一種活動(dòng)輪廓模型中能量泛函的優(yōu)化方法及其應(yīng)用
【專利摘要】本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域，提供了一種活動(dòng)輪廓模型中能量泛函的優(yōu)化方法，包括如下步驟：S1、得到進(jìn)行協(xié)同分割的源圖像對(duì)的窄頻帶；S2、采用混合高斯模型對(duì)源圖像對(duì)進(jìn)行概率密度分布的估計(jì)；S3、采用顏色直方圖方法對(duì)源圖像對(duì)進(jìn)行顏色相似度的估計(jì)；S4、采用上述兩種方法綜合度量源圖像對(duì)的相似性，并得到待分割圖像的輪廓的能量函數(shù)；當(dāng)函數(shù)值達(dá)到最小值收斂時(shí)，得到的曲線即為目標(biāo)物的輪廓曲線。采用本發(fā)明的優(yōu)化方法進(jìn)行圖像協(xié)同分割，具有以下優(yōu)點(diǎn)：1)魯棒性好：能大大減小背景或光照的影響，適用于更多的圖像；2)準(zhǔn)確性高；優(yōu)化了能量泛函，有利于目標(biāo)物被更準(zhǔn)確的識(shí)別。
【專利說(shuō)明】
一種活動(dòng)輪廓模型中能量泛函的優(yōu)化方法及其應(yīng)用
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域，特別是涉及一種活動(dòng)輪廓模型中能量泛函的 優(yōu)化方法及其應(yīng)用。
【背景技術(shù)】
[0002] 數(shù)字圖像分割是計(jì)算機(jī)視覺(jué)及多媒體處理的基礎(chǔ)工作。隨著近些年網(wǎng)絡(luò)上圖像的 海量出現(xiàn)及圖像數(shù)據(jù)規(guī)模的不斷增加，眾多實(shí)際應(yīng)用對(duì)圖像分割的需求由小規(guī)模的單幅圖 像分割不斷向大規(guī)模的圖像間協(xié)同分割的方向發(fā)展，即圖像協(xié)同分割的方向發(fā)展。
[0003] 圖像的協(xié)同分割是一種重要的弱監(jiān)督分割方法，其目的是從一組圖像中提取出共 同的對(duì)象區(qū)域，在無(wú)需任何額外圖像標(biāo)簽信息的前提下即能夠獲取有語(yǔ)義的對(duì)象區(qū)域，因 此可廣泛應(yīng)用于多媒體處理及計(jì)算機(jī)視覺(jué)的高層應(yīng)用中。
[0004] 圖像協(xié)同分割的概念自從2006年首次被Rother提出后，在過(guò)去的數(shù)年中研究者提 出了多種協(xié)同分割的方法以從一組圖像中提取單個(gè)或多個(gè)共同對(duì)象類，這些方法有基于馬 爾可夫隨機(jī)場(chǎng)(MRF)的協(xié)同分割方法、基于判別聚類的協(xié)同分割方法、基于輪廓模型的協(xié)同 分割方法等等。
[0005] 基于馬爾可夫隨機(jī)場(chǎng)的協(xié)同分割模型的前景提取及優(yōu)化依賴于多幅圖像之間前 景區(qū)域一致性的分割項(xiàng)。通常這個(gè)分割項(xiàng)的引入會(huì)使得模型的優(yōu)化變得更加困難。為了能 在改善協(xié)同分割性能的同時(shí)又能簡(jiǎn)化模型的優(yōu)化，Rother首先采用范數(shù)來(lái)衡量圖像前景的 一致性，范數(shù)是一種重要的距離測(cè)度，定義為兩幅圖像的前景區(qū)域的像素灰度值之差的絕 對(duì)值之和;并采用TRGC算法優(yōu)化協(xié)同分割模型。Mukherjee則采用另一種范數(shù)描述圖像前景 的一致性，定義為兩幅圖像的前景區(qū)域的像素灰度值之差的平方和的二分之一次方;并采 用Pseudo-Boolean算法實(shí)現(xiàn)模型的優(yōu)化。Hochbaum采用了獎(jiǎng)勵(lì)策略來(lái)構(gòu)建全局項(xiàng)，使得模 型的優(yōu)化更簡(jiǎn)單，并采用最大流算法實(shí)現(xiàn)模型的優(yōu)化。
