[发明专利]一种基于深度图的自动图像分割方法

说明书

本发明请求保护一种基于深度图的自动图像分割方法。针对GrabCut在图像中存在前背景颜色相近、阴影或低对比度区域时，不能有效分割图片，提出一种改进的GrabCut图像分割算法。本发明在用显著性实现GrabCut自动分割的基础上，融合了深度信息，提高了算法的分割准确度。首先，通过深度信息指导显著信息来初始化GrabCut算法，其次，将深度信息融入算法的能量公式中，最后，用改进的能量公式和超像素构建网络流图，进行最大流/最小割。相对于传统的图割方法，本发明将深度信息有效地结合到了GrabCut自动分割框架中，提高了分割算法的准确性。

技术领域

本发明属于数字图像处理技术领域，具体涉及一种基于深度图的自动图像分割方法。

背景技术

图像分割的目的是通过自动或用户交互的方式将图像分成几部分的过程，是图像处理、人机交互等领域的基本问题之一，被广泛的应用于许多领域，来简化后续操作，如对象数据集构建、图像编辑和图像检索等。在众多图像分割方法中，基于图论的分割由于考虑了全局信息、能很好的融合颜色和区域信息、只需要少量的用户交互等优势而倍受关注。传统的图割是指采用用户交互方式手动将某些像素注释为前景对象和背景，并使用Graph-cut来完成对所有像素的标记。GrabCut是这种方法的一种高级版本，它使用矩形边界框通过用户交互来表示前景对象，并采用三维高斯混合模型(GMM)来表示颜色统计的分布。虽然GrabCut通过颜色GMMs将图割延伸到了彩色图像分割领域，并提高了分割的精度，但是在前背景差别不大时，GrabCut总是不能很好的分割，因为物体不仅有颜色、纹理等底层特征，在立体上也有特征定义，比如深度信息：能很好的表示出物体距离拍摄源的远近，这能很好的处理不同物体之间颜色相似、对比度低的情况。近年来，随着强大的测距传感器的出现，RGB-D图像逐渐受到人们的关注。对深度图的研究也逐渐增多，而传统的基于深度的GrabCut分割方法一般将深度信息作为GMM输入的第四通道，或者通过重新定义深度惩罚项来改进能量公式，但这样的方法不能充分利用深度信息，且在一定程度上增加了算法的复杂度。

发明内容

本发明针对现有算法交互效率不高以及不能有效融合深度信息的问题，在GrabCut自动图像分割的基础上，通过深度信息指导显著信息来初始化GrabCut，并将深度信息通过动态加权的方式分别融合到能量公式的数据项和平滑项中。不仅减少了用户的交互时间，还提高了算法的分割精度。

本发明的技术方案如下：

一种基于深度图的自动图像分割方法，其包括以下步骤：

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。

进一步的，所述步骤一中SLIC算法具体步骤如下：