本發(fā)明涉及一種快速Grabcut算法，屬于圖像處理
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：圖像分割是當今一個比較熱門的研究課題，有著廣闊的應(yīng)用前景。它廣泛應(yīng)用于醫(yī)學、交通、軍事等領(lǐng)域，研究它可以為我們進一步理解、分析圖像相關(guān)信息提供非常重要的幫助。圖像分割實質(zhì)上即是對目標區(qū)域的分離，也是對目標特征的提取。通過對這些分離和提取的數(shù)據(jù)進行處理，使得更高層次的理解與分析成為可能。這同時也使得圖像分割成為圖像處理到圖像分析的重要部分。圖像分割結(jié)果的準確性將直接影響到后期數(shù)據(jù)分析與內(nèi)容理解的效果。圖像分割本身是一門十分復雜和棘手的技術(shù)，由于現(xiàn)有圖像分割算法的一些不足也促進研究者們不斷創(chuàng)新和改進，使圖像分割技術(shù)不斷完善，以便使其在實際應(yīng)用中發(fā)揮更好的作用。GrabCut是一種人工交互式彩色圖像分割方法，是基于圖論的圖像分割方法。其基本原理是源自graphcuts算法。Graphcuts是將圖割的理論引入圖像分割中，使圖像的最佳分割問題轉(zhuǎn)化為能量函數(shù)最小化的問題，并采用最小割算法使能量最小化，并結(jié)合像素標記來完成分割的N維圖像分割方法，由Boykov等人于2001年提出。在GraphCuts給出的實現(xiàn)中，求解能量函數(shù)所用網(wǎng)絡(luò)圖是通過灰度直方圖模型來構(gòu)建的。Blake等將高斯混合模型(GMM)引入來代替灰度直方圖，為彩色圖像的前景和背景建模，將該方法應(yīng)用于彩色圖像進行分割的問題中。隨后Rother和Blake等通過研究高斯混合模型的隨機場理論，提出了GrabCut方法。該方法以引入了高斯混合模型的Graphcuts為原型，使用人工交互來選取圖像中的感興趣目標，同時使用迭代的方式來最小化能量函數(shù)，使分割結(jié)果更加精確。GrabCut算法與其他圖像分割算法相比，交互方式簡單且分割效果好，在圖像分割、圖像識別等領(lǐng)域被廣泛運用。但是該算法對于前景和背景具有很高相似度的圖片分割效果不理想，同時由于GMM模型的迭代求解過程復雜，使得算法時間花銷大。特別在處理高分辨率圖像時，處理需要花銷大量時間。技術(shù)實現(xiàn)要素：為解決現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于蒙版插值的快速Grabcut算法，解決對高分辨率圖像利用常規(guī)Grabcut算法進行圖像分割時計算量大的問題。為了實現(xiàn)上述目標，本發(fā)明采用如下的技術(shù)方案：一種基于蒙版插值的快速Grabcut算法，其特征是，包括如下步驟：1)輸入原始圖像M，對其進行壓縮處理得到圖像M1，本步驟中所經(jīng)歷的壓縮次數(shù)記為N；2)對壓縮后的圖像M1進行處理，獲得與壓縮圖像M1尺寸相對應(yīng)的Grabcut算法處理產(chǎn)生的蒙版矩陣Mask1；同時，初始化計數(shù)變量n＝1；3)對蒙版矩陣Mask1進行擴展處理：將蒙版矩陣Mask1通過與擴展矩陣作Kronecker積，將蒙版矩陣Mask1尺寸擴展到原來的2倍得到蒙版矩陣其中表示矩陣的Kronecker積；4)對蒙版矩陣Mask2的元素進行數(shù)值修正：建立與Mask2相同尺寸的空矩陣Mask3，將Mask3中每個元素的數(shù)值修正為Mask2矩陣中相對應(yīng)元素周邊相鄰的所有元素數(shù)值的算術(shù)平均值，完成一次擴展插值，更新n＝n+1；5)如若n＜M，將Mask3的值賦給Mask1，重新進入步驟3)；如若n≥N，此時Mask3的長寬尺寸已經(jīng)與原圖像一致，則進行下一步；6)對Mask3進行二值化處理得到Mask，并利用Mask對原圖像進行分割。