[发明专利]一种采用回归算法的图像分割方法

说明书

技术领域

本发明涉及图像处理领域，尤其是涉及了一种采用回归算法的图像分割方法。

背景技术

显示屏上的图像，如计算机和智能手机，这些图像多为混合内容文件，通常包含两层，由平滑的背景和文本、线条图形的前景组成。图像分割算法常用于医学图像分割，文本提取、生物特征识别和自动纹理分割等领域，常见的图像压缩算法如JPEG2000和帧内编码，但由于前景可能覆盖在平滑变化的背景上，颜色范围和前景颜色重叠，使得分割较为困难。

本发明提出了一种采用回归算法的图像分割方法，采用回归分割算法来克服之前技术的困难，首先通过拟合平滑模型对背景部分进行光滑处理，然后通过像素回归预测像素强度，找到模型参数的最佳值，使背景不受前景像素的影响，在通过RANSAC鲁棒回归技术，通过迭代的方法最大限度的减少异常值的个数，经过预处理提高了算法的速度，最后通过整体分割算法，对所有像素采用最小二乘法拟合，完成图像分割。该算法提供到了优异的图像分割性能，克服了之前常见方法的困难，在背景和前景图像范围有重叠时分割结果也有较好的表现。

发明内容

为解决上述问题，本发明提供一种采用回归算法的图像分割方法，其主要内容包括：

(一)背景拟合平滑模型；

(二)像素回归；

(三)RANSAC鲁棒回归；

(四)整体分割算法。

其中，所述的背景拟合平滑模型(一)，我们假设，如果一个图像块只有背景，可以作为光滑模型的基础；每一个像素的像素平滑函数的近似值有一个误差小于所需的阈值；但是如果一个图像块由一些前景像素叠加平滑的背景，而这些前景像素占块的比例相对较小，此时拟合光滑函数将不代表这些前景像素。

进一步地，我们将每幅图像分割成不重叠的大小块N×N并表示每一个图像块，表示为F(x，y)，用光滑模型B(x，y；α₁，…α_K)处理，使用一些基本功能的线性组合P_k(x，y)，然后利用K-L变换训练图像，通过光滑的背景进行优化设置；采用一组二维DCT作为我们的平滑模型的线性组合，二维DCT变换函数定义为：

P_u，v(x，y)＝β_uβ_vcos((2x+1)πu/2N)cos((2y+1)πv/2N)(1)

其中u和v表示基础的频率，β_u和β_v是正常化因素，值得注意的是，基于监督字典学习和子空间学习的算法也有助于产生背景成分的光滑表示。

其中，所述的像素回归，找到模型参数，我们需要知道哪些像素属于背景，找到我们的模型参数的最佳值，使得它们不受前景像素影像。

进一步地，找到最优模型参数的一个解决方案，定义α_k’s为成本函数，它测量了原始像素的强度和预测的光滑模型之间的拟合优度，然后最大限度地减少成本函数；一个合理的成本函数可以是L_p标准的拟合误差(P可以是0，1，或2)，使该解决方案可以写为：

使f，α和P分别表示F的一维版本，所有参数的向量和一个矩阵的大小N²×K其中第k列对应的P_k(x，y)的矢量化版本，上述问题可以被表述为：

α^*＝argmin_α||f-Pα||_p(3)

现在如果我们使用L₂标准(即P＝2)的成本函数，我们只得到最小二乘拟合的问题，并有一个封闭的形式解决方案如下：

α＝(P^TP)^-1P^Tf(4)

但最小二乘拟合存在一个事实，即模型参数，可以受到前景像素的影响，提出了一种基于稳健回归方法，减少拟合模型异常值的数量。

其中，所述的RANSAC鲁棒回归，RANSAC算法是一种稳健的回归算法，即在存在离群值的一组数据中找到合适的模型；RANSAC算法是一种迭代的方法，通过最大限度地减少异常值的个数，进行参数估计；在的分割算法中，可以将前景像素作为离群点的平滑模型，RANSAC算法重复寻找一组数据模型的迭代程序。

进一步地，提出的RANSAC算法的前景/背景分割成不重叠的大小块N×N，步骤如下：

1)随机选择K个像素形成的一个子集，通过下式表示这个子集：