一種交互式圖像分割方法
【專利摘要】本發(fā)明涉及一種交互式圖像分割方法，屬于計算機應用技術中的數字圖像處理【技術領域】。該方法包括：1)用戶通過交互對圖像中的目標物體進行圈定；2)利用交互信息選擇初始訓練數據，并通過學習得到對圈定框內像素點進行分類的分類器；3)利用分類器，構建圖像對應的權值圖，然后采用最短路徑的優(yōu)化方法計算各像素節(jié)點到每個虛擬節(jié)點的最短路徑，最后以最小帶價值為準則，將圈定框內的像素點分為前景或者背景，實現圖像分割；4)方法中分類器的學習和最短路徑的優(yōu)化過程是交替迭代進行的，停止條件為分割結果達到穩(wěn)定或者算法達到預設的最大迭代次數。實驗結果表明，通過使用本發(fā)明的方法可以獲得具有較高分割準確率的分割結果。
【專利說明】一種交互式圖像分割方法

【技術領域】
[0001] 本發(fā)明涉及一種交互式圖像分割方法，屬于計算機應用技術中的數字圖像處理技 術領域。

【背景技術】
[0002] 隨著互聯(lián)網技術和數字圖像處理技術的發(fā)展，在互聯(lián)網上積累了海量的數字圖 像，并且其數量還在高速增長。如何有效的對這些圖像進行處理，并從中提取出有價值的信 息已逐漸成為一個重要的問題。在各種數字圖像處理技術中，圖像分割問題是一個基本且 重要的問題。傳統(tǒng)的圖像分割方法通常是一個全自動的過程。然而由于處理器理解能力的 限制，對于普通的自然圖像，很難從圖像中提取出具有高層語義的物體。為此，自20世紀70 年代起，人們提出了"半自動"的交互式圖像分割，通過在分割過程中加入用戶交互作為算 法輸入，使圖像中具有高層語義的物體能夠完整地被提取出來。
[0003] 已存在的交互式圖像分割方法，根據原理的不同，將現存的方法分為三類：1)基 于圖割理論的交互式圖像分割方法；2)基于模板變形和曲線演化的交互式圖像分割方法； 3)其他方法。基于圖割理論的交互式圖像分割方法將待分割圖像轉換為一個圖結構，通過 將待求解問題轉換為最小化能量求解的問題來實現圖像分割。常見的方法有圖切分的方 法、lazy snapping、Grab Cut以及Random Walks等。基于模板變形和曲線演化的交互式圖 像分割方法，初始的時候要求用戶對目標物體的輪廓進行大致的標注，然后分割算法通過 利用用戶標定的信息和曲線本身的一些特性，對初始標定曲線進行模板變形，使其逐漸演 化到真實的目標物體邊緣上，從而實現圖像分割。常見的方法有主動輪廓的方法和水平集 的方法等。此外，還有一些基于其他原理的方法，比如基于區(qū)域融合的方法、基于貝葉斯信 念網的方法等等。
[0004] 在各種交互式圖像分割方法中，用戶交互的信息量和分割結果總是相輔相成的。 如果用戶的交互信息量是充分的，各種方法均能獲得較準確的分割結果；反之，分割結果通 常是不盡如人意的。但是往往較多的交互操作會給使用者帶來不便和使用負擔，所以，一種 有效的交互式圖像分割方法應該是在滿足交互方式簡單、方便的基礎之上，能夠得到具有 較高準確率的分割結果。


【發(fā)明內容】

[0005] 本發(fā)明的目的在于提出一種交互式圖像分割方法，用于解決數字圖像處理領域中 的圖像分割問題。
[0006] 本發(fā)明的目的是通過下述技術方案實現的，具體實現步驟如下：
[0007] 步驟1、用戶通過交互圈定圖像中的目標物體；
[0008] 步驟2、利用用戶提供的交互信息選擇初始訓練數據；
[0009] 步驟3、利用步驟2中得到的訓練數據學習得到對圈定框內像素點進行分類的分 類器，即通過學習分別得到描述圖像背景和目標物體特征的統(tǒng)計模型；
[0010] 步驟4、利用步驟3中得到的分類器，構建圈定框內像素點對應的權值圖，并在結 構圖中增加虛擬的前景源點和背景匯點；
[0011] 步驟5、利用步驟4中得到的結構圖，使用最短路徑的優(yōu)化方法分別計算得到圖像 中各像素節(jié)點到每個虛擬節(jié)點的最短路徑；
[0012] 步驟6、利用步驟5中得到的結果，以最小代價值（最短路徑上所有邊的權值的累 加和）為分類準則，將圈定框內各像素點標記為前景或者背景，獲得分割結果；
[0013] 步驟7、若當前迭代次數未達到預設的最大迭代次數或者本次分割結果未達到穩(wěn) 定，則將本次分割結果作為新的訓練數據，重復上述步驟3至步驟6。
[0014] 所述步驟3中后驗概率與類條件概率密度有關，將所述類條件概率密度的形式設 置為高斯混合模型或有限混合模型或高斯模型。
[0015] 所述步驟3中分類器是基于下列特征中的一個或多個圖像特征的分類器，包括顏 色特征、紋理特征、形狀特征和局部特征。
[0016] 所述步驟5中最短路徑的優(yōu)化方法除了實例中用到的迪杰斯特拉算法，還包括基 于迪杰斯特拉算法改進的其他方法以及其他求最短路徑的算法。
[0017] 有益效果
[0018] 本發(fā)明的方法對比已有技術在解決交互式圖像分割問題的時候，不僅充分考慮了 圖像全局的語義信息，而且還考慮了圖像的局部結構信息，通過綜合利用圖像的局部和全 局特征來實現高性能的圖像分割。

