CN108428240B - 一种对输入信息自适应的显著物体分割方法 - Google Patents
一种对输入信息自适应的显著物体分割方法 Download PDFInfo
- Publication number
- CN108428240B CN108428240B CN201810191703.5A CN201810191703A CN108428240B CN 108428240 B CN108428240 B CN 108428240B CN 201810191703 A CN201810191703 A CN 201810191703A CN 108428240 B CN108428240 B CN 108428240B
- Authority
- CN
- China
- Prior art keywords
- input information
- segmentation
- information
- seeds
- pixel
- 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.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 title claims description 18
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 238000005530 etching Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005956 quaternization reaction Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
Images
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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
一种对输入信息自适应的显著物体分割方法,首先采用自适应三阈值算法,从显著性图中生成分割种子,然后扩展GrabCut算法,从而能够根据不同的输入信息自适应地初始化算法,并通过自适应GrabCut算法的到显著物体的粗标注图,最后采用自适应初始化分割,优化显著物体轮廓,得到分割结果。本发明采用一个统一框架来处理不同的输入信息,并根据输入信息的变化动态调整方法的模块步骤,从而综合利用了不同输入信息中的物体特征,提高了显著物体分割的准确性和完整性。
Description
技术领域
本发明属于计算机技术领域,涉及针对多种输入信息的显著物体分割方法,具体为一种对输入信息自适应的显著物体分割方法。
背景技术
物体分割的目标是在图像或视频中,以像素级别的粒度将物体从背景中区分开来。这项技术作为计算机视觉领域的其他应用的基础,可以广泛应用于物体识别、物体检测、图像检索、动作识别和图像标注中。
传统的图像分割技术可以大致分为三类:基于学习的分割、交互式分割和自动化分割。基于学习的分割依赖于人工标注的训练数据,训练成本高,且分割结果容易受训练数据的分布影响;交互式分割需要有经验的人工标注提供分割线索,精确性较好,但是受人工标注限制效率低下;自动化分割不需要手工标注的辅助,能够处理大量的图片数据,但是对于复杂图像的分割效果不理想。
作为自动化分割的一个分支,显著物体分割的目标是以给出的显著性图作为主要输入,自动化地分割出显著物体。根据对显著性图的利用方式,现有的显著物体分割方法可以大致分为两类:一类只依据显著性图的显著值或明度等特征,划分生成分割结果;另一类首先对显著性图进行显著性分析,以显著性较高的部分作为种子,结合其他输入信息,例如颜色信息和深度信息,作为现有的交互式分割算法的输入,再进行分割。
随着输入信息的增加,更多的显著物体特征能够被利用。然而现有的各种显著物体分割方法只能对应利用固定的输入信息,而不能随着输入信息的增加或变化而动态优化分割策略。因此,本发明提出了一种新的方法,综合利用多种输入信息,包括显著性图、颜色信息和深度信息,可以根据输入信息的变化,动态地优化分割效果。
发明内容
本发明要解决的问题是:现有的基于显著性物体分割方法不能依据不同的输入信息动态调整,当输入信息变化时,无法自适应地调整合适的分割策略。
本发明的技术方案为:一种对输入信息自适应的显著物体分割方法,通过一个统一框架来充分结合不同输入信息,输入信息包括三类:仅有显著性图,同时有显著性图和颜色信息,同时有显著性图、颜色信息和深度信息;根据输入信息的种类,动态调整分割方法的步骤细节,包括以下步骤:
1)显著性图的显著性区间为[0,255],采用自适应三阈值算法从输入的显著性图中获得三个阈值{α1,α2,α3},从而将显著性区间分为四个分区间:确定背景区间Tcb=[0,α1],可能背景区间Tpb=[α1+1,α2],可能前景区间Tpf=[α2+1,α3]和确定前景区间Tcf=[α3+1,255],并将满足区间条件的显著性图的像素标注为对应的四类分割种子,分别为:确定背景可能背景可能前景和确定前景分割种子以和显著性图同样尺寸的二值化图表示;
2)利用自适应GrabCut算法,根据分割种子和原始输入信息,生成显著物体的粗标注图:
2.1)定义自适应GrabCut算法的能量方程E′为:
E′=ηsE(Θ,Gs,Λ,Ps)+λcE(Θ,Gc,Λ,Pc)+λdE(Θ,Gd,Λ,Pd)