進一步地，所述步驟1)的具體內(nèi)容為：1.1)輸入原始圖像M，并建立原始圖像的副本圖像M′，獲得其像素寬度為W，高度為H，其總像素數(shù)為W×H；1.2)初始化壓縮次數(shù)N＝0；1.3)判斷圖像M′的總像素數(shù)是否大于像素數(shù)門限G：若W×H＞G，則將圖像M′的長、寬分別壓縮為W/2和H/2，更新圖像M′，壓縮次數(shù)計數(shù)變量N＝N+1，重復本步驟直到W×H≤G，將最終得到的圖像記為M1。進一步地，所述步驟6)具體內(nèi)容為：依據(jù)經(jīng)驗值設(shè)定一個門限值Vg，將Mask3中值大于或等于門限值Vg的元素值更換為1，將Mask3中值小于門限值Vg的元素值更換為0，得到蒙版矩陣Mask，利用蒙版矩陣Mask對原圖像進行圖像分割。本發(fā)明所達到的有益效果：本發(fā)明給出的方法與現(xiàn)有的Grabcut方法相比，對于高分辨率的圖像，本方法計算效率更高，且隨著圖像像素數(shù)的增加，改進算法的執(zhí)行效率優(yōu)勢越大，同時獲得與Grabcut算法相近的圖像分割效果。附圖說明圖1是本發(fā)明的算法流程圖；圖2(a)(b)(c)(d)分別是本發(fā)明的一個實施例中蒙版矩陣Mask1、Mask2、Mask3、Mask的示例圖；圖3(a)(b)分別是本發(fā)明和常規(guī)Grabcut算法對圖像分割的效果比較圖。具體實施方式下面結(jié)合附圖對本發(fā)明作進一步描述。以下實施例僅用于更加清楚地說明本發(fā)明的技術(shù)方案，而不能以此來限制本發(fā)明的保護范圍。本發(fā)明的算法如圖1所示，具體步驟為：步驟1)輸入大尺寸原始圖像M，對其進行壓縮處理得到圖像M1，本步驟中所經(jīng)歷的壓縮次數(shù)記為N，具體過程如下：1.1)輸入原始圖像M，并建立原始圖像的副本圖像M′，獲得其像素寬度為W，高度為H，其總像素數(shù)為W×H；1.2)初始化壓縮次數(shù)N＝0；1.3)判斷圖像M′的總像素數(shù)是否大于像素數(shù)門限G(門限G根據(jù)經(jīng)驗值設(shè)定)：若W×H＞G，則將圖像M′的長、寬分別壓縮為W/2和H/2，更新圖像M′，壓縮次數(shù)計數(shù)變量N＝N+1，重復本步驟直到W×H≤G，將最終得到的圖像記為M1。步驟2)對壓縮后的圖像M1進行處理，獲得與壓縮圖像M1尺寸相對應(yīng)的Grabcut算法處理產(chǎn)生的蒙版矩陣Mask1；同時，初始化計數(shù)變量n＝1。步驟3)對蒙版矩陣Mask1進行擴展處理：將蒙版矩陣Mask1通過與擴展矩陣作Kronecker積，將蒙版矩陣Mask1尺寸擴展到原來的2倍得到蒙版矩陣其中表示矩陣的Kronecker積。步驟4)對蒙版矩陣Mask2的元素進行數(shù)值修正：建立與Mask2相同尺寸的空矩陣Mask3，將Mask3中每個元素的數(shù)值修正為Mask2矩陣中相對應(yīng)元素周邊相鄰的所有元素數(shù)值的算術(shù)平均值，完成一次擴展插值，更新n＝n+1。步驟5)如若n＜N，將Mask3的值賦給Mask1，重新進入步驟3)；如若n≥N，此時Mask3的長寬尺寸已經(jīng)與原圖像一致，則進行下一步；步驟6)對Mask3進行二值化處理得到Mask，并利用Mask對原圖像進行分割：依據(jù)經(jīng)驗值設(shè)定一個門限值Vg，將Mask3中值大于或等于門限值Vg的元素值更換為1，將Mask3中值小于門限值Vg的元素值更換為0，得到蒙版矩陣Mask，利用蒙版矩陣Mask對原圖像進行圖像分割。