CN103208123B - 图像分割方法与*** - Google Patents
图像分割方法与*** Download PDFInfo
- Publication number
- CN103208123B CN103208123B CN201310139396.3A CN201310139396A CN103208123B CN 103208123 B CN103208123 B CN 103208123B CN 201310139396 A CN201310139396 A CN 201310139396A CN 103208123 B CN103208123 B CN 103208123B
- Authority
- CN
- China
- Prior art keywords
- image
- sigma
- initial
- foreground area
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像分割方法与***,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。
Description
技术领域
本发明涉及计算机视觉技术领域,特别是涉及一种图像分割方法与***。
背景技术
随着计算机视觉技术的迅速发展,图像分割引起了人们的广泛关注。图像分割是计算机视觉中的一个关键问题,它的目的是简化或改变图像的表现形式,使得图像更容易理解和分析。例如,互联网上有一张模特(前景)站在商店门口(背景)的图片,我们希望计算机能自动把模特(前景)找出来。
图像分割是要将图片分成前景和背景两部分,如何让计算机去“看懂”图片是一个难题。传统的图像分割技术往往需要人工介入,例如需要人为在图片上设定一个相对准确的前景区域,计算机才能将前景找出来。
发明内容
针对现有技术所存在的上述技术缺陷,本发明提供了一种图像分割方法与***,以便全自动、快速、准确地完成图像分割任务。
一种图像分割方法,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。
一种图像分割***,包括:
显著性分析单元,用于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;
迭代单元,用于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。
本发明图像分割方法与***,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。
附图说明
图1为本发明图像分割方法实施例二的流程示意图;
图2为本发明图像分割方法实施例三的流程示意图;
图3为本发明图像分割***实施例二的结构示意图;
图4为本发明图像分割***实施例三的结构示意图。
具体实施方式
本发明是一种基于显著性分析的图像分割方法与***,显著性分析的过程可以由计算机完成,所以整个分割过程不需任何的人工参与,能全自动地准确完成图像分割任务。下面结合附图与实施例首先详细解释本发明的图像分割方法。
实施例一
本实施例的图像分割方法,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。
本实施例选用局部对比度和颜色一致性来评判图像的显著性,再对显著性进行分析,得出初始的前景区域和背景区域。背景距离镜头较远,景物模糊,局部对比度较前景低,且背景一般错综复杂,而前景的颜色一般具有一定程度的一致性。因此,某区域局部对比度越低,是背景的可能性越大,颜色一致性越高是前景的可能性越大。但本实施例在确定初始前景区域和初始背景区域时,除考虑局部对比度和颜色一致性外,还考虑了两者的综合结果,以提高所确定初始前景区域和初始背景区域的准确性。两个特征进行综合的方法有很多,可以是直接相加,可以是归一化后相加,可以是加权后相加,或者其他方式,是具体情况而定。
实施例二
本实施例的图像分割方法,如图1所示,包括如下步骤:
步骤S101、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;
步骤S102、采用颜色聚类和最小割的迭代方法对所述初始前景区域和所述初始背景区域进一步分析,获得精确前景区域,
所述步骤S101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:
步骤S1011、计算局部对比度: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,并将LC归一化在[0,1]的范围内:
σx=sσ·|R*(x)|
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,Rs(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,sσ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Rs(x)对应的颜色直方图的第i个分量。
步骤S1012、计算颜色一致性: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,并将其中的V(c)和D(c)归一化在[0,1]的范围内,因此得到归一化的CS:
CS=∑cp(c|y)·(1-V(c))·(1-D(c))
