图像分割方法与系统

摘要

本发明公开了一种图像分割方法与系统，先采用基于局部对比度和颜色一致性的显著性分析方法，得到一个初始的前景和背景，再通过迭代分析，得到更精确的前景和背景。整个过程可以由计算机完成，不需人工介入，具有较高的适用性，所得的初始前景相比人工设定的前景，更为准确，迭代之后得到的最终的前景也具有更高的准确性，同时还减少了迭代次数，从而提高了分割效率。

主权项

一种图像分割方法，其特征在于，包括如下步骤：抽取图像的局部对比度和颜色一致性特征进行显著性分析，得到图像的初始前景区域和初始背景区域；对所述初始前景区域和所述初始背景区域进行迭代分析，获得精确前景区域，所述局部对比度为图像上预定范围的区域与其周边区域颜色直方图的卡方距离；所述颜色一致性为图像上预定范围的区域内颜色的一致性；所述初始前景区域为局部对比度和颜色一致性综合结果高于第一前景阈值，且颜色一致性高于第二前景阈值的区域；所述初始背景区域为局部对比度和颜色一致性综合结果低于第一背景阈值，或局部对比度低于第二背景阈值的区域；其中，对所述初始前景区域和所述初始背景区域采用颜色聚类和最小割的迭代方法进行迭代分析，所述步骤抽取图像的局部对比度和颜色一致性特征进行显著性分析包括：在图像上均匀采样c₁×c₂个像素点，按如下公式计算每个像素点x的局部对比度特征LC，并对LC进行归一化：$LC=\underset{\left\{x^{\prime }\right|x^{\prime }\in R^{*}\left(x\right)\}}{\Sigma }{w}_{x^{\prime }x}d\left(R^{*}\right(x),R_s^{*}(x\left)\right)$$w_{x^{\prime }x}=\exp (-0.5{\sigma }_x^{-1}||x-x^{\prime }|{|}^2)$σ_x＝s_σ·|R^*(x)|$R^{*}\left(x\right)=\arg \underset{R\left(x\right)}{max}d\left(R\right(x),R_s(x\left)\right)$$d\left(R\right(x),R_s(x\left)\right)=\frac{1}{2}{\Sigma }_i\frac{{(R^i-R_s^i)}^2}{R^i+R_s^i}$其中，R(x)表示以像素点x为中心的长边为预定长度的区域，R_s(x)表示R(x)周围预定范围内的区域，表示R^*(x)周围预定范围内的区域，s_σ为经验值，Rⁱ表示R(x)对应的颜色直方图的第i个分量，表示R_s(x)对应的颜色直方图的第i个分量；采用K均值聚类法将图像聚成k类，将聚类结果作为初始解，再采用高斯混合模型将图像聚成k类，得到图像中每个像素点y属于聚类c的概率p(c|y)，c＝1,2,…,k，按如下公式计算图像中每个像素点y的颜色一致性特征CS，并对其中的V(c)和D(c)进行归一化，得到归一化的CS：CS＝∑_cp(c|y)·(1‑V(c))·(1‑D(c))$p\left(c\right|y)=\frac{w_{c}N\left(y\right|{\mu }_c,{\sigma }_c)}{{\Sigma }_c{w}_{c}N\left(y\right|{\mu }_c,{\sigma }_c)}$V(c)＝V_h(c)+V_V(c)$V_h\left(c\right)=\frac{1}{{\Sigma }_{y}p\left(c\right|y)}{\Sigma }_{y}p\left(c\right|y)·|y_h-M_h\left(c\right){|}^2$$M_h\left(c\right)=\frac{1}{{\Sigma }_{y}p\left(c\right|y)}{\Sigma }_{y}p\left(c\right|y)·y_h$$V_v\left(c\right)=\frac{1}{{\Sigma }_{y}p\left(c\right|y)}{\Sigma }_{y}p\left(c\right|y)·|y_v-M_v\left(c\right){|}^2$$M_v\left(c\right)=\frac{1}{{\Sigma }_{y}p\left(c\right|y)}{\Sigma }_{y}p\left(c\right|y)·y_v$D(c)＝∑_yp(c|y)d_y其中，V(c)表示聚类c的方差，D(c)表示聚类c的距离权重，w_c、μ_c、σ_c分别表示聚类c的权重、均值和方差，N(y|μ_c,σ_c)表示y服从均值为μ_c、方差为σ_c的高斯分布，y_h、y_v分别表示像素点y的横向和纵向坐标，d_y表示像素点y距离图像中心点的距离；按如下公式确定所述初始背景区域Background和所述初始前景区域Foreground：Background＝(LC+CS<f_1B)|(LC<f_2B)Foreground＝(LC+CS>f_1F)&(CS>f_2F)其中，|表示逻辑“或”，&表示逻辑“和”，f_1B、f_2B、f_1F、f_2F为经验值，分别表示所述第一背景阈值、第二背景阈值、第一前景阈值和第二前景阈值。