一种复杂图像中显著轮廓提取方法

摘要

本发明公开了一种复杂图像中显著轮廓提取方法，其步骤为：①将理想轮廓抽象成由一个小线段集合组成，小线段之间首尾相连。理想轮廓由这个小线段集合逼近；②对线段集合W建立数学模型，满足该模型的最优解，即为对图像中显著轮廓的逼近。③运用可逆跳转马尔科夫链蒙特卡洛和模拟退火算法对最优线段集W进行求解。本发明直接对“高级”的轮廓组成单元(线段)进行描述，避免了目前边缘检测算法中“噪声”边缘的缺陷，将轮廓组成单元的检测与感知聚集统一在一个框架下，同时完成二者的实现。避免了感知聚集过程对轮廓组成单元检测算法的依赖，输出结果是对理想轮廓的逼近。逼近结果具有良好的抗干扰性，对复杂图像的显著轮廓提取，能获得良好的视觉效果。

主权项

一种复杂图像中显著轮廓提取方法，其步骤包括：(1)对于输入图像I(x，y)，首先按照式(i)获得随机生成线段中心点坐标pi＝(x，y)的采样概率q(pi)，i表示图像中象素的序号：q(pi)＝▽I(x，y)/∑x，y▽I(x，y)    (i)其中▽I(x，y)为图像的梯度值，其计算公式为式(ii)： ▿ I ( x , y ) = [ I ( x + 1 , y ) - I ( x , y ) ] 2 + [ I ( x , y + 1 ) - I ( x , y ) ] 2 2 - - - ( ii ) (2)按照下述所有过程建立线段集合W数学模型，对图像中显著轮廓进行逼近：(2.1)集合W的初始值设为空集，W＝{}；(2.2)根据步骤(1)得到的采样概率q(pi)，采样得到一个线段s0的中心点坐标p0＝(x0，y0)，然后在预设的数值区间[lmin，lmax]上进行均匀采样，采出该线段的长度值l0，接下来在方向区间[0，π]上进行均匀采样，采出该线段的方向值θ0，将该线段s0＝(p0，l0，θ0)加入集合W；(2.3)生成一个位于0到1之间的随机数rand，记录迭代次数N＝N+1，N的初始值为0；如果rand小于等于qb，进入步骤(2.4)，如果rand大于qb且小于等于qd+qb，转入步骤(2.6)，如果rand大于qd+qb，，转入步骤(2.8)；qd为随机删除一个线段的转移形式的概率，qb为随机生成一个线段的转移形式的概率；(2.4)使用步骤(2.2)中的方法随机生成一个新的线段si＝(pi，li，θi)，将其暂时加入集合W，此时，定义新集合W为W′，W′＝W∪{si}，P(，)为转移概率，其定义如下： P ( w ′ , w ) = q d 1 card ( W ) + 1 - - - ( iii ) P(w，w′)＝qbq(pi)q(li|pi)q(θi|pi)    (iv)公式(iii)中card(W)为当前状态下线段的个数；q(pi)为随机生成线段中心点坐标的采样概率，其分布由图像的梯度确定；q(li|pi)为随机生成线段长度的采样概率，且q(li|pi)其分布为均匀分布；q(θi|pi)为随机生成线段方向的采样概率，且q(θi|pi)其分布为均匀分布；(2.5)按照公式(v)计算线段si的接收概率α1(w，w′)；在求得线段si的接收概率α1(w，w′)之后，再生成一个0到1之间的随机数r，如果α1(w，w′)大于r，则线段si将被最终添加到集合W，否则将被丢掉；然后转入步骤(3)；(2.6)在当前线段集合W中，随机选中一个线段si＝(pi，li，θi)，将其暂时从集合W中删除；此时，按照定义新集合W为W′，从当前线段集合W中随机删除一个线段，此时W′＝W/si，P(，)仍采用公式(iii)和(iv)计算；(2.7)按照公式(v)计算线段si的删除概率α2(w，w′)，在求得线段si的删除概率α2(w，w′)之后，再生成一个0到1之间的随机数r，如果α2(w，w′)大于r，则线段si将被最终从集合W中删除，否则将不被删除；然后转入步骤(3)；(2.8)在当前线段集合W中，随机选中一个线段si＝(pi，li，θi)，生成一个0到l之间的随机数a，如果a＜1/3，则li＝li+Δl；如果1/3＜a＜2/3，则li＝li-Δl；如果a＞2/3，则li保持不变；用同样的方法调整θi的大小；线段中心点坐标pi保持不变；这样si将成为一个新的线段si′，同样定义新集合W为W′，W′＝(W/si)∪{si′}，其中si′＝(pi，li±Δl，θi±Δθ)，在这种转移形式下，P(w′，w)等于P(w，w′)；(2.9)按照公式(v)计算线段si的调整接收概率α3(w，w′)；在求得线段si的调整接收概率α3(w，w′)之后，再生成一个0到1之间的随机数r，如果α3(w，w′)大于r，则线段si将被最终调整为si′，否则将保持不变；α(w，w′)＝min{1，R(w，w′)}    (v)其中R(w，w′)为Green比值，其定义为： R ( w , w ′ ) = P ( w ′ , w ) f ( w ′ ) 1 T P ( w , w ′ ) f ( w ) 1 T - - - ( vi ) 其中f()为线段集合的数学模型，T为模拟退火算法中的当前温度；(3)重复步骤(2.3)，每迭代一次，N的数值加1；当温度T趋于0时，算法收敛，此时的线段集合W为该模型的最优解，得到图像的显著轮廓。