下面結(jié)合實施例來進行說明：如圖2，以一個4×4的蒙版矩陣為例，進行一次擴展插值，其處理方法如下：將矩陣4×4矩陣Mask1如圖2(a)與擴展矩陣H(2×2維的全1矩陣)作Kronecker積，將矩陣Mask1尺寸擴展到原來的2倍獲得8×8的矩陣Mask2，如圖2(b)。將擴展后的8×8的矩陣Mask2的元素進行數(shù)值修正，建立與Mask2相同尺寸的空矩陣，將空矩陣中每個元素的數(shù)值修正為8×8矩陣中相對應(yīng)元素周邊相鄰的所有元素數(shù)值的算術(shù)平均值獲得Mask3，如圖2(c)。最后，對插值后的Mask3矩陣做閾值判斷成0，1矩陣，門限值Vg定為0.45，獲得蒙版矩陣Mask，如圖2(d)。如圖3，選用“Lena”圖像進行對比，利用本發(fā)明的算法與常規(guī)Grabcut算法同時對同一尺寸800×800的圖像進行圖像分割處理。圖3(a)為本算法對lena圖像的分割結(jié)果圖，圖3(b)為常規(guī)Grabcut算法對“Lena”圖像的分割結(jié)果圖。本算法所設(shè)圖像總像素門限值G＝30000，對蒙版矩陣所設(shè)門限值Vg＝0.45。選取圖中方框區(qū)進行放大，可以看出對于相同分辨率的圖像，基于蒙版插值的快速Grabcut算法與常規(guī)Grabcut算法對圖像分割處理結(jié)果相近。本發(fā)明的執(zhí)行效率通過以下實驗進一步說明：1、實驗條件和內(nèi)容：實驗仿真環(huán)境為：VisualStudio2013+opencv3.0，CPUintelCOREi5，內(nèi)存4.0G，64位操作系統(tǒng)，Window7Professional。實驗內(nèi)容包括：使用尺寸大小為400×400，600×600，800×800，1000×1000，1200×1200的圖像，該實驗是分別利用基于蒙版插值的快速Grabcut算法與常規(guī)Grabcut算法同時對不同尺寸的圖像進行圖像分割處理?；诿砂娌逯档目焖貵rabcut算法的測試中所設(shè)圖像總像素門限值G＝30000，對蒙版矩陣所設(shè)門限值Vg＝0.45。2、實驗結(jié)果：本發(fā)明的一種基于蒙版插值的快速Grabcut算法和常規(guī)Grabcut算法對不同尺寸的圖像進行圖像分割處理的時間開銷如表1所示。表1給出了對于處理相同分辨率的圖像，基于蒙版插值的快速Grabcut算法與常規(guī)Grabcut算法所用時間。從表1中可知，本發(fā)明對圖像進行分割處理的效率比常規(guī)Grabcut算法相比有明顯的提高。序號圖像尺寸大小改進算法用時(s)grabcut算法用時(s)1400*4000.4363.8072600*6000.93611.1223800*8001.10817.5541000*10001.60653.2551200*12002.32456.13361600*16003.572308.261表1實驗結(jié)果綜上，本發(fā)明提出的一種基于蒙版插值的快速Grabcut算法，對于高分辨率的圖像，在獲得與常規(guī)Grabcut算法相近的圖像分割質(zhì)量的情況下，具有更高的計算效率，且隨著圖像總像素數(shù)的增加，本發(fā)明算法的執(zhí)行效率優(yōu)勢越大。以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進和變形，這些改進和變形也應(yīng)視為本發(fā)明的保護范圍。當前第1頁1 2 3