V(c)=Vh(c)+VV(c)
D(c)=∑yp(c|y)dy
其中,V(c)表示聚类c的方差,D(c)表示聚类c的距离权重,wc、μc、σc分别表示聚类c的权重、均值和方差,N(y|μc,σc)表示y服从均值为μc,方差为σc的高斯分布,yh、yv分别表示像素点y的横向和纵向坐标,dy表示像素点y距离图像中心点的距离;
步骤S1013、根据局部对比度和颜色一致性确定初始背景区域和初始前景区域: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<f1B)|(LC<f2B)
Foreground=(LC+CS>f1F)&(CS>flF)
其中,|表示逻辑“或”,&表示逻辑“和”,f1B、f2B、f1F、f2F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。
所述步骤S102采用颜色聚类和最小割的迭代方法获得一个精确的前景区域,具体包括如下步骤:
S1021、对初始背景区域和初始前景区域分别使用k均值聚类法,分别聚成k′类,即共2k′类。优选地,k′=5;
S1022、根据步骤S1021的聚类结果,通过计算最大流得到图像的最小割,获得新的背景和前景区域;
S1023、对新的背景和前景区域,重复执行高斯混合模型聚类和最小割计算iter次,得到精确的前景和背景区域。其中,iter是人工设定的参数,由于步骤S101所得的初始前景和初始背景具有较高的准确性,因此减少了本步骤重复计算的次数,优选地,iter=1。
从前景和背景的公式可知,设置合适的经验值,可以将图像划分为初始前景区域、初始背景区域,以及未知区域。此时的初始前景区域属于真正的前景,初始背景区域也属于真正的背景,未知区域则包括了部分前景和部分背景。迭代过程中可以将未知区域归为初始背景区域进行聚类,或归为初始前景区域进行聚类,在计算最大流最小割时,则分成三个区域进行计算。由于本实施例所确定的初始前景相比人工设定的前景具有更高的准确性,因此减少了迭代次数,也提高了最终所得前景的准确性,同时还可以实现自动执行无需人工干预的目的。
本实施例的其他技术特征与实施例一相同,在此不予赘述。
实施例三
本实施例与实施例一、二的不同之处在于,本实施例还包括步骤:对图像进行人脸检测,若检测到人脸,则根据人脸位置确定初始前景区域和初始背景区域,若未检测到人脸,则执行实施例一所述的步骤S101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。
本实施例采用Haar特征对图像进行人脸检测。假设检测出人脸,其中心位置是(facex,facey),人脸大小为faceh×facew,则初始前景的左上顶点为:(facex-uh·faceh,facey-uw·facew),右下顶点为:(m-u·m,facey+uw·facew),且限定在图像中。m表示图像长边,uw、uh、u均为人为设定的经验值,优选地,uw=1.5,uh=0.75,u=0.0375。
显著性分析所确定的初始背景和初始前景具有较高的准确性,适用于以人或物等各种情况为前景的图像。当人为前景时,可以采用传统的人脸分割技术确定初始的前景和背景,一方面针对性更强,准确性更高,一方面省去了显著性分析的步骤,降低了图像分割的复杂度。因此,本实施例先判断图像中是否有人脸,根据是否有人脸采用两种不同的方法获取初始前景和初始背景,再统一采用迭代方法确定最终的前景和背景。
为了加快图像分割速度,本实施例在对图像分割前先将图像缩小,分割完成后再进行原始放大。具体地,在检测到人脸时,可以先根据人脸位置确定初始背景和初始前景,再对图像按预定比例缩小,或者先按预定比例对图像缩小,再根据人脸位置确定初始背景和初始前景。未检测到人脸,则先将图像按预定比例缩小,之后以缩小后的图像为对象进行显著性分析。迭代则是对缩小后的图像的初始背景和初始前景进行迭代,最后将图像按预定比例放大为原始图像。缩小和放大的方法为立方插值法。在对图像放大前,本实施例还可以采用洪流填充法对所述精确前景区域进行补洞处理,以减少迭代过程中丢弃的前景所形成的空洞的影响。
为了进一步提高图像分割速度,本实施例还可以将彩色图像转换为灰度图像,再提取局部对比度,以减少所需处理的通道数。
如图2所示,下面对综合以上考虑后,本实施例的完整步骤简单介绍如下:
步骤T101、对图像进行人脸检测;
步骤T102、若检测到人脸,则根据人脸位置确定初始前景区域和初始背景区域,并对图像进行缩小;
若未检测到人脸,则执行下述步骤:
步骤T103、缩小图像;
步骤T104、将图像转换成灰度图,并计算灰度图的局部对比度;
步骤T105、计算图像的颜色一致性;
步骤T106、根据局部对比度和颜色一致性确定初始背景区域和初始前景区域;
步骤T107、对所述初始前景区域和初始背景区域进行迭代分析,得到更精确的前景区域;
步骤T108、对更精确的前景区域进行补洞处理;
步骤T109、对补洞处理后的前景区域进行放大,得到原始图像中的前景区域。
实施例二的公式涉及部分经验值,本实施例对其中的经验值的优选取值介绍如下:
c1=20,c2=20;
R(x)长边的像素点数为:[s1,s2]·p,且s1=0.3,s2=0.7,R(x)的长宽比为0.5、0.75、1.0、1.5或2.0,p表示缩小后的图像长边的像素点数;
sσ=1/3;
k=6;
f1B=0.25,f2B=0.3,f1F=1.5,f2F=0.9.
