基于视觉显著模型的图像分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN105678797A(43)申请公布日2016.06.15(21)申请号201610123858.6(22)申请日2016.03.04(71)申请人广东顺德中山大学卡内基梅隆大学国际联合研究院地址528300广东省佛山市顺德区大良街道办广东顺德中山大学卡内基梅隆大学国际联合研究院(72)发明人胡海峰曹向前潘瑜张伟肖翔(74)专利代理机构广州粤高专利商标代理有限公司44102代理人林丽明(51)Int.Cl.G06T7/00(2006.01)权利要求书2页说明书5页附图1页(54)发明名称基于视觉显著模型的图像分割方法(57)摘要本发明提供一种基于视觉显著模型的图像分割方法，该方法首先进行图像的背景检测得到图像的边界连通性值，然后使用基于六边形简单线性迭代聚类HSLIC(HexagonalSimpleLinearIterativeClustering)的SC(SuperpixelContrast)方法得到图像的显著性图，最后使用得到的图像的边界连通性值和显著性图的显著性值作为图割方法区域项的输入，自动地进行图像分割，最后输出图像的显著性区域分割结果。CN105678797ACN105678797A权利要求书1/2页1.一种基于视觉显著模型的图像分割方法，其特征在于，包括以下步骤：S1：对图像A进行超像素分割，得到图像A超像素的测地距离，生成区域，得到边界长度和边界连通性值；S2：利用六边形简单线性迭代聚类法HSLIC对图像A进行超像素分割，并对分割后的图像使用超像素对比度SC方法进行全局显著性检测得到图像A的显著性图的显著性值；S3：利用S1中得到的边界连通性值和S2中得到的显著性值为图像分割区域项进行图像分割，输出图像的显著性区域分割结果。2.根据权利要求1所述的基于视觉显著模型的图像分割方法，其特征在于，步骤S1的具体过程如下：S11：图像A进行超像素分割后，计算每个超像素的测地距离；S12：利用得到的每个超像素的测地距离计算每个超像素的生成区域；S13：利用得到的每个超像素的生成区域计算每个超像素的边界长度；S14:利用得到的每个超像素的生成区域和每个超像素的边界长度计算每个超像素的边界连通性值。3.根据权利要求2所述的基于视觉显著模型的图像分割方法，其特征在于，所述步骤S21中对图像A进行超像素分割后的具体过程是：对图像A进行简单的线性迭代聚类分割SLIC，记录每个超像素的标记号，每个像素所属的超像素类别，超像素邻接矩阵，以及图像边界上的超像素以备使用。4.根据权利要求3所述的基于视觉显著模型的图像分割方法，其特征在于，所述步骤S11的具体过程如下：S111：对分割后的图像进行颜色空间转换，由RGB空间转换为Lab空间；S112：根据超像素邻接矩阵，计算所有邻接超像素(pi，pi+1)在Lab空间的欧氏距离：其中i的取值范围为1到N-1，N为图像超像素的个数，pi表示第i个超像素，pi+1表示第i+1个超像素，li，ai，bi分别是第i个超像素在Lab颜色空间的三个分量，li+1，ai+1，bi+1分别是第i+1个超像素在Lab颜色空间的三个分量；S113：任意两个超像素的测地距离dgeo(pi，pj)为：从超像素pi开始沿着一条最短的路到达超像素pj的距离：其中，pk，pi，p2，…，pn，pj都是分割后图像的超像素，i，j取值范围均为1到N，k取值范围均为1到n-1，n代表从pi到pj的路径上经过的超像素个数，min表示取最小值，当i＝j时，dgeo(pi，pj)＝0，表示一个超像素和它自己的测地距离为0。5.根据权利要求4所述的基于视觉显著模型的图像分割方法，其特征在于，所述步骤S12的具体过程如下：超像素pi的生成区域表示的是，超像素pi所属区域的一个软区域。该区域描述的是其他的超像素pj对于超像素pi所在区域的贡献大小，超像素pi的生成区域Area(pi)为：2CN105678797A权利要求书2/2页其中，exp表示指数函数，i，j的取值范围均为1到N，N为图像超像素的个数，σclr表示调整超像素pj对pi的区域影响大小的参数，σclr＝10，S(pi，pj)表示超像素pj对pi区域影响，pi，pj测地距离越小，它对pi的区域贡献越大。6.根据权利要求5所述的基于视觉显著模型的图像分割方法，其特征在于，步骤S13的具体过程如下：超像素pi的边界长度描述的是图像边界上的超像素对于pi的区域的贡献大小Lenbnd(pi)，计算定义为：其中，Bnd是图像边界上的超像素的集合，对于图像边界上的超像素，δ(pj∈Bnd)为1，其他为0。7.根据权利要求6所述的基于视觉显著模型的图像分割方法，其特征在于，步骤S14的具体过程如下：超像素pi的边