[发明专利]一种基于多变形分辨率的快速图像分割方法

说明书

本发明公开了一种基于多变形分辨率的快速图像分割方法，包括：同时对输入图像进行多种不同的尺度压缩和长宽比调整，然后在不同变形分辨率空间下并行地完成Graph Cuts分割，获取系列不完全准确的临时分割结果，并将这些临时分割结果反变形至原始分辨率空间，通过加权投票的方式得到多变形分辨率权重图；依据多变形分辨率权重图信息对先验掩图Trimap进行矫正，确定并缩小待分割区域，同时对前景与背景的带权高斯混合模型进行训练，进而据此建立精简图模型并快速求解，以得到最终的分割结果。本发明对于包含复杂细节区域的前景物体有着较好的分割效果；算法框架具有灵活的可扩展性，可通过替换不同的底层分割算法以适应不同的分割场景。

技术领域

本发明属于图像处理技术领域，更具体地，涉及一种基于多变形分辨率的快速图像分割方法。

背景技术

图像分割是图像处理领域中的基本任务之一，分割的结果可以为更上层的机器视觉研究，例如视觉显著性分析、场景分析、医学图像分析等，提供关于前景目标的重要描述信息。图像分割方法可以分为无监督与交互式两类。其中，无监督的图像分割方法对输入图像或者应用场景有严格的要求，分割结果往往不可预知也无法干预和矫正。因此，借助低代价用户交互(例如使用标记框或画笔)来辅助完成目标精准分割的分割方法有着更为广泛的应用空间。近年来，基于图割(Graph Cuts)框架的交互式分割方法成为了研究的热点与趋势，它所提出的能量泛函，能够很好地融合图像中的区域差异与边缘特征，且具有良好的可扩展性。为了能够在轻量用户交互的前提下对前景目标进行准确而快速的分割，已有大量方法在Graph Cuts的基础上进行了扩展和改进。例如，Lazy Snapping方法通过对原始图像进行超像素预分割，并基于区域的非参数邻近模型来简化图结构，以高效完成图像分割；Lombaert等通过压缩原始图像的分辨率并引入多层窄带还原机制，以构建系列精简的图结构模型来实现加速分割；OneCut方法通过对能量泛函中的L1距离表达形式进行了改进，使其能够更好的拉开前景与背景的特征差异，从而提高分割结果的准确度；GrabCut方法则通过利用高斯混合模型(Gaussian Mixture Model,GMM)对目标与背景分别进行概率分布建模，并采用迭代优化机制对图模型进行求解，得到了不错的分割结果。

但是，不管如何扩展或是改进，但凡基于Graph Cuts框架的分割方法，在某种确定的图像分辨率情况下，其均固有的存在着“收缩偏执”(shrinking bias)的问题，即由于能量泛函中的平滑项表示了图像中的边缘属性，因此在使用最大流/最小割算法对图模型进行求解的过程中，解集总是会倾向于包含更短的边界(shorter boundaries)，具体表现为在分割一些具有细长区域或者凹陷区域的前景目标时，其最终分割结果可能会偏执地将这些边界过长的区域直接收缩截断，造成对应区域出现误分割的情况。

发明内容

针对传统基于Graph Cuts的分割方法中所存在着“收缩偏执”问题，本发明提出了一种基于多变形(差异性尺度与长宽比)分辨率的快速图像分割方法，通过对原始图像进行多变形分辨率压缩与重组，充分利用Graph Cuts方法的“收缩偏执”特性，实现了用户在极简交互(仅需提供一个矩形标记框)情况下对细节丰富前景目标的准确快速分割。

本发明提供了一种基于多变形分辨率的快速图像分割方法，包括：

(1)多变形分辨率权重图的生成：同时对输入图像进行多种不同的尺度压缩和长宽比调整，然后在不同变形分辨率空间下并行地完成Graph Cuts分割，获取系列不完全准确的临时分割结果，并将这些临时分割结果反变形至原始分辨率空间，通过加权投票的方式得到多变形分辨率权重图；

(2)基于多变形分辨率权重图的快速分割：依据多变形分辨率权重图信息对先验掩图Trimap进行矫正，确定并缩小待分割区域，同时对前景与背景的带权高斯混合模型进行训练，进而据此建立精简图模型并快速求解，以得到最终的分割结果。