其中,上标s、c、d分别表示显著性图、颜色信息和深度信息,E是对应输入信息的能量方程,Θ是和显著性图同样尺寸的四值化图,初始化为 G是对应输入信息的高斯混合模型参数集,Λ是显著性图的前景和背景的灰度梯度图,P是对应输入信息的像素值集,λs、λc和λd分辨是自适应输入信息的参数;Θ是包含四类种子的四值图,初始化为
2.2)定义对应输入信息的能量方程E为:
E(Θ,G,Λ,P)=U(Θ,Λ,P)+S(Θ,P)
其中,U是原始GrabCut算法定义的数据模型,作用是评估在梯度Λ下,Θ对于P的适合度,S是平滑方程;
2.3)定义平滑方程S为:
其中,N表示相邻像素对的集合,(ni,nj)即为相邻像素对,θi,θj是像素ni,nj在对应四值图Θ中的值,pi,pj是像素ni,nj在对应输入信息中的值,e是自然指数,β=(2<(pi-pj)2>)-1,<·>表示对应输入信息的期望值,D()是pi,pj的距离方程;
3)根据粗标注图,优化显著物体的轮廓,获得分割结果:
作为优选方式,步骤2.1)中,当输入信息为仅有显著性图时,{λs,λc,λd}={1,0,0};当输入信息为同时有显著性图和颜色信息时,{λs,λc,λd}={1/2,1/2,0};当输入信息为同时有显著性图、颜色信息和深度信息时,{λs,λc,λd}={1/3,1/3,1/3}。
步骤2.3)中,当输入信息是显著性图s时,pi,pj表示像素ni,nj的显著值,记为取值是[0,255]区间的整数;当输入信息是颜色信息c时,pj,pj表示像素ni,nj的颜色值,记为取值是三维数组,每个元素都是[0,255]区间的整数;当输入信息是深度信息d时,pi,pj表示像素ni,nj的深度值,记为取值是[0,255]区间的整数。
本发明与现有技术相比有如下优点:采用一个分为3个步骤的统一框架来处理不同的输入信息,并根据输入信息的变化动态调整方法的步骤2),从而综合利用了不同输入信息中的物体特征,提高了显著物体分割的准确性和完整性。图2展示了根据不同的输入信息,本发明所生成的分割结果示例,图中的列对应不同的显著性图,六行分别为:(a)显著性图,(b)颜色信息,(c)深度信息,(d)仅采用显著性图作为输入信息的分割结果,(e)同时采用显著性图和颜色信息作为输入信息的分割结果,(f)同时采用显著性图、颜色信息和深度信息作为输入信息的分割结果。可见本发明方法在不同的输入信息下都可以实现显著物体分割,同时随着输入信息的增加,本发明方法可以自动改进显著物体分割结果。
附图说明
图1为本发明的实施流程。
图2为本发明的分割结果示例。
具体实施方式
本发明解决现有技术的缺陷,提出一种对输入信息自适应的显著物体分割方法,能够随着输入信息的增加,综合利用所有的输入信息,自动提高分割效果。如图1所示,本发明包括以下步骤:
1)显著性图的显著性区间为[0,255],采用自适应三阈值算法从输入的显著性图中获得三个阈值{α1,α2,α3},从而将显著性区间分为四个分区间:确定背景区间Tcb=[0,α1],可能背景区间Tpb=[α1+1,α2],可能前景区间Tpf=[α2+1,α3]和确定前景区间Tcf=[α3+1,255],并将满足区间条件的显著性图的像素标注为对应的四类分割种子,分别为:确定背景可能背景可能前景和确定前景分割种子以和显著性图同样尺寸的二值化图表示;
自适应三阈值算法参见参考文献[1]。
2)利用自适应GrabCut算法,根据分割种子和原始输入信息,生成显著物体的粗标注图:
2.1)定义自适应GrabCut算法的能量方程E′为:
E′=λsE(Θ,Gs,Λ,Ps)+λcE(Θ,Gc,Λ,Pc)+λdE(Θ,Gd,Λ,Pd)
其中,上标s、c、d分别表示显著性图、颜色信息和深度信息,E是对应输入信息的能量方程,Θ是包含四类种子的四值化图,即和显著性图同样尺寸的四值化图,初始化为G是对应输入信息的高斯混合模型参数集,Λ是显著性图的前景和背景的灰度梯度图,P是对应输入信息的像素值集,λs、λc和λd分辨是自适应输入信息的参数;当输入信息为仅有显著性图时,{λs,λc,λd}={1,0,0};当输入信息为同时有显著性图和颜色信息时,{λs,λc,λd}={1/2,1/2,0};当输入信息为同时有显著性图、颜色信息和深度信息时,{λs,λc,λd}={1/3,1/3,1/3}。
2.2)定义对应输入信息的能量方程E为:
E(Θ,G,Λ,P)=U(Θ,Λ,P)+S(Θ,P)
其中,U是原始GrabCut算法定义的数据模型,作用是评估在梯度Λ下,Θ对于P的适合度,S是平滑方程;
2.3)定义平滑方程S为:
其中,N表示相邻像素对的集合,(ni,nj)即为相邻像素对,θi,θj是像素ni,nj在对应四值图Θ中的值,pi,pj是像素ni,nj在对应输入信息中的像素值,e是自然指数,β=(2<(pi-pj)2>)-1,<·>表示对应输入信息的期望值,D()是对应输入信息的像素值pi,pj的距离方程;
当输入信息是显著性图s时,像素值pi,pj表示像素ni,nj的显著值取值是[0,255]区间的整数;当输入信息是颜色信息c时,像素值pi,pj表示像素ni,nj的颜色值取值是三维数组,每个元素都是[0,255]区间的整数;当输入信息是深度信息d时,像素值pi,pj表示像素ni,nj的深度值取值是[0,255]区间的整数;
GrabCut算法参见参考文献[2]。
3)根据粗标注图,优化显著物体的轮廓,获得分割结果:
本发明提供了一种对输入信息自适应的显著物体分割方法,能够随着输入信息的增加,综合利用所有的输入信息,自动提高分割效果。
参考文献:
[1].Shuzhen Li,Ran Ju,Tongwei Ren,and Gangshan Wu.Saliency cuts basedon adaptive triple thresholding.IEEE International Conference on ImageProcessing,4609-4613,2015.