[0006] 除了基于馬爾可夫隨機(jī)場(chǎng)的方法以外，Joulin提出了基于判別聚類的協(xié)同分割方 法，該方法采用聚類策略來(lái)解決協(xié)同分割問(wèn)題，將共同對(duì)象的分割問(wèn)題轉(zhuǎn)化為共同區(qū)域的 聚類問(wèn)題，通過(guò)將共同區(qū)域聚為一類的策略實(shí)現(xiàn)共同對(duì)象的提取。該方法采用譜聚類算法 來(lái)實(shí)現(xiàn)局部區(qū)域的聚類，而最具判別性的聚類結(jié)果將被作為協(xié)同分割的結(jié)果。Kim提出了另 外一種協(xié)同分割模型，該方法既考慮了單幅圖像的分割以實(shí)現(xiàn)單幅圖像前景和背景的提 取，同時(shí)又考慮了多幅圖像的分割以匹配前景一致的區(qū)域。其中，多幅圖像之間通過(guò)特征點(diǎn) 的匹配來(lái)定位出共同區(qū)域。該方法能夠從一組圖像中提取出多個(gè)相同的區(qū)域。
[0007] 基于輪廓模型的協(xié)同分割方法（以下簡(jiǎn)稱為ICRSACM)，是將活動(dòng)輪廓模型和獎(jiǎng)勵(lì) 策略結(jié)合起來(lái)，用顏色直方圖來(lái)表示區(qū)域，用獎(jiǎng)勵(lì)策略來(lái)計(jì)算圖像前景的相似度和圖像背 景的一致性，它通過(guò)優(yōu)化能量函數(shù)使其能量函數(shù)值達(dá)到最小，從而達(dá)到協(xié)同分割的目的。這 種算法對(duì)具有簡(jiǎn)單背景的圖像具有較好的分割效果，然而對(duì)于具有復(fù)雜背景的圖像，它的 分割效果并不理想，也就是說(shuō)該方法的魯棒性不高。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的在于提供一種基于混合高斯模型與顏色直方圖方法的圖像協(xié)同分 割方法。
[0009] 本發(fā)明解決其技術(shù)問(wèn)題采用的技術(shù)方案如下：
[0010] -種活動(dòng)輪廓模型中能量泛函的優(yōu)化方法，用于基于活動(dòng)輪廓模型的圖像協(xié)同分 割中，包括如下步驟：
[0011] Si、得到進(jìn)行協(xié)同分割的源圖像對(duì)的窄頻帶；
[0012] S2、采用混合高斯模型對(duì)源圖像對(duì)進(jìn)行概率密度分布的估計(jì)；
[0013] S3、采用顏色直方圖方法對(duì)源圖像對(duì)進(jìn)行顏色相似度的估計(jì)；
[0014] S4、采用上述兩種方法綜合度量源圖像對(duì)的相似性，并得到待分割圖像的輪廓的 能量函數(shù);當(dāng)函數(shù)值達(dá)到最小值收斂時(shí)，得到的曲線即為目標(biāo)物的輪廓曲線。
[0015] 進(jìn)一步的，步驟S2中，采用的混合高斯模型為：
[0016]

[00?7] 其中，Pi (X，yi，Ci)是均值為Pi.協(xié)玄筆％(^的高·令右1為混合系數(shù)，是數(shù)據(jù)樣本 產(chǎn)生第i個(gè)高斯分布的先驗(yàn)概率，且滿月
[0018] PiU，講，Ci)的概率密度函數(shù)為：
[0019]
[0020] 進(jìn)一步的，步驟S3中，顏色直方圖方法使用的公式定義如下：
[0021]
[0022]其中，f(p，g(w))表示像素 p在圖片g的區(qū)域w的相似度，h表示區(qū)域w的顏色直方圖， h(p'）表示p'在直方圖h里的值，β表示顏色偏差閾值。因?yàn)閳D片顏色會(huì)有一寫(xiě)偏差，所以在 統(tǒng)計(jì)顏色概率的時(shí)候，只要顏色偏差在β內(nèi)（即I P '-P I <β)，都加入到P的顏色概率里面。 [0023]進(jìn)一步的，步驟S4中，綜合度量源圖像對(duì)的相似性采用的公式如下：
[0024]
[0025]其中，a為混合高斯模型度量的權(quán)值，b為顏色直方圖方法的權(quán)值;ΙΑ(X，y)為圖像A 在X，y處的像素值，
1S圖A中（X，y)處像素在圖B的j區(qū)域的相似度。
[0026]進(jìn)一步的，步驟S4中，圖像Ia的輪廓Ca的能量函數(shù)采用如下公式得出：