本实施例的其他技术特征与实施例二相同,在此不予赘述。
本发明的图像分割***是与上述图像分割方法对应的***,下面介绍其实施例。
实施例一
本实施例的图像分割***,包括:
显著性分析单元,用于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;
迭代单元,用于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。
实施例二
本实施例的图像分割***,如图3所示,包括:
显著性分析单元,用于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;
迭代单元,用于采用颜色聚类和最小割的迭代方法对所述初始前景区域和所述初始背景区域进一步分析,获得精确前景区域,
所述显著性分析单元包括:
局部对比度求取模块,用于在图像上均匀采样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:
σx=sσ·|R*(x)|
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,Rs(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,sσ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Rs(x)对应的颜色直方图的第i个分量。
颜色一致性求取模块,用于采用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))
V(c)=Vh(c)+VV(c)
D(c)=∑yp(c|y)dy
其中,V(c)表示聚类c的方差,D(c)表示聚类c的距离权重,wc、μc、σc分别表示聚类c的权重、均值和方差,N(y|μc,σc)表示y服从均值为μc,方差为σc的高斯分布,yh、yv分别表示像素点y的横向和纵向坐标,dy表示像素点y距离图像中心点的距离;
初始分割模块,用于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<f1B)(LC<f2B)
Foreground=(LC+CS>f1F)&(CS>f2F)
其中,|表示逻辑“或”,&表示逻辑“和”,f1B、f2B、f1F、f2F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。
本实施例的其他技术特征与实施例一相同,在此不予赘述。
实施例三
如图4所示,本实施例的图像分割***还包括人脸检测单元和人脸初始分割单元。所述人脸检测单元,用于对图像进行人脸检测,若检测到人脸,则启动人脸初始分割单元,若未检测到人脸,则启动所述显著性分析单元。所述人脸初始分割单元,用于根据人脸位置确定初始前景区域和初始背景区域。
本实施例的图像分割***中所述的人脸初始分割单元还可以用于对图像按预定比例缩小,再根据人脸位置确定所述初始前景区域和所述初始背景区域。所述显著性分析单元还用于对图像按预定比例缩小,再针对缩小后的图像抽取局部对比度和颜色一致性特征进行显著性分析。所述局部对比度求取模块还可以用于将缩小后的图像转换成灰度图,再在灰度图上均匀采样c1×c2个像素点。所述迭代单元还可以用于对得到的所述精确前景区域按所述预定比例放大,得到最终的前景区域。
本实施例的图像分割***中所述的迭代单元对所述精确前景区域放大前,还可以采用洪流填充法对所述精确前景区域进行补洞处理。
本实施例中,实施例二公式中的经验值的取值如下:
c1=20,c2=20;
R(x)长边的像素点数为:[s1,s2]·p,且s1=0.3,s2=0.7,R(x)的长宽比为0.5、0.75、1.0、1.5或2.0,p表示缩小后的图像长边的像素点数;
sσ=1/3;
k=6;
f1B=0.25,f2B=0.3,f1F=1.5,f2F=0.9.
