[发明专利]基于超像素分割与图割的网状物检测与去除方法和系统

权利要求书

1.基于超像素分割与图割的网状物检测与去除方法，其特征在于，包括如下步骤：

Step1，对图像进行超像素分割，获得多个超像素块；

Step2，对超像素块进行融合；

Step3，通过均值、方差对融合后的超像素块进行顺序排序，将排序靠后的超像素块作为遮挡物的训练集；

Step4，将训练集输入到SVM分类器中，通过寻找最优超平面，得到SVM分类器的参数，并根据参数对图像中剩余的所有超像素进行二分类，将其分为网状遮挡物与非网状遮挡物两类；

Step5，利用全变分模型对网状遮挡物背后的图像进行修复。

2.如权利要求1所述的基于超像素分割与图割的网状物检测与去除方法，其特征在于：Step1中利用SEEDS算法对图像进行超像素分割，具体计算过程如下，

首先进行预分割，将图像分割为特定个数的矩形超像素，随后，根据能量函数判断是否对小像素块或像素进行超像素之间的交换，能量函数的公式为：

E(s)＝H(s)+γG(s)

H(s)为颜色项，用于维持超像素内部颜色的一致性，公式如下：

其中，δ函数表示满足括号内条件则取值为1，否则取值为0；H_j是全颜色空间的一个子空间，I为像素的索引，A_k为第k个超像素索引的集合，Z为该超像素的像素总个数；

由上述定义，易知，项实际上就是第k个超像素中，属于颜色空间H_j的概率，通过将这些概率平方并求和，就实现了对超像素内部颜色的统一；

G(s)为结构项，用于保持超像素边缘的光滑，计算公式如下：

在这里，N_i是超像素之间相邻的一小块矩形区域；

由上述定义，易知项实际上是在N_i区域内像素属于第k个超像素的概率，假如在这个相邻区域像素分布平均，则最后求和的值就会较大，边界也就更光滑；

γ则是用来调节颜色项和结构项的权重，通过调节γ的值，同时优化颜色项和结构项，使超像素分割的效果达到最好。

3.如权利要求1所述的基于超像素分割与图割的网状物检测与去除方法，其特征在于：Step2中采用图割的方法，通过使能量函数最小化进行融合，能量函数的公式为：

E(f)＝E_data(f)+γE_smooth(f)

E_data为同一标号顶点的相异性，表达式如下：

D_p(f_p)＝(I_pa-I_ca)²+(I_pb-I_cb)²

这里，P为属于第P类超像素的像素索引的集合，p为P中某一个确定的像素，I_pa为p这个像素在LAB空间上A通道的值的大小，I_ca为这个超像素中心点像素A通道的值的大小，I_pb为p这个像素在LAB空间上B通道的值的大小，I_cb为这个超像素中心点像素B通道的值的大小；

而E_smooth则是表示不同标号顶点的相似性，表达式如下：

P为属于第P类超像素的像素索引的集合，p、q分别是P中的不同超像素中的像素，f_p表示编号为p的超像素块，f_q表示编号为q的超像素块，不同标号的超像素之间的V_p，q(f_p，f_q)为高斯分布，这样如果两个超像素越相似，则E_smooth项越大。