[发明专利]一种恢复图像遮挡边界的分层分割方法

说明书

技术领域

本发明涉及图像处理技术，尤其是涉及一种恢复图像遮挡边界的分层分割方法。

背景技术

把一幅图像中的边界遮挡部分给分割出来是图像处理领域中的一个热点问题，对目标识别和场景分析的研究具有重要意义。

遮挡推理是计算机视觉中的一个根本问题。将3D场景投影到平面图像中的一个主要结果是遮挡——每个对象直接遮挡了后面对象的视图。为了理解场景，就必须检测和解释这些遮挡。每个对象都涉及一个或多个遮挡关系，这些遮挡使识别变得困难，但视觉系统可以用有效的遮挡推理来补偿。如果对象没有可靠地彼此遮挡，场景解释也会变得相当困难。

现有的从图像中恢复边界遮挡的分割方法是将单视图遮挡推理分为子任务分割和线标记来单独解决。这种基于观察的分割算法尝试根据颜色或纹理相似性对图像进行分割，依赖于二维感知分组线索，所以这种分割的边界可能是由于反射、光照或材料不连续和遮挡产生的区域，通常不对应于实际物体。这就使得不能充分恢复图像中物体间的边界遮挡关系。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种恢复图像遮挡边界的分层分割方法。

本发明的目的可以通过以下技术方案来实现：

一种恢复图像遮挡边界的分层分割方法，包括以下步骤：

S1、通过分水岭分割来创建包括多个区域的初始分割图；

S2、利用多个图像特征，通过条件随机场模型推理图像的遮挡边界，得到软边界图，通过边界预测器对软边界图中的可能遮挡边界进行预测，用于下一次迭代；

S3、根据软边界图给图像边界分配置信度，计算边界的分层分割阈值；

S4、根据分层分割阈值去除弱的图像边界，得到迭代分割图；

S5、迭代步骤S2～S4多次，直至达到设定迭代次数或者分层分割阈值达到设定阈值时停止，得到恢复遮挡边界图。

所述边界预测器通过全局概率边界算法得到，在该算法中设置各个图像特征的初始权重时，将表面布局特征的权重设为最大。

所述分层分割阈值在第一次进行图像分割过程时由人为给定，在之后的迭代过程中通过软边界图计算得到。

所述步骤S4中根据分层分割阈值去除弱的图像边界具体包括：

将步骤S2得到的软边界图中各个边界的阈值与分层分割阈值比较，去除阈值低于分层分割阈值的边界。

所述去除阈值低于分层分割阈值的边界具体包括：

迭代地合并具有最小边界强度的区域直到没有边界的阈值低于分层分割阈值。

所述图像特征包括颜色、位置、边界长度、区域对准、深度估计、表面布局。

与现有技术相比，本发明采用分层分割的方法，在每一次迭代中根据多种图像特征训练边界预测器，对分割图中的可能遮挡边界进行预测和精化，通过加大表面布局特征的初始权重提高了图像分割效果，在迭代4～5次之后可得到较精确的分割图像。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本方法通过将多种图像特征纳入到CRF条件随机场模型中，用CRF模型对初始分割图像中的边界进行推理，并产生软边界图，再根据软边界图计算阈值，低于该阈值的弱边界去除，以此形成下一次迭代的分割图。同时在每一次迭代中都会根据多种图像特征训练边界预测器，对分割图中的可能遮挡边界进行预测和精化。在迭代4～5次之后可得到较精确的分割效果。

本方法采取机器学习方法，从大量初始区域开始，将相邻区域之间的边界分类为遮挡或不遮挡，还将遮挡边界分类为图形或地面，指定哪个区域在前面。本方法的目标是充分详细地恢复突出物体的边界和深度顺序，以提供准确的相对深度感。

如图1所示，一种恢复图像遮挡边界的分层分割方法，包括以下步骤：

S1、将目标图像用具有软边界图的分水岭分割进行初始分割，产生数千个区域，可以保留几乎所有的边界；

S2、利用多个图像特征，通过条件随机场模型CRF推理图像的遮挡边界，得到软边界图，通过边界预测器对软边界图中的可能遮挡边界进行预测，用于下一次迭代；

S3、根据软边界图给图像边界分配置信度，计算边界的分层分割阈值；

S4、根据分层分割阈值去除弱的图像边界，得到迭代分割图；