[0027]
[0028] 其中，公式中的第一項(xiàng)計(jì)算曲線的長(zhǎng)度，第二項(xiàng)計(jì)算曲線所包圍的面積，第三項(xiàng)和 第四項(xiàng)中的由上述綜合度量的方法得到;α，β，γ，λ為權(quán)值系數(shù)，控制各項(xiàng) 參數(shù)的比重。
[0029] 本發(fā)明還提供了上述活動(dòng)輪廓模型中能量泛函的優(yōu)化方法在圖像協(xié)同分割中的 應(yīng)用，包括如下步驟：
[0030] S11、在源圖像集中選取兩幅圖像作為源圖像對(duì)，初始化活動(dòng)輪廓模型中能量函數(shù) 各個(gè)參數(shù)的系數(shù)，初始連續(xù)曲線，圖像區(qū)域閾值T;
[0031] S12判斷得到的連續(xù)曲線是否收斂；若不收斂，進(jìn)行步驟S13;若收斂，進(jìn)行步驟 S14；
[0032] S13、采用所述活動(dòng)輪廓模型中能量泛函的優(yōu)化方法處理源圖像對(duì)，得到處理后的 連續(xù)曲線，返回S12;
[0033] S14、判斷收斂區(qū)域是否為空;若收斂區(qū)域不為空，輸出分割圖像，并進(jìn)行步驟S15; 若收斂區(qū)域?yàn)榭?，則去掉收斂區(qū)域?yàn)榭盏膱D片，進(jìn)行步驟S15;
[0034] S15、判斷圖像集中是否還有剩余未分割圖片；如果有，重復(fù)步驟Sll，直至所有圖 像分割完畢。
[0035] 本發(fā)明提供的活動(dòng)輪廓模型中能量泛函的優(yōu)化方法，利用混合高斯模型和顏色直 方圖方法綜合度量協(xié)同分割中源圖像對(duì)的相似性。其中，混合高斯模型對(duì)源圖像對(duì)進(jìn)行概 率密度分布的估計(jì)，顏色直方圖方法對(duì)源圖像對(duì)進(jìn)行顏色相似度的估計(jì)。綜合兩種方法的 估計(jì)值，能大大降低外部因素所造成的誤差，可以很好地達(dá)到度量源圖像對(duì)相似性的目的。 進(jìn)一步的，根據(jù)混合高斯模型與顏色直方圖方法得到的相似度估計(jì)，改進(jìn)了活動(dòng)輪廓模型 中建立的能量泛函，使得協(xié)同分割的結(jié)果更為精確。
[0036] 本發(fā)明還提供了上述方法在圖像協(xié)同分割中的應(yīng)用，對(duì)基于輪廓模型的協(xié)同分割 方法（ICRSACM)的能量公式中描述圖像前景一致性的分割項(xiàng)的算法進(jìn)行了改進(jìn)，結(jié)合混合 高斯模型和顏色直方圖方法的特點(diǎn)，對(duì)輸入的源圖像對(duì)進(jìn)行相似度衡量，協(xié)同分割過(guò)程中 能量泛函不斷迭代收斂，以實(shí)現(xiàn)對(duì)源圖像對(duì)的協(xié)同分割，達(dá)到了更好的分割效果。
[0037] 采用本發(fā)明的優(yōu)化方法進(jìn)行圖像協(xié)同分割，具有以下優(yōu)點(diǎn)：
[0038] 1)魯棒性好:實(shí)現(xiàn)了基于混合高斯模型與顏色直方圖方法的圖像協(xié)同分割方法， 能大大減小背景或光照的影響，適用于更多的圖像。
[0039] 2)準(zhǔn)確性高;利用混合高斯模型建模，以及顏色直方圖方法綜合度量圖像相似性， 優(yōu)化了能量泛函，有利于目標(biāo)物被更準(zhǔn)確的識(shí)別。
【附圖說(shuō)明】
[0040] 圖1是使用本發(fā)明的優(yōu)化方法進(jìn)行圖像協(xié)同分割的流程示意圖。
【具體實(shí)施方式】
[0041] 為了進(jìn)一步理解本發(fā)明，下面結(jié)合實(shí)施例對(duì)本發(fā)明優(yōu)選實(shí)施方案進(jìn)行描述，但是 應(yīng)當(dāng)理解，這些描述只是為進(jìn)一步說(shuō)明本發(fā)明的特征和優(yōu)點(diǎn)，而不是對(duì)本發(fā)明權(quán)利要求的 限制。
