一種非均一嚴重運動退化圖像的對象分割方法與流程
本發明涉及計算機視覺、圖像處理等技術領域，尤其是非均一嚴重運動退化圖像的對象分割方法。
背景技術：
目前，解決運動退化圖像對象分割的常用方法有RCC、Edges、Mcg等方法，存在的技術缺陷：精度較低，存在嚴重依賴模糊計算結果的缺點以及嚴重依賴局部窗口的邊緣溢出或者說無法貼近自然輪廓的問題。
技術實現要素：
為了克服現有的退化圖像對象分割方法的精度較低、存在嚴重依賴模糊計算結果的缺點以及嚴重依賴局部窗口的邊緣溢出或者說無法貼近自然輪廓的問題的不足，本發明提供了一種非均一嚴重運動退化圖像的對象分割方法。構建了一種超像素級的模糊鏈接度與模糊方向估計方法，同時根據超像素的形態，對超像素進行了分類，為最終的分割提供分割條件。并且在已構建的超像素節點網絡關系基礎上，提出了一種多路背景搜索的算法來選擇超像素，分割出部分模糊對象。
本發明解決其技術問題所采用的技術方案是：
一種非均一嚴重運動退化圖像的對象分割方法，所述分割方法包括如下步驟：
1)、利用mean-shift算法對退化圖像進行過分割處理，生成初始超像素s1,s2,s3…si，獲得超像素集S＝{s1,s2,s3…si}；對于同一對象，它可能被分成不同的超像素塊，但是不同對象肯定不在同一超像素內；
2)、為每個超像素建立索引，存儲超像素的相關信息，將該超像素名稱、超像素所有像素點信息、聚類中心點坐標、聚類半徑、與該超像素相鄰的所有超像素標簽、與各個相鄰超像素的邊界像素點信息錄入該超像素的表格；
3)、計算模糊鏈接度，公式如下：
此處k1為距離衰退因子，k2為梯度權重；
表示像素p1,p2的衰退度，而表示像素p1,p2的模糊鏈接度；
dr,dc分別表示當前兩個像素的x,y坐標的距離差，G表示像素的灰度值；
在已獲取的超像素邊緣上計算模糊鏈接度來代表兩個超像素sa和sb之間的模糊鏈接度
pi,pj均屬于超像素sa與sb相交邊界上的點；
n表示該邊界上點的個數i≠j,且pi,pj相鄰；
N為滿足以上關系的像素級模糊鏈接度數目。
4)、運動方向估計，采用局部自相關一致性來描述運動退化的方向，在一個以點p(x,y)為中心的局部窗口w(3x3)內，局部自相關函數計算方式如下，
上式替換為，
其中，
求取矩陣M，計算M的特征值，較小的特征值所對應的特征向量即為長軸的方向，視它為窗口中心點的運動方向，并將其按比例映射為0～180度之間的角；
然后使用非極大值抑制的方法將每個像素的方向處理成等距分布的值；
在超像素內統計各像素點的運動方向，以眾數來代表超像素整體的運動方向。
SPd＝D(Nmax) (4.5)
其中，SPd表示該超像素的運動方向，D表示取方向，Nmax表示該超像素內各向上運動方向的眾數；
計算完成后，將模糊鏈接度和運動方向，也錄入超像素對應的表格，模糊鏈接度和運動方向共同組成了超像素的復合特征；
5)、種子初始化，此種子將應用于后續的背景搜索，將所有毗鄰圖像邊界的超像素添加進Sini作為背景的種子；
6)、提取超像素的特征，運用背景搜索策略來獲取所有背景超像素，按如下步驟進行：
其中，Sc是當前作為種子的超像素，為Sc第i個相鄰的超像素；CO為超像素的運動方向，FCi(Sc)表示Sc與的模糊鏈接度；表示相交邊界上的點與 中心的平均距離；R(S)為相交邊界占總邊界S的比例；
步驟6.1：對于Sini中的每一個超像素，都將它添加進Se，然后按順序搜索它鄰近的超像素，并選出符合條件(6.1)和(6.2)的超像素，
FCi(Sc)＞t1(6.2)
將其設置為Sc并添加進超像素集Se，執行步驟6.2；
步驟6.2：對于Sc,搜索與其相鄰的超像素，如果其中一個超像素滿足條件
FCi(Sc)＞|t2*FCl| (6.3)
