基於顯著性檢測和聯合分割演算法的背景圖像分割方法

申請人：中國農業科學院農業信息研究所

發明人：張建華李凱孔繁濤馮全吳建寨韓書慶

背景技術

本發明涉及圖像處理技術領域，更具體地，涉及一種基於顯著性檢測和聯合分割演算法的背景圖像分割方法。

病害圖像識別包括圖像預處理、圖像分割、特徵提取與模式識別。其中，圖像分割是關鍵步驟之一，分割精度直接影響特徵提取的可靠性和模式識別的準確性。經典的分割方法有閾值法、邊緣檢測、基於統計模式識別的分割方法、基於人工神經網路的分割方法等。

現有技術中每種分割方法都適用於各自特定的情況。如閡值分割計算簡單、運算效率較高、速度快，只考慮灰度值，不考慮空間特徵，對雜訊敏感;1}7值確定後，將I值與像素點的灰度值逐個進行比較，而且像素分割可對各像素並行進行，分割的結果直接給出圖像區域:然而，閾值分割只適用於前背景對比度強的圖像，由於在實際情況下，物體背景和前景的對比度在圖像當中各處都不相同，因此很難有一個確定的閡值。邊緣檢測圖像灰度級或者結構突變的地方進行檢測，從而確定邊緣分布，常用Roberts運算元、Prewitt運算元和Sobel運算元等一階微分運算元和Laplace運算元和Kirsh運算元等二階微分運算元進行邊緣檢測，但通常只適用於小雜訊特徵簡單的圖像。因此，經典的分割方法也具有一定的局限性與不足。

自然條件下，複雜背景、天氣光照都會對圖像的成像質量造成較大的影響，容易使圖像前景和背景對比度不強，不同圖像之間變化很大，導致使用傳統方法分割效果不佳、適應性不高目前，並不存在一種通用的分割方法，能夠適用於所有特徵、所有情況下的圖像。

基於圖割的分割方法是近年來出現的一種新的解決分割問題的方法，在處理分割問題具有普適性，分割效果較好。但是在圖像前景和背景對比度不高的情況下，分割結果容易出現粘連，影響分割精度。一些學者建議從具有共同目標或共同前景的多張圖像中檢測到強特徵，有助於區分前景和背景，這類方法稱為聯合分割法。聯合分割一般先對圖像用馬爾可夫隨機場建模，構造能量方程，然後用圖割方法對其進行優化求解，以實現對分割的分割處理。

發明內容

本發明提供一種克服上述問題或者至少部分地解決上述問題的基於顯著性檢測和聯合分割演算法的背景圖像分割方法，能夠很好地解決普通分割法在分割過程中所出現的分割粘連的問題，以達到精準分割的目的;採用無監督的顯著性檢測演算法，又使本方法能實現分割過程的自動化。

圖1本發明實施例的方法流程框圖

圖2本發明實施例中方法用於棉花背景圖像分割流程示意圖

圖3本發明實施例中棉花原始圖像中每張圖像生成的共同顯著性圖

圖4本發明實施例中棉花原始圖像分割結果示意圖

根據本發明的一個方面，提供一種背景圖像分割方法，包括以下步驟:

S 1、對原始圖像進行處理，得到單張圖像顯著性圖和多張圖像聯合顯著性圖:

S2、將多張圖像聯合顯著性圖中的顯著性特徵作為各個單張圖像的共同顯著性，對前景與背景進行區分;

S3、對背景圖像進行分割。

作為優選的，所述步驟S1具體包括:通過非監督的共同顯著性演算法對圖像進行處理，得到每張圖像的單張圖像顯著性圖和多張圖像聯合顯著性圖。

作為優選的，所述步驟S2包括:

S21、為一組具有共同顯著性的圖像分配最優標記，利用馬爾可夫隨機場為標記後的圖像建立一個聯合分割的能量方程:

S22、通過建立的能量方程，將單張圖像顯著性圖中具有共同顯著性的局部特徵像素標記為前景，其餘像素標記為背景。

作為優選的，所述步驟S21具體包括:通過混合高斯模型對多張圖像聯合顯著性圖與單張圖像顯著性圖的差異進行建模，並將其作為馬爾可夫隨機場模型的全局約束來構造聯合分割的能量方程。

作為優選的，在步驟S21中，對於圖像I1,…Ii，…，IN}，所述聯合分割的能量方程為:

式中，EA (S)為單張圖像內部能量項，Ei(S)為圖像間全局能量項;

為圖像Ii中的共同顯著性能量項，為圖像Ii中的平滑度能量項，η是共同顯著性能量項的權重;P(·)表示高斯概率分布，是圖像工沖像素k或j的特徵，是圖像Ii中第k像素，和表示圖像Ii前景和背景的混合高斯模型參數，表示由所有圖像的前景組成共同目標的混合高斯模型參數。

作為優選的，所述步驟S22具體包括:通過能量方程，將圖像中具有共同顯著性的局部特徵像素用內部能量項標記為前景，標記過程中，由內部能量項中的數據項，使用非監督的顯著性檢測演算法提取出該組圖像中每張葉片的顯著性圖，內部能量項中的平滑項則鼓勵圖像上具有相似特徵值的局部區域分配得到一致性標識，與此同時，由全局能量項衡量每幅圖像的前景與共同目標的差異，迫使所有圖像的前景與該組圖像的共同目標相一致。

作為優選的，所述步驟S22中，在分配前景與背景標識時，鼓勵圖像上具有相似特徵值的局部區域分配一致性標識，所述平滑能量項為：

式中，[f]為指示函數，對於正確或錯誤的預測f，其取值為1或者為，

是圖像Ii中像素k或.J的特徵，N是圖像中的令區域，β是尺度係數，可通過得至，表示圖像Ii的期望值，當圖像Ii中相鄰像素在馬爾可夫隨機場模型中被貼上不同標籤時，將對這種不連續做出懲罰。

作為優選的，所述步驟S3中，通過標準圖割演算法和迭代使得能量函數最小化，實現對整組圖像的分割。

作為優選的，所述步驟S3具體包括:

S31、對圖像的顏色數據集建模，使得圖像在RGB顏色空間中由像素構成;

S32、在圖割中執行迭代，以迭代能量最小化的方式，對背景圖像進行分割。

與現有技術相比，本發明的有益效果在於:本發明首先用非監督的共同顯著性檢測演算法為一組圖像中每張圖像生成共同顯著性圖，這些顯著性圖被用來構造馬爾科夫隨機場中的內部圖像能量函數。採用混合高斯模型對該組圖像全部顯著性圖的共同目標與單張圖像中葉片的差異進行建模，將其作為馬爾可夫隨機場最優化模型的一個新的全局約束去構造全局能量項;最後通過標準圖割演算法和迭代使得能量函數最小化，以實現對棉花苗葉片圖像的分割。可以一次性將多張圖像中的共同前景分割出來，能夠很好地解決普通分割法在分割過程中所出現的分割粘連的問題，以達到精準分割的目的;而採用無監督的顯著性檢測演算法，又使本方法能實現分割過程的自動化。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！