[0042] 本發(fā)明提供了一種活動(dòng)輪廓模型中能量泛函的優(yōu)化方法，用于基于活動(dòng)輪廓模型 的圖像協(xié)同分割中，包括如下步驟：
[0043] S1、得到進(jìn)行協(xié)同分割的源圖像對(duì)的窄頻帶。
[0044] S2、采用混合高斯模型對(duì)源圖像對(duì)進(jìn)行概率密度分布的估計(jì)。具體的，此處使用的 混合尚斯t旲型為：
[0045]
[0046] 其中，pi(X，μL，Ci)是均值為μL，協(xié)方差為Ci的高斯分布，Jii為混合系數(shù)，是數(shù)據(jù)樣本 產(chǎn)生第i個(gè)高斯分布的先驗(yàn)概率，且滿天
[0047] Pi(x ,Wi)的概率密度函數(shù)為：
[0048]
[0049] S3、采用顏色直方圖方法對(duì)源圖像對(duì)進(jìn)行顏色相似度的估計(jì)。具體的，顏色直方圖 方法使用的公式定義如下：
[0050]
[0051] 其中，像素p在區(qū)域w的相似性表示為，區(qū)域w中與像素p灰度相似(距離小于B)的像 素?cái)?shù)目之和;f(P，g(w))表示像素p在圖片g的區(qū)域w的相似度，h表示區(qū)域w的顏色直方圖，h (P'）表示P'在直方圖h里的值，β表示顏色偏差閾值;像素?cái)?shù)目越多，則p與w越相似。
[0052] S4、采用上述兩種方法綜合度量源圖像對(duì)的相似性。具體的，綜合度量源圖像對(duì)的 相似性采用的公式如下：
[0053]
[0054]其中，a為混合高斯模型度量的權(quán)值，b為顏色直方圖方法的權(quán)值;ΙΑ(X，y)為圖像A 在X，y處的像素值：
為圖A中（X，y)處像素在圖B的j區(qū)域的相似度。
[0055] 之后，進(jìn)一步得到待分割圖像的輪廓的能量函數(shù)：
[0056]
[0057] 其中，公式中的第一項(xiàng)計(jì)算曲線的長(zhǎng)度，第二項(xiàng)計(jì)算曲線所包圍的面積，第三項(xiàng)和 第四項(xiàng)中的
I上述綜合度量的方法得到;α，β，γ，λ為權(quán)值系數(shù)，控制各項(xiàng) 參數(shù)的比重。當(dāng)函數(shù)值達(dá)到最小值收斂時(shí)，得到的曲線即為目標(biāo)物的輪廓曲線。
[0058]本發(fā)明還提供了上述活動(dòng)輪廓模型中能量泛函的優(yōu)化方法在圖像協(xié)同分割中的 應(yīng)用，如圖1所示，包括如下步驟：
[0059] S11、在源圖像集中選取兩幅圖像作為源圖像對(duì)，初始化活動(dòng)輪廓模型中能量函數(shù) 各個(gè)參數(shù)的系數(shù)，初始連續(xù)曲線，圖像區(qū)域閾值T;
[0060] S12判斷得到的連續(xù)曲線是否收斂；若不收斂，進(jìn)行步驟S13;若收斂，進(jìn)行步驟 S14；
[0061] S13、采用所述活動(dòng)輪廓模型中能量泛函的優(yōu)化方法處理源圖像對(duì)，得到處理后的 連續(xù)曲線，返回S12;
[0062] S14、判斷收斂區(qū)域是否為空;若收斂區(qū)域不為空，輸出分割圖像，并進(jìn)行步驟S15; 若收斂區(qū)域?yàn)榭?，則去掉收斂區(qū)域?yàn)榭盏膱D片，進(jìn)行步驟S15;
[0063] S15、判斷圖像集中是否還有剩余未分割圖片；如果有，重復(fù)步驟Sll，直至所有圖 像分割完畢。
[0064] 上述步驟中，對(duì)基于輪廓模型的協(xié)同分割方法（ICRSACM)的能量公式中描述圖像 前景一致性的分割項(xiàng)的算法進(jìn)行了改進(jìn)，結(jié)合混合高斯模型和顏色直方圖方法的特點(diǎn)，對(duì) 輸入的源圖像對(duì)進(jìn)行相似度衡量，協(xié)同分割過(guò)程中能量泛函不斷迭代收斂，以實(shí)現(xiàn)對(duì)源圖 像對(duì)的協(xié)同分割，達(dá)到了更好的分割效果。