本实施例的其他技术特征与实施例二相同,在此不予赘述。
本发明图像分割方法与***的有益效果总结如下:
(1)提升了图像分割的实用性:相比传统的图像分割需要人工预先设定一个初始前景的方式,本方法与***通过人脸检测和显著性分析,由计算机全自动得到一个初始前景和初始背景,不需要任何的人工介入。
(2)提升了图像分割的准确率:本方法与***通过有效的显著性分析得到一个相对准确的初始前景和初始背景,再通过迭代过程得到一个准确率高的前景区域。本方法还通过引入人脸检测,来提高对于识别人是前景的分割的准确率。
(3)提升了图像分割的速度:本方法与***中的显著性分析本身是一个十分高效的操作,同时它又使迭代过程的迭代次数大大减少(一般只需要迭代一次就已经能得到一个准确率高的前景)。本方法与***还通过引入人脸检测,来加速对于识别人是前景的分割。测试1000张400×400大小的图片,平均分割时间约为1s/张图片。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种图像分割方法,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:
σx=sσ·|R*(x)|
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,Rs(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,sσ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Rs(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))
V(c)=Vh(c)+VV(c)
D(c)=∑yp(c|y)dy
其中,V(c)表示聚类c的方差,D(c)表示聚类c的距离权重,wc、μc、σc分别表示聚类c的权重、均值和方差,N(y|μc,σc)表示y服从均值为μc、方差为σc的高斯分布,yh、yv分别表示像素点y的横向和纵向坐标,dy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<f1B)|(LC<f2B)
Foreground=(LC+CS>f1F)&(CS>f2F)
其中,|表示逻辑“或”,&表示逻辑“和”,f1B、f2B、f1F、f2F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。
2.根据权利要求1所述的图像分割方法,其特征在于,还包括步骤:
对图像进行人脸检测,若检测到人脸,则根据人脸位置确定初始前景区域和初始背景区域,若未检测到人脸,则执行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。
3.根据权利要求2所述的图像分割方法,其特征在于,
若检测到人脸,则根据人脸位置确定所述初始前景区域和所述初始背景区域,并将图像按预定比例缩小,若未检测到人脸,则将图像按预定比例缩小,并针对缩小后的图像执行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;
将缩小后的图像转换成灰度图,再在灰度图上均匀采样c1×c2个像素点;
对得到的所述精确前景区域按所述预定比例放大,得到最终的前景区域。
4.根据权利要求3所述的图像分割方法,其特征在于,对所述精确前景区域放大前,采用洪流填充法进行补洞处理。
5.一种图像分割***,其特征在于,包括:
显著性分析单元,用于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;
迭代单元,用于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,所述显著性分析单元包括:
局部对比度求取模块,用于在图像上均匀采样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:
σx=sσ·|R*(x)|
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,Rs(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,sσ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Rs(x)对应的颜色直方图的第i个分量;
颜色一致性求取模块,用于采用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))
V(c)=Vh(c)+VV(c)
D(c)=∑yp(c|y)dy
其中,V(c)表示聚类c的方差,D(c)表示聚类c的距离权重,wc、μc、σc分别表示聚类c的权重、均值和方差,N(y|μc,σc)表示y服从均值为μc、方差为σc的高斯分布,yh、yv分别表示像素点y的横向和纵向坐标,dy表示像素点y距离图像中心点的距离;
初始分割模块,用于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<f1B)|(LC<f2B)
Foreground=(LC+CS>f1F)&(CS>f2F)
其中,|表示逻辑“或”,&表示逻辑“和”,f1B、f2B、f1F、f2F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。
6.根据权利要求5所述的图像分割***,其特征在于,还包括:
人脸检测单元,用于对图像进行人脸检测,若检测到人脸,则启动人脸初始分割单元,若未检测到人脸,则启动所述显著性分析单元,
所述人脸初始分割单元,用于根据人脸位置确定初始前景区域和初始背景区域。
7.根据权利要求6所述的图像分割***,其特征在于,
所述人脸初始分割单元还用于将图像按预定比例缩小,
所述显著性分析单元还用于将图像按预定比例缩小,再针对缩小后的图像抽取局部对比度和颜色一致性特征进行显著性分析,