【專利附圖】

【附圖說明】
[0019] 圖1是根據本發(fā)明的一個實施方案中采用的交互方式圖示；
[0020] 圖2是根據本發(fā)明的一個實施方案的流程圖；
[0021] 圖3是根據本發(fā)明的一個實施方案中采用的權值圖的結構圖示；
[0022] 圖4是根據本發(fā)明的一個實施方案中的實驗結果，在Microsoft Grab Cut測試數 據集上，實施方案中的分割方法與經典的Grab Cut方法的分割結果比較；
[0023] 圖5是根據本發(fā)明的一個實施方案中的實驗結果，在醫(yī)學影像圖像測試數據集 上，依據PRI評價標準，實施方案中的分割方法與PIBS方法的分割準確率比較；
[0024] 圖6是根據本發(fā)明的一個實施方案中的實驗結果，在醫(yī)學影像圖像測試數據集 上，實施方案中的分割方法與PIBS方法的分割結果比較。

【具體實施方式】
[0025] 下面結合附圖和實施例對本發(fā)明做詳細說明。
[0026] 實施例中采用矩形框的交互模式作為用戶交互方式，并且將基于貝葉斯分類器和 迪杰斯特拉最短路徑優(yōu)化方法來實現本發(fā)明。下面按照技術方案中的實施步驟來說明具體 實施方式。
[0027] 步驟1、用戶通過交互圈定圖像中的目標物體。實施例中以矩形框的交互模式作為 用戶交互方式，如圖1所示。初始時候，用戶用矩形框圈定圖像中的目標物體。
[0028] 步驟2、利用用戶提供的交互信息選擇初始訓練數據。實施例中的具體操作過程 是：在初始階段，對于背景模型的訓練數據，直接選擇矩形框四條邊上以及四條邊周圍的若 干像素點作為初始訓練數據來學習得到背景統(tǒng)計模型；對于前景模型訓練數據的選擇，考 慮到目標物體占據了矩形框的大部分區(qū)域，所以初始時候直接選取矩形框內剩余的像素點 作為前景統(tǒng)計模型的訓練數據。
[0029] 步驟3、利用步驟2中得到的訓練數據學習得到對矩形框內像素點進行分類的分 類器。在實施例中具體采用貝葉斯分類器，下面說明貝葉斯分類器及其學習過程。
[0030] 本發(fā)明采用基于后驗概率的統(tǒng)計分類器來計算矩形框內各像素點與背景統(tǒng)計模 型（前景統(tǒng)計模型）的相似性。假設X為像素點的特征矢量，則后驗概率計算公式如下：
[0031]

【權利要求】
1. 一種交互式圖像分割方法，其特征在于，具體實現步驟如下： 步驟1、用戶通過交互圈定圖像中的目標物體； 步驟2、利用用戶提供的交互信息選擇初始訓練數據； 步驟3、利用步驟2中得到的訓練數據學習得到對圈定框內像素點進行分類的分類器， 即通過學習分別得到描述圖像背景和目標物體特征的統(tǒng)計模型； 步驟4、利用步驟3中得到的分類器，構建圈定框內像素點對應的權值圖，并在結構圖 中增加虛擬的前景源點和背景匯點； 步驟5、利用步驟4中得到的結構圖，采用最短路徑的優(yōu)化方法通過計算分別得到圖像 中各像素節(jié)點到每個虛擬節(jié)點的最短路徑； 步驟6、利用步驟5中得到的結果，以最小代價值，即最短路徑上所有邊的權值的累加 和為分類準則，將圈定框內各像素點標記為前景或者背景，獲得分割結果； 步驟7、若當前迭代次數未達到預設的最大迭代次數或者本次分割結果未達到穩(wěn)定，則 將本次分割結果作為新的訓練數據，重復上述步驟3至步驟6,直到滿足算法的停止條件。
2. 根據權利要求1所述的一種交互式圖像分割方法，其特征在于：其中步驟3所述后 驗概率與類條件概率密度有關，將所述類條件概率密度的形式設置為高斯混合模型或有限 混合模型或高斯模型。
3. 根據權利要求1所述的一種交互式圖像分割方法，其特征在于：其中步驟3中分類 器是基于下列特征中的一個或多個圖像特征的分類器，包括顏色特征、紋理特征、形狀特征 和局部特征。
4. 根據權利要求1所述的一種交互式圖像分割方法，其特征在于：其中步驟5中最短 路徑的優(yōu)化方法除了實例中用到的迪杰斯特拉算法，還包括基于迪杰斯特拉算法改進的其 他方法以及其他求最短路徑的算法。
【文檔編號】G06T7/00GK104063876SQ201410331356
【公開日】2014年9月24日 申請日期:2014年7月11日 優(yōu)先權日:2014年1月10日
【發(fā)明者】劉峽壁, 高巖 申請人:北京理工大學