[发明专利]基于显著性检测和联合分割算法的背景图像分割方法

说明书

技术领域

本发明涉及图像处理技术领域，更具体地，涉及一种基于显著性检测和联合分割算法的背景图像分割方法。

背景技术

病害图像识别包括图像预处理、图像分割、特征提取与模式识别。其中，图像分割是关键步骤之一，分割精度直接影响特征提取的可靠性和模式识别的准确性。经典的分割方法有阈值法、边缘检测、基于统计模式识别的分割方法、基于人工神经网络的分割方法等。

现有技术中每种分割方法都适用于各自特定的情况。如阈值分割计算简单、运算效率较高、速度快，只考虑灰度值，不考虑空间特征，对噪声敏感；阈值确定后，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行进行，分割的结果直接给出图像区域；然而，阈值分割只适用于前背景对比度强的图像，由于在实际情况下，物体背景和前景的对比度在图像当中各处都不相同，因此很难有一个确定的阈值。边缘检测图像灰度级或者结构突变的地方进行检测，从而确定边缘分布，常用Roberts算子、Prewitt算子和Sobel算子等一阶微分算子和Laplace算子和Kirsh算子等二阶微分算子进行边缘检测，但通常只适用于小噪声特征简单的图像。因此，经典的分割方法也具有一定的局限性与不足。

自然条件下，复杂背景、天气光照都会对图像的成像质量造成较大的影响，容易使图像前景和背景对比度不强，不同图像之间变化很大，导致使用传统方法分割效果不佳、适应性不高。目前，并不存在一种通用的分割方法，能够适用于所有特征、所有情况下的图像。

基于图割的分割方法是近年来出现的一种新的解决分割问题的方法，在处理分割问题具有普适性，分割效果较好。但是在图像前景和背景对比度不高的情况下，分割结果容易出现粘连，影响分割精度。一些学者建议从具有共同目标或共同前景的多张图像中检测到强特征，有助于区分前景和背景，这类方法称为联合分割法。联合分割一般先对图像用马尔可夫随机场建模，构造能量方程，然后用图割方法对其进行优化求解，以实现对分割的分割处理。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的基于显著性检测和联合分割算法的背景图像分割方法，能够很好地解决普通分割法在分割过程中所出现的分割粘连的问题，以达到精准分割的目的；采用无监督的显著性检测算法，又使本方法能实现分割过程的自动化。

根据本发明的一个方面，提供一种背景图像分割方法，包括以下步骤：

S1、对原始图像进行处理，得到单张图像显著性图和多张图像联合显著性图；

S2、将多张图像联合显著性图中的显著性特征作为各个单张图像的共同显著性，对前景与背景进行区分；

S3、对背景图像进行分割。

作为优选的，所述步骤S1具体包括：通过非监督的共同显著性算法对图像进行处理，得到每张图像的单张图像显著性图和多张图像联合显著性图。

作为优选的，所述步骤S2包括：

S21、为一组具有共同显著性的图像分配最优标记，利用马尔可夫随机场为标记后的图像建立一个联合分割的能量方程；

S22、通过建立的能量方程，将单张图像显著性图中具有共同显著性的局部特征像素标记为前景，其余像素标记为背景。

作为优选的，所述步骤S21具体包括：通过混合高斯模型对多张图像联合显著性图与单张图像显著性图的差异进行建模，并将其作为马尔可夫随机场模型的全局约束来构造联合分割的能量方程。

作为优选的，在步骤S21中，对于图像I＝{I₁,…,I_i,…,I_N}，所述联合分割的能量方程为：

E(S)＝E_A(S)+E_i(S)

式中，E_A(S)为单张图像内部能量项，E_i(S)为图像间全局能量项；为图像I_i中的共同显著性能量项，为图像I_i中的平滑度能量项，η是共同显著性能量项的权重；P(·)表示高斯概率分布，是图像I_i中像素k或j的特征,是图像I_i中第k像素，和表示图像I_i前景和背景的混合高斯模型参数，Θ_com表示由所有图像的前景组成共同目标的混合高斯模型参数。