[2].Carsten Rother,Vladimir Kolmogorov,and Andrew Blake.Grabcut:Interactive foreground extraction using iterated graph cuts.ACM Transactionson Graphics,23(3):309-314,2004.
Claims (4)
1.一种对输入信息自适应的显著物体分割方法,其特征是通过一个统一框架来充分结合不同输入信息,输入信息包括三类:仅有显著性图,同时有显著性图和颜色信息,同时有显著性图、颜色信息和深度信息;根据输入信息的种类,动态调整分割方法的步骤细节,包括以下步骤:
1)显著性图的显著性区间为[0,255],采用自适应三阈值算法从输入的显著性图中获得三个阈值{α1,α2,α3},从而将显著性区间分为四个分区间:确定背景区间Tcb=[0,α1],可能背景区间Tpb=[α1+1,α2],可能前景区间Tpf=[α2+1,α3]和确定前景区间Tcf=[α3+1,255],并将满足区间条件的显著性图的像素标注为对应的四类分割种子,分别为:确定背景可能背景可能前景和确定前景分割种子以和显著性图同样尺寸的二值化图表示;
2)利用自适应GrabCut算法,根据分割种子和原始输入信息,生成显著物体的粗标注图:
2.1)定义自适应GrabCut算法的能量方程E′为:
E′=λsE(Θ,Gs,Λ,Ps)+λcE(Θ,Gc,Λ,Pc)+λdE(Θ,Gd,Λ,Pd)
其中,上标s、c、d分别表示显著性图、颜色信息和深度信息,E是对应输入信息的能量方程,Θ是和显著性图同样尺寸的四值化图,初始化为 G是对应输入信息的高斯混合模型参数集,Λ是显著性图的前景和背景的灰度梯度图,P是对应输入信息的像素值集,λs、λc和λd分别是自适应输入信息的参数;
2.2)定义对应输入信息的能量方程E为:
E(Θ,G ,Λ,P)=U(Θ,Λ,P)+S(Θ,P)
其中,U是原始GrabCut算法定义的数据模型,作用是评估在梯度Λ下,Θ对于P的适合度,S是平滑方程;
2.3)定义平滑方程S为:
其中,N表示相邻像素对的集合,(ni,nj)为相邻像素对,θi,θj是像素ni,nj在对应四值化图Θ中的值,pi,pj是像素ni,nj在对应输入信息中的值,e是自然指数,β=(2<(pi-pj)2>)-1,<·>表示对应输入信息的期望值,D()是pi,pj的距离方程;
3)根据粗标注图,优化显著物体的轮廓,获得分割结果:
2.根据权利要求1所述的一种对输入信息自适应的显著物体分割方法,其特征是步骤2.1)中,当输入信息为仅有显著性图时,{λs,λc,λd}={1,0,0};当输入信息为同时有显著性图和颜色信息时,{λs,λc,λd}={1/2,1/2,0};当输入信息为同时有显著性图、颜色信息和深度信息时,{λs,λc,λd}={1/3,1/3,1/3}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810191703.5A CN108428240B (zh) | 2018-03-08 | 2018-03-08 | 一种对输入信息自适应的显著物体分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810191703.5A CN108428240B (zh) | 2018-03-08 | 2018-03-08 | 一种对输入信息自适应的显著物体分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108428240A CN108428240A (zh) | 2018-08-21 |
CN108428240B true CN108428240B (zh) | 2022-03-25 |
Family
ID=63157668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810191703.5A Active CN108428240B (zh) | 2018-03-08 | 2018-03-08 | 一种对输入信息自适应的显著物体分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108428240B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727258B (zh) * | 2019-01-07 | 2020-10-27 | 南京大学 | 基于区域灰度异质能量的图像分割方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130336582A1 (en) * | 2012-06-14 | 2013-12-19 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
CN104504692A (zh) * | 2014-12-17 | 2015-04-08 | 上海大学 | 基于区域对比度的图像中显著对象的提取方法 |
CN106373162A (zh) * | 2015-07-22 | 2017-02-01 | 南京大学 | 一种基于显著性融合与传播的显著物体检测方法 |
CN106558050A (zh) * | 2015-09-24 | 2017-04-05 | 南京大学 | 一种基于自适应三阈值的显著物体分割方法 |