所述局部对比度求取模块还用于将缩小后的图像转换成灰度图,再在灰度图上均匀采样c1×c2个像素点;
所述迭代单元还用于对得到的所述精确前景区域按所述预定比例放大,得到最终的前景区域。
8.根据权利要求7所述的图像分割***,其特征在于,所述迭代单元对所述精确前景区域放大前,还采用洪流填充法对所述精确前景区域进行补洞处理。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310139396.3A CN103208123B (zh) | 2013-04-19 | 2013-04-19 | 图像分割方法与*** |
PCT/CN2014/075509 WO2014169822A1 (zh) | 2013-04-19 | 2014-04-16 | 图像分割方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310139396.3A CN103208123B (zh) | 2013-04-19 | 2013-04-19 | 图像分割方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103208123A CN103208123A (zh) | 2013-07-17 |
CN103208123B true CN103208123B (zh) | 2016-03-02 |
Family
ID=48755338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310139396.3A Expired - Fee Related CN103208123B (zh) | 2013-04-19 | 2013-04-19 | 图像分割方法与*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN103208123B (zh) |
WO (1) | WO2014169822A1 (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208123B (zh) * | 2013-04-19 | 2016-03-02 | 广东图图搜网络科技有限公司 | 图像分割方法与*** |
CN104732509B (zh) * | 2013-12-18 | 2020-02-21 | 北京三星通信技术研究有限公司 | 自适应图像分割方法、装置和设备 |
US9342754B2 (en) | 2014-04-08 | 2016-05-17 | Nokia Technologies Oy | Image segmentation using blur and color |
US9633444B2 (en) | 2014-05-05 | 2017-04-25 | Xiaomi Inc. | Method and device for image segmentation |
CN103996189B (zh) * | 2014-05-05 | 2017-10-03 | 小米科技有限责任公司 | 图像分割方法及装置 |
CN104077771B (zh) * | 2014-06-19 | 2017-06-20 | 哈尔滨工程大学 | 一种加权法实现空间限制的混合模型图像分割方法 |
CN105654458A (zh) * | 2014-11-14 | 2016-06-08 | 华为技术有限公司 | 图像处理的方法及装置 |
CN104537374B (zh) * | 2015-01-21 | 2017-10-17 | 杭州电子科技大学 | 一种使用全局与局部强度距离衡量的头脸部区域提取方法 |
CN104700405B (zh) * | 2015-03-05 | 2017-11-28 | 苏州科达科技股份有限公司 | 一种前景检测方法和*** |
CN108600500B (zh) * | 2018-03-02 | 2021-05-11 | Oppo广东移动通信有限公司 | 图片显示方法、装置、移动终端及存储介质 |
CN108765516A (zh) * | 2018-03-26 | 2018-11-06 | 阳光暖果(北京)科技发展有限公司 | 一种基于缩略图的五官区域染色方法 |
CN109118493B (zh) * | 2018-07-11 | 2021-09-10 | 南京理工大学 | 一种深度图像中的显著区域检测方法 |
CN109544568A (zh) * | 2018-11-30 | 2019-03-29 | 长沙理工大学 | 目标图像分割方法、装置及设备 |
CN110084821B (zh) * | 2019-04-17 | 2021-01-12 | 杭州晓图科技有限公司 | 一种多实例交互式图像分割方法 |
CN110263736A (zh) * | 2019-06-24 | 2019-09-20 | 广州偕作信息科技有限公司 | 一种构件识别方法、装置、存储介质及*** |
CN113538500B (zh) * | 2021-09-10 | 2022-03-15 | 科大讯飞(苏州)科技有限公司 | 图像分割方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6661918B1 (en) * | 1998-12-04 | 2003-12-09 | Interval Research Corporation | Background estimation and segmentation based on range and color |
CN101866416A (zh) * | 2010-06-18 | 2010-10-20 | 山东大学 | 一种基于直推式学习的指纹图像分割方法 |
