4.如權(quán)利要求I所述，其特征在于， 步驟2)中通過(guò)基于顯著檢測(cè)的對(duì)象分割方法對(duì)m個(gè)背景簡(jiǎn)單的圖像初始分割。5.如權(quán)利要求I所述，其特征在于， 步驟3)具體包括以下子步驟 3-1)讀取預(yù)設(shè)的共分割參數(shù)向量； 3-2)根據(jù)當(dāng)前共分割參數(shù)向量Θ以及當(dāng)前分割結(jié)果求取當(dāng)前相似度矩陣S(X，Θ)；S(X, θ )=χ Θ =(Xp X2,…，Xn) θ，其中，共分割參數(shù)向量Θ為所有特征參數(shù)CO1,…，ωη形成的行向量的轉(zhuǎn)置Θ =O1,…，ωη)τ, η為特征總個(gè)數(shù)，不=(l-dxl，p, q=l, ...，m, 1=1, ...，n，m表示分割數(shù)量，X嚴(yán)=#(/,,//)，(!( ·)表示特征距離函數(shù),/Jp為圖像Ip分割出的前景區(qū)域中第I個(gè)特征，#為圖像I,分割出的第I個(gè)特征；初始的當(dāng)前共分割參數(shù)向量Θ為預(yù)設(shè)的共分割參數(shù)向量，初始的當(dāng)前分割結(jié)果X為初始分割結(jié)果；3-3)基于相似度矩陣S(X，Θ)求取當(dāng)前的分割置信度向量Z Z=V/max(V);其中，V= Iv1, v2，…，vm}為長(zhǎng)度為m的列向量，6.如權(quán)利要求I所述，其特征在于， 步驟5)中通過(guò)基于最短路徑和顯著特征的共分割方法對(duì)輸入圖像組中的所有圖像進(jìn)行共分割。全文摘要本專利技術(shù)提供一種基于圖像復(fù)雜性分析的特征自適應(yīng)圖像共分割方法。考慮到簡(jiǎn)單背景圖像中對(duì)象檢測(cè)方法的檢測(cè)結(jié)果較準(zhǔn)確，而復(fù)雜圖像中的檢測(cè)結(jié)果較分散，考慮到初始分割準(zhǔn)確度，首先從簡(jiǎn)單背景圖像的分割結(jié)果出發(fā)，再通過(guò)學(xué)習(xí)不同圖像組對(duì)應(yīng)的最優(yōu)相似程度衡量標(biāo)準(zhǔn)來(lái)自適應(yīng)調(diào)整共分割參數(shù)，使用自適應(yīng)調(diào)整得到的共分割參數(shù)進(jìn)行圖像共分割處理，檢測(cè)率高、結(jié)果準(zhǔn)確，自適應(yīng)能力強(qiáng)。文檔編號(hào)G06T7/00GK102982539SQ201210448129公開日2013年3月20日 申請(qǐng)日期2012年11月9日 優(yōu)先權(quán)日2012年11月9日專利技術(shù)者李宏亮, 孟凡滿 申請(qǐng)人:電子科技大學(xué)本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于圖像復(fù)雜性的特征自適應(yīng)圖像共分割方法，其特征在于，包括以下步驟：1）計(jì)算輸入的圖像組中各圖像的復(fù)雜度，在輸入的圖像組中選取m個(gè)背景簡(jiǎn)單的圖像；m為大于1的正整數(shù)；2）將m個(gè)背景簡(jiǎn)單的圖像初始分割出各自的前景區(qū)域，得到初始分割結(jié)果；3）利用初始分割結(jié)果以及初始共分割參數(shù)通過(guò)期望最大化學(xué)習(xí)算法得到使得m個(gè)背景簡(jiǎn)單的圖像的分割結(jié)果間具有最優(yōu)相似度的最優(yōu)共分割參數(shù)向量；4）利用最優(yōu)共分割參數(shù)向量對(duì)輸入圖像組中的所有圖像進(jìn)行共分割實(shí)現(xiàn)對(duì)所有圖像中共同對(duì)象的分割。

【技術(shù)特征摘要】

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李宏亮，孟凡滿，
申請(qǐng)(專利權(quán))人：電子科技大學(xué)，
類型：發(fā)明
國(guó)別省市：