[0065]以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對(duì) 于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行 若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種活動(dòng)輪廓模型中能量泛函的優(yōu)化方法，用于基于活動(dòng)輪廓模型的圖像協(xié)同分割 中，其特征在于，包括如下步驟： 51、 得到進(jìn)行協(xié)同分割的源圖像對(duì)的窄頻帶； 52、 采用混合高斯模型對(duì)源圖像對(duì)進(jìn)行概率密度分布的估計(jì)； 53、 采用顏色直方圖方法對(duì)源圖像對(duì)進(jìn)行顏色相似度的估計(jì)； 54、 采用上述兩種方法綜合度量源圖像對(duì)的相似性，并得到待分割圖像的輪廓的能量 函數(shù);當(dāng)函數(shù)值達(dá)到最小值收斂時(shí)，得到的曲線即為目標(biāo)物的輪廓曲線。2. 如權(quán)利要求1所述的活動(dòng)輪廓模型中能量泛函的優(yōu)化方法，其特征在于，步驟S2中， 采用的混合高斯模型為：其中，是均值為yi，協(xié)方差為匕的高斯分布，町為混合系數(shù)，是數(shù)據(jù)樣本產(chǎn)生 第i個(gè)高斯分布的先驗(yàn)概率，且滿足Pi(x，yi，Ci)的概率密度函數(shù)為：3. 如權(quán)利要求2所述的活動(dòng)輪廓模型中能量泛函的優(yōu)化方法，其特征在于，步驟S3中， 顏色直方圖方法使用的公式定義如下：其中，f(p，g(w))表示像素 P在圖片g的區(qū)域w的相似度，h表示區(qū)域w的顏色直方圖，h (P '）表不P '在直方圖h里的值，β表不顏色偏差閾值。4. 如權(quán)利要求3所述的活動(dòng)輪廓模型中能量泛函的優(yōu)化方法，其特征在于，步驟S4中， 綜合度量源圖像對(duì)的相似性采用的公式如下：其中，a為混合高斯模型度量的權(quán)值，b為顏色直方圖方法的權(quán)值;ΙΑ( X，y)為圖像Α在X，y 處的像素值，為圖A中（x，y)處像素在圖B的j區(qū)域的相似度。5. 如如權(quán)利要求3所述的活動(dòng)輪廓模型中能量泛函的優(yōu)化方法，其特征在于，步驟S4 中，圖像Ια的輪廓CA的能量函數(shù)采用如下公式得出：其中，公式中的第一項(xiàng)計(jì)算曲線的長(zhǎng)度，第二項(xiàng)計(jì)算曲線所包圍的面積，第三項(xiàng)和第四 項(xiàng)中的/)(/ f(X,少·),fi)由上述綜合度量的方法得到;α，β，γ，λ為權(quán)值系數(shù)，控制各項(xiàng)參數(shù) 的比重。6.如權(quán)利要求1-5任一項(xiàng)所述的活動(dòng)輪廓模型中能量泛函的優(yōu)化方法在圖像協(xié)同分割 中的應(yīng)用，其特征在于，包括如下步驟： S11、在源圖像集中選取兩幅圖像作為源圖像對(duì)，初始化活動(dòng)輪廓模型中能量函數(shù)各個(gè) 參數(shù)的系數(shù)，初始連續(xù)曲線，圖像區(qū)域閾值Τ; S12判斷得到的連續(xù)曲線是否收斂;若不收斂，進(jìn)行步驟S13;若收斂，進(jìn)行步驟S14; 513、 采用所述活動(dòng)輪廓模型中能量泛函的優(yōu)化方法處理源圖像對(duì)，得到處理后的連續(xù) 曲線，返回S12; 514、 判斷收斂區(qū)域是否為空;若收斂區(qū)域不為空，輸出分割圖像，并進(jìn)行步驟S15;若收 斂區(qū)域?yàn)榭?，則去掉收斂區(qū)域?yàn)榭盏膱D片，進(jìn)行步驟S15; 515、 判斷圖像集中是否還有剩余未分割圖片；如果有，重復(fù)步驟S11，直至所有圖像分 割完畢。
【文檔編號(hào)】G06T7/40GK106056573SQ201610263473
【公開(kāi)日】2016年10月26日
【申請(qǐng)日】2016年4月26日
【發(fā)明人】占旭寬, 盧建華, 王普章, 周龍, 趙士瑞, 魏春榮, 付洋, 許佳佳, 許典, 胡威
【申請(qǐng)人】武漢科技大學(xué)