CN102592268A (zh) * | 2012-01-06 | 2012-07-18 | 清华大学深圳研究生院 | 一种分割前景图像的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720282B2 (en) * | 2005-08-02 | 2010-05-18 | Microsoft Corporation | Stereo image segmentation |
CN101344922B (zh) * | 2008-08-27 | 2011-11-02 | 华为技术有限公司 | 一种人脸检测方法及其装置 |
CN101447076B (zh) * | 2008-12-02 | 2010-09-22 | 浙江大学 | 一种web图像中感兴趣区域的分割方法 |
CN102129693B (zh) * | 2011-03-15 | 2012-07-25 | 清华大学 | 基于色彩直方图和全局对比度的图像视觉显著性计算方法 |
CN103208123B (zh) * | 2013-04-19 | 2016-03-02 | 广东图图搜网络科技有限公司 | 图像分割方法与*** |
-
2013
- 2013-04-19 CN CN201310139396.3A patent/CN103208123B/zh not_active Expired - Fee Related
-
2014
- 2014-04-16 WO PCT/CN2014/075509 patent/WO2014169822A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6661918B1 (en) * | 1998-12-04 | 2003-12-09 | Interval Research Corporation | Background estimation and segmentation based on range and color |
CN101866416A (zh) * | 2010-06-18 | 2010-10-20 | 山东大学 | 一种基于直推式学习的指纹图像分割方法 |
CN102592268A (zh) * | 2012-01-06 | 2012-07-18 | 清华大学深圳研究生院 | 一种分割前景图像的方法 |
Non-Patent Citations (2)
Title |
---|
利用视觉显著性的图像分割方法;张巧荣,景丽,肖会敏,刘海波;《中国图象图形学报》;20110531;第16卷(第5期);正文第4,19,30页 * |
基于图的彩色图像目标分割算法研究;朱利妍;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120715(第07期);768-769页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103208123A (zh) | 2013-07-17 |
WO2014169822A1 (zh) | 2014-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103208123B (zh) | 图像分割方法与*** | |
CN106447658B (zh) | 基于全局和局部卷积网络的显著性目标检测方法 | |
CN103310194B (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN110276264B (zh) | 一种基于前景分割图的人群密度估计方法 | |
CN110619282A (zh) | 一种无人机正射影像建筑物自动提取方法 | |
CN102609724B (zh) | 一种基于双摄像头的周围环境信息提示方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN103605953A (zh) | 基于滑窗搜索的车辆兴趣目标检测方法 | |
CN110232379A (zh) | 一种车辆姿态检测方法及*** | |
CN101329402B (zh) | 基于改进Wedgelet的多尺度SAR图像边缘检测方法 | |
CN104156731A (zh) | 基于人工神经网络的车牌识别***与方法 | |
CN107301376B (zh) | 一种基于深度学习多层刺激的行人检测方法 | |
CN104966285A (zh) | 一种显著性区域的检测方法 | |
CN104463871A (zh) | 基于车载LiDAR点云数据的街景面片提取及优化方法 | |
CN103295021A (zh) | 一种静态图片中车辆特征检测及识别的方法及*** | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN106056631A (zh) | 基于运动区域的行人检测方法 | |
CN104517095A (zh) | 一种基于深度图像的人头分割方法 | |
CN112652015A (zh) | 基于bim的路面病害标记方法和装置 | |
CN114078218B (zh) | 一种自适应融合的森林烟火识别数据增广方法 | |
CN104036229A (zh) | 基于回归的主动外观模型初始化方法 | |
CN104183029A (zh) | 一种便携式快速人群考勤方法 | |
CN104881661A (zh) | 基于结构相似度的车辆检测方法 | |
CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN111461076A (zh) | 帧差法与神经网络结合的烟雾检测方法和检测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160302 Termination date: 20170419 |
|
CF01 | Termination of patent right due to non-payment of annual fee |