其中，FCl是前一次使用的FCi(Sc)，r是的半徑
將該滿足條件的超像素設置為Sc并添加進超像素集Se執行步驟6.3；
步驟6.3：遞歸步驟6.2，直到Sc的所有鄰近超像素都屬于Se或者超像素不滿足添加進入Se的條件。
完成所有步驟后，選取下一個種子繼續搜索，直到種子全部搜索完畢；
7)、對整個圖像進行求取最大連通域操作，以排除Stiny，Stiny為實際背景中符合循環終止條件而被排除在Se之外的超像素的集合，得到最終的前景超像素集Sf，Sf＝S-Se-Stiny，S為所有超像素的集和，Se為步驟6得到的背景超像素集。
本發明的技術構思為：非均一嚴重運動退化圖像的對象分割，首先通過預分割，將對象分割問題轉換成了一個對象超像素的選擇問題，并計算超像素級的復合特征，最后通過背景搜索策略，將圖像分割為前景與背景。相比于現有技術的方法，非均一嚴重運動退化圖像的對象分割方法，精度較高，避免了一般模糊圖像分割方法嚴重依賴模糊計算結果的缺點以及一般模糊參數計算嚴重依賴局部窗口的邊緣溢出或者說無法貼近自然輪廓的問題。
本發明的有益效果主要表現在：采用背景反推對象的方法，比直接在對象上選取種子更方便，且具有更高準確性；利用超像素預分割邊緣作為我們的分割輪廓，有效避免因為一般模糊參數計算嚴重依賴局部窗口而導致的邊緣溢出或者說無法貼近自然輪廓的問題；使用種子搜索的方式，也避免了一般模糊圖像分割嚴重依賴模糊計算結果的缺點。
附圖說明
圖1是超像素初始化結果示意圖。每個S代表一個超像素，圖像由i個超像素組成。
圖2是超像素間的鄰接關系示意圖。
圖3是超像素相交邊界示意圖(局部圖)，其中，像素集T1＝{pa,pb,pc...pp}屬于超像素S12，T2＝{pq,pr,ps...p1,p2...p6}屬于超像素S13。
具體實施方式
下面結合附圖對本發明作進一步描述。
參照圖1～圖3，一種非均一嚴重運動退化圖像的對象分割方法，包括如下步驟：
1)、利用mean-shift算法對退化圖像進行過分割處理，生成初始的超像素。獲得超像素集S＝{s1,s2,s3…si}，如圖1。
2)、為每個超像素建立索引，存儲超像素的相關信息。將該超像素名稱、超像素所有像素點信息、聚類中心點坐標、聚類半徑、與該超像素相鄰的所有超像素名稱、與各個相鄰超像素的邊界像素點信息錄入該超像素的表格。以圖2的S8為例，它的相鄰超像素有S5、S6、S7、S9。圖3中，像素集T1＝{pa,pb,pc...pp}是S13邊界中與S14相鄰的部分，T2＝{pq,pr,ps...p1,p2...p6}是S14邊界中與S13相鄰的部分。T1與T2共同組成像素集T3＝{pa,pb,pc...pz,p1,p2...p6}，作為超像素S13與S14的相鄰邊界，分別錄入超像素S13與S14的表格中。
3)、計算模糊鏈接度。模糊鏈接度是一種常用于醫學圖像處理的分割方法，其根據像素的值和距離反映圖像中兩個像素點的緊密度，并以此作為分割依據。
此處k1＝0.1(距離衰退銀子)，k2＝2(梯度權重)；
表示像素p1,p2的衰退度，而表示像素p1,p2的模糊鏈接度；
dr,dc分別表示當前兩個像素的x,y坐標的距離差，G表示像素的灰度值。
對于超像素，我們已經獲取了超像素兩兩間的邊界信息。在已獲取的邊緣上計算模糊鏈接度來代表兩個超像素直接的模糊鏈接度。
pi,pj均屬于超像素sa與sb相交邊界上的點；
n表示該邊界上點的個數i≠j,且pi,pj相鄰；
N為滿足以上關系的像素級模糊鏈接度數目。
如圖3所示，超像素S12與S13的邊界為像素集T3＝{pa,pb,pc...pz,p1,p2...p6}，
N為T3中相鄰像素對的數量。
4)、運動方向估計。相比于背景，前景對象盡管也會有不同程度的部分模糊。但從對象整體來看，清晰部分明顯與退化的背景有著退化度上的不一致；而退化的那部分，往往因對象自身也存在局部運動而導致運動模糊的方向與背景不一致。當我們從超像素層面來考慮的時候，會發現這個現象極其明顯，同一個超像素內部的各像素點有著幾乎一致的運動方向。
我們采用局部自相關一致性來描述運動退化的方向。在一個以點p(x,y)為中心的局部窗口w(3x3)內，其局部自相關函數計算方式如下，
上式可替換為，
其中，
求取矩陣M，計算M的特征值，較小的特征值所對應的特征向量即為長軸的方向，我們視它為窗口中心點的運動方向，并將其按比例映射為0～180度之間的角。
然后使用非極大值抑制的方法將每個像素的方向處理成等距分布的值{0,22.5,45,67.5,90,112.5,135,157.5}。
在超像素內統計各像素點的運動方向，以眾數來代表超像素整體的運動方向。
SPd＝D(Nmax) (4.4)
其中，SPd表示該超像素的運動方向，D表示取方向，Nmax表示該超像素內各向上運動方向的眾數；
計算完成后，將模糊鏈接度和運動方向，也錄入超像素對應的表格。模糊鏈接度和運動方向共同組成了超像素的復合特征。
5)、種子初始化，此種子將應用于后續的背景搜索。將毗鄰圖像邊界的超像素添加進Sini,作為背景的種子。如圖1中，Sini＝{S1，S3，S4...Si}。
6)、提取超像素的特征，運用背景搜索策略來獲取所有背景超像素。
結合圖2，對背景搜索的步驟作進一步解釋。
其中，Sc是當前作為種子的超像素，為Sc第i個相鄰的超像素；CO為超像素的運動方向，FCi(Sc)表示Sc與的模糊鏈接度；表示相交邊界上的點與 中心的平均距離；R(S)為相交邊界占總邊界S的比例。
從超像素集Sini中按順序選取種子，假設第一次選出的種子為S5。
步驟6.1：將S5添加進Se，然后按順序搜索它鄰近的超像素{S6，S7，S8}，并選出符合條件(6.1)和(6.2)的超像素，
FCi(S5)＞t1
假設此步驟找到的符合條件的超像素為S8，將S8設置為Sc并將S8添加進超像素集Se，執行步驟6.2。
步驟6.2：對于Sc(當前為S8),搜索與其相鄰的超像素{S6，S7，S9，S12}(S5也是相鄰超像素，但已經添加進Se)，如果其中一個超像素滿足條件
FCi(S8)＞|t2*FCl|
其中，FCl是前一次使用的FCi(Sc)，即FCi(S5)，r是的半徑。
假設超像素S9滿足條件，將其設置為Sc并將S9添加進超像素集Se，然后執行步驟6.3。
步驟6.3：遞歸步驟6.2，直到Sc的所有鄰近超像素都屬于Se或者超像素不滿足添加進入Se的條件。
完成所有步驟后，選取下一個種子繼續搜索，直到種子全部搜索完畢。
7)、得出最終的前景超像素集Sf。經過上述步驟得到的Se還并不是我們最終想要的背景超像素集Sb，在背景中仍存在一些細小的超像素或者超像素集Stiny剛好符合終止條件，因此被排除Se之外。我們對整個圖像進行求取最大連通域操作，以排除Stiny。而最終的我們想要的Sf＝S-Se-Stiny，S為所有超像素的集和，Se為步驟6)得到的背景超像素集。
本實施例中，使用均值漂移算法為退化圖像創建超像素，計算超像素的復合特征，接著使用一種多路背景搜索的算法，結合超像素復合特征，讓作為種子的超像素逐漸擴張，獲得背景超像素集，最后從圖像中分割出部分模糊的對象。本發明采用背景反推對象的方法，比直接在對象上選取種子的方式更方便，準確性更高，且能有效避免因為一般模糊參數計算無法貼近自然輪廓的問題。使用種子搜索的方式，克服了一般模糊圖像分割嚴重依賴模糊計算結果的缺點。
- 還沒有人留言評論。精彩留言會獲得點贊！