CN107123150A (zh) * | 2017-03-25 | 2017-09-01 | 复旦大学 | 全局颜色对比度检测和分割显著图的方法 |
-
2018
- 2018-03-08 CN CN201810191703.5A patent/CN108428240B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130336582A1 (en) * | 2012-06-14 | 2013-12-19 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
CN104504692A (zh) * | 2014-12-17 | 2015-04-08 | 上海大学 | 基于区域对比度的图像中显著对象的提取方法 |
CN106373162A (zh) * | 2015-07-22 | 2017-02-01 | 南京大学 | 一种基于显著性融合与传播的显著物体检测方法 |
CN106558050A (zh) * | 2015-09-24 | 2017-04-05 | 南京大学 | 一种基于自适应三阈值的显著物体分割方法 |
CN107123150A (zh) * | 2017-03-25 | 2017-09-01 | 复旦大学 | 全局颜色对比度检测和分割显著图的方法 |
Non-Patent Citations (2)
Title |
---|
Saliency cuts based on adaptive triple thresholding;Shuzhen Li等;《Institute of Electrical and Electronics Engineers》;20151210;第4609-4613页 * |
融合显著物体检测的图像显示适配;李姝蓁等;《中国图象图形学报》;20160316;第21卷(第3期);第373-381页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108428240A (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
CN102388391B (zh) | 基于前景-背景约束传播的视频抠图 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN109086777B (zh) | 一种基于全局像素特征的显著图精细化方法 | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN109559328B (zh) | 一种基于贝叶斯估计与水平集的快速图像分割方法及装置 | |
CN109801295B (zh) | 基于二次限制区域生长法的图像分割方法 | |
Feng et al. | URNet: A U-Net based residual network for image dehazing | |
CN114492619A (zh) | 一种基于统计和凹凸性的点云数据集构建方法及装置 | |
Alenezi | Image Dehazing Based on Pixel Guided CNN with PAM via Graph Cut. | |
CN108428240B (zh) | 一种对输入信息自适应的显著物体分割方法 | |
CN104504715A (zh) | 基于局部四元数矩特征的图像分割方法 | |
CN108664968B (zh) | 一种基于文本选取模型的无监督文本定位方法 | |
Henry et al. | Automatic trimap generation and artifact reduction in alpha matte using unknown region detection | |
Zhou et al. | Depth-guided saliency detection via boundary information | |
CN107610133B (zh) | 一种多目标服装图像协同分割方法 | |
CN106558050A (zh) | 一种基于自适应三阈值的显著物体分割方法 | |
Masaoka et al. | Edge-enhanced GAN with vanishing points for image inpainting | |
Basavaprasad et al. | Improved grabcut technique for segmentation of color image | |
CN113313108A (zh) | 一种基于超大感受野特征优化的显著性目标检测方法 | |
Kang et al. | Automatic image segmentation using saliency detection and superpixel graph cuts | |
Yan et al. | Re-texturing by intrinsic video | |
CN117409250B (zh) | 小样本目标检测方法、装置及介质 | |
CN104408712A (zh) | 基于信息融合的隐马尔可夫显著区域检测方法 | |
Hati et al. | Salient object carving |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |