[发明专利]一种基于深度图的自动图像分割方法

权利要求书

1.一种基于深度图的自动图像分割方法，其特征在于，包括以下步骤：

步骤一：获取原图及深度图，并对原图进行SLIC简单线性迭代聚类超像素分割；

步骤二：根据分割的超像素图构建单层图，利用流行排序算法来得到超像素的显著值，进而得到显著图；

步骤三：对深度图进行对应原图的SLIC超像素分割，并将处理过的深度信息与显著信息融合来初始化GrabCut算法；

步骤四：用超像素图构建GrabCut的网络流图，并在步骤三的基础上进行初始化，其中，将框外定为背景T_B，框内定为未知区域T_U，而此时前景为空；

步骤五：估计GMM参数：包括第h个高斯模型的均值μ(α,h)、协方差Σ(α,h)和权重π(α,h)；

步骤六：将估计好的参数代入改进的能量公式中，利用改进的能量公式来计算网络流图的边的权值，进行最大流最小割，所述改进的能量公式的改进点在于：将融合深度信息的显著信息通过自适应权重结合到GrabCut算法的颜色模型中，分别用前背景GMMs的相对熵以及像素之间的相似性改进GrabCut算法能量公式中的数据项及平滑项；

步骤七：计算能量函数，判断能量函数是否收敛，若不收敛，则返回步骤五；若收敛，输出图像。

2.根据权利要求1所述的一种基于深度图的自动图像分割方法，其特征在于，所述步骤一中SLIC算法具体步骤如下：

1)对于一幅有N个像素点的图像，通过设定的超像素数K，来初始化聚类中心C_k，聚类中心之间的距离

2)将聚类中心移动到3×3空间邻域上的最小梯度的像素点上，以防止聚类中心被分到边缘上；

3)对于每个聚类中心C_k，计算其2S×2S范围内，与像素点i之间的距离，并把距离最小的聚类中心赋给i的标签；

4)新的聚类中心产生后，通过这个超像素内的像素信息，重新确定聚类中心；

5)重复3)和4)，直到聚类中心的误差小于某一设定阈值。

3.根据权利要求1所述的一种基于深度图的自动图像分割方法，其特征在于，所述步骤二中，流行排序以超像素代替像素，分别以上、下、左、右边缘的超像素为基础来生成显著图，再以该显著图为基础生成最终的显著图，先构造单层图G＝(V，E)，其中V为节点，E为无向边，定义两个节点之间的权重为：

其中c_i和c_j表示两个节点的颜色值，σ为权重系数，以边界上的节点为依据，并用一个排序函数来对整张图的超像素进行排序，排序公式为：

f^*＝(D-βW)^-1q

其中f即表示排序函数，f^*表示超像素的排序矩阵，每个超像素块对应一个排序值f_i；q是一个指示向量，q_i＝1表示第i个超像素为基础，q_i＝0表示第i个超像素为待排序状态；W对应超像素之间的权值矩阵；β为矩阵W的系数；D是图G的度量矩阵，D＝diag{d₁₁,...,d_nn}，其中w_ij表示节点i和j之间的权重。

4.根据权利要求3所述的一种基于深度图的自动图像分割方法，其特征在于，所述步骤二中，以图像上侧超像素为依据，通过对其他超像素排序来得到显著图S_t：

表示超像素的排序矩阵f^*(i)的归一化向量，同理，用该公式分别计算以下、左、右边界超像素为基础的显著图S_b、S_l、S_r，整合四个显著图来得到第一步的显著图；

S_bq(i)＝S_t(i)×S_b(i)×S_l(i)×S_r(i)

以第一步的显著图的平均显著值为阈值，通过阈值分割将其分为二值图，并以此为图像中心为依据，用同样的方法求出最终的显著图：