[发明专利]基于视觉显著模型的图像分割方法

说明书

技术领域

本发明涉及图像处理领域，更具体地，涉及一种基于视觉显著模型的图像分 割方法。

背景技术

图像显著区域检测是图像处理领域的一个热门的研究方向，图像的显著性区 域，也就是最引起人们视觉关注的地方，它往往包含了图像中的绝大部分信息， 所以，它的应用范围很广泛。它可以用在目标识别，图像分割，自适应压缩，图 像检索等领域中，一种有效的图像显著性区域的检测方法对于这些领域的发展有 很大的帮助。目前现有的显著性区域检测的方法有很多，大致可分为两个方向： 基于局部对比度的方法和基于全局对比度的方法。基于局部对比度的显著性检测 方法中每个像素点的显著性值是由和它周围的一些像素的对比度来决定，而基于 全局对比度的显著性检测方法则是由它和整张图片中所有像素的对比度来决定。 一种有效的显著性检测的方法是基于鲁棒的背景检测的显著性优化方法，它在图 像上定义了一种边界连通性值，能够有效地将背景区域和前景区域区别出来，并 且在此基础上的图像显著性优化可以得到较好的显著性图。另外，现有的一种常 用的图像分割的方法是图割方法。它采用图论中最大流最小割的思想，源节点为 S，汇节点为T，区域项转化为S或T到每一个像素点的权重，边缘项转化为像 素点之间的权重。通过求解最大流最小割，将图像分成前景和背景区域。

然而，基于鲁棒的背景检测的显著性优化方法在图像显著性区域的完整性和 边界保持上效果不是很好；图割方法大多需要用户的手动输入，通过人眼的主观 判断以及先验知识来初步确定前景和背景，因此，该方法不够灵活，且容易受用 户主观判断的影响。

发明内容

本发明提供一种基于视觉显著模型的图像分割方法，该方法利用图像的边界 连通值和显著性图的显著性值作为图割方法区域项的输入，进行图像分割，最后 输出图像的显著性区域分割结果。

为了达到上述技术效果，本发明的技术方案如下：

一种基于视觉显著模型的图像分割方法，包括以下步骤：

S1：对图像A进行超像素分割，得到图像A超像素的测地距离，生成区域， 得到边界长度和边界连通性值；

S2：利用六边形简单线性迭代聚类法HSLIC对图像A进行超像素分割，并 对分割后的图像使用超像素对比度SC方法进行全局显著性检测得到图像A的显 著性图的显著性值；

S3：利用S1中得到的边界连通性值和S2中得到的显著性值为图像分割区 域项进行图像分割，输出图像的显著性区域分割结果。

进一步地，步骤S1的具体过程如下：

S11：图像A进行超像素分割后，计算每个超像素的测地距离；

S12：利用得到的每个超像素的测地距离计算每个超像素的生成区域；

S13：利用得到的每个超像素的生成区域计算每个超像素的边界长度；

S14:利用得到的每个超像素的生成区域和每个超像素的边界长度计算每个 超像素的边界连通性值。

进一步地，所述步骤S21中对图像A进行超像素分割后的具体过程是：

对图像A进行简单的线性迭代聚类分割SLIC，记录每个超像素的标记号， 每个像素所属的超像素类别，超像素邻接矩阵，以及图像边界上的超像素以备使 用。

进一步地，所述步骤S11的具体过程如下：

S111：对分割后的图像进行颜色空间转换，由RGB空间转换为Lab空间；

S112：根据超像素邻接矩阵，计算所有邻接超像素(p_i，p_i+1)在Lab空间 的欧氏距离：