[发明专利]一种基于马尔可夫链的交互式三分图优化方法

权利要求书

1.一种基于马尔可夫链的交互式三分图优化方法，包括以下步骤：

S1、对输入原始图像进行超分辨率跟个，得到超分辨率分割图像；

S2、用户通过交互界面绘制涂鸦，修正原始图像对应三分图的错误分类区域；

S3、对S1得到的超像素分割图中的超像素块建立邻接矩阵M_con；

S4、根据颜色和纹理特征对S1得到的超像素分割图中的超像素块建立相似度矩阵M_aff；

S5、对S2中用户涂鸦对相应区域的超像素块进行标识；

S6、由S3-S5得到的邻接矩阵M_con、相似度矩阵M_aff、和用户像素块标识计算出概率矩阵M_pr；

S7、根据马尔可夫链将用户标识传到未标识的像素块。

步骤S1中，根据用户设定的超像素个数，在原始图像内随机分配种子点。计算各个种子点的第一邻域内所有像素点的梯度值，将种子点移动到对应第一邻域内梯度最小处。在每个种子点的第二邻域内为每个像素点分配类标签，以区分像素点所对应的种子点。对第二邻域内搜索到的各个像素点，分别计算所述像素点于对应种子点的颜色距离和空间距离。迭代执行以上步骤。

步骤S2中，用户使用鼠标作为画笔输入，系统可响应鼠标的点击和移动事件。用户依据原图和三分图对比，对三分图进行简单修正。可选地，鼠标所代表的画笔可调节直径和颜色(三种颜色可选)，直径代表画笔绘出的涂鸦大小，三种颜色分别指代三分图中前景、背景和待确定区域。

步骤S3中，对S1所得到的超像素分割图建立邻接矩阵M_con。将超像素分割图中的每个超分辨率块视作结点，超像素块之间有空间位置关系。把空间上相邻两个像素块之间的关系记作1，则其他情况记作0，则构成了由0-1组成的临界矩阵M_con。假设超像素分割图共有n个超像素分割块，则M_con为n×n的对称矩阵。

步骤S4中，对S1中超像素分割图中的超分辨率块建立相似度矩阵M_aff。超像素分割图中的各个超像素块都是一个个尺寸略小的图像，有自己的特征。本方法以颜色特征和纹理特征来判定各个像素块之间的相似度。具体地，针对每个像素块，先生成一个掩膜，以便从原始图像中提取像素块。假设超像素分割图共有n个超像素块，通过n个掩膜便可提取n个超像素块。然后两两掩膜之间通过对比颜色特征和纹理特征综合得出相似度，相似度范围为0.0～1.0。该步骤则生成了n×n的相似度矩阵M_aff。特别地，

步骤S5中，对步骤S2中的用户涂鸦结果进行处理。根据用户涂鸦痕迹，将处于涂鸦路径上的超像素块标识为确定状态。三分图共三种状态，分别为前景、背景和待确定状态，故超像素块也有三种状态。用户标识的超像素块按类别分为前景、背景和待确定状态，分别存入Set_f、Set_b、Set_u中。

步骤S6中，根据S3-S5步骤中得来的邻接矩阵M_con、相似度矩阵M_con、已标注前景像素块集Set_f、已标注背景像素块集Set_b、已标注未确定像素块集Set_u计算出概率矩阵M_pr。进一步地，对任意两个超像素块i、j，若M_con(ij)＝0，则M_pr(ij)＝0；若M_con(ij)＝1，则M_pr(ij)＝M_con(ij)。

步骤S7中，马尔可夫链是概率论和数理统计中具有马尔可夫性质且存在于离散的指数集和状态空间内的随机过程。适用于连续指数集的马尔可夫链被称为马尔可夫过程，但有时也被视为马尔可夫链的子集，即连续时间马尔可夫链，与离散时间马尔可夫链相对应，因此马尔可夫链是一个较为宽泛的概念。马尔可夫链可通过转移矩阵和转移图定义，除马尔可夫性外，马尔可夫链可能具有不可约性、常返性、周期性和遍历性。一个不可约和正常返的马尔可夫链是严格平稳的马尔可夫链，拥有唯一的平稳分布。遍历马尔可夫链的极限分布收敛于其平稳分布。通过马尔可夫链，迭代求得未标记的像素块属于前景、背景和未知区域的概率，算法如下表1所示：

表1马尔可夫链算法