基于显著性检测和联合分割算法的背景图像分割方法技术

本发明专利技术提供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，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。可以一次性将多张图像中的共同前景分割出来，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；而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。

Background image segmentation method based on saliency detection and joint segmentation algorithm

The invention provides a segmentation method of background image saliency detection and segmentation algorithm based on the joint, which comprises the following steps: S1, the original image is processed by single image saliency map and image joint saliency map; S2, the significant feature of multiple images with significant figure in common as significant each single image, to distinguish between foreground and background; S3, on the background of image segmentation. Can be a one-time common image segmentation in the future, can well solve the common segmentation method which appears in the segmentation process of image segmentation problem, to achieve accurate segmentation; the saliency detection algorithm for unsupervised, automated and the method can realize the segmentation process.

【技术实现步骤摘要】
基于显著性检测和联合分割算法的背景图像分割方法
本专利技术涉及图像处理
，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。
技术介绍
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。
技术实现思路
本专利技术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。根据本专利技术的一个方面，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,…,Ii,…,IN}，所述联合分割的能量方程为：E(S)＝EA(S)+Ei(S)式中，EA(S)为单张图像内部能量项，Ei(S)为图像间全局能量项；为图像Ii中的共同显著性能量项，为图像Ii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Ii中像素k或j的特征,是图像Ii中第k像素，和表示图像Ii前景和背景的混合高斯模型参数，Θcom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。作为优选的，所述步骤S22具体包括：通过能量方程，将图像中具有共同显著性的局部特征像素用内部能量项标记为前景，标记过程中，由内部能量项中的数据项，使用非监督的显著性检测算法提取出该组图像中每张叶片的显著性图，内部能量项中的平滑项则鼓励图像上具有相似特征值的局部区域分配得到一致性标识，与此同时，由全局能量项衡量每幅图像的前景与共同目标的差异，迫使所有图像的前景与该组图像的共同目标相一致。作为优选的，所述步骤S22中，在分配前景与背景标识时，鼓励图像上具有相似特征值的局部区域分配一致性标识，所述平滑能量项为：式中，[f]为指示函数，对于正确或错误的预测f，其取值为1或者为0，是图像Ii中像素k或j的特征，N是图像中的邻域，β是尺度系数，可通过得到，<·>表示图像Ii的期望值，当图像Ii中相邻像素在马尔可夫随机场模型中被贴上不同标签时，将对这种不连续做出惩罚。作为优选的，所述步骤S3中，通过标准图割算法和迭代使得能量函数最小化，实现对整组图像的分割。作为优选的，所述步骤S3具体包括：S31、对图像的颜色数据集建模，使得图像在RGB颜色空间中由像素构成；S32、在图割中执行迭代，以迭代能量最小化的方式，对背景图像进行分割。与现有技术相比，本专利技术的有益效果在于：本专利技术首先用非监督的共同显著性检测算法为一组图像中每张图像生成共同显著性图，这些显著性图被用来构造马尔科夫随机场中的内部图像能量函数。采用混合高斯模型对该组图像全部显著性图的共同目标与单张图像中叶片的差异进行建模，将其作为马尔可夫随机场最优化模型的一个新的全局约束去构造全局能量项；最后通过标准图割算法和迭代使得能量函数最小化，以实现对棉花苗叶片图像的分割。可以一次性将多张图像中的共同前景分割出来，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；而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。附图说明图1为本专利技术实施例的方法流程框图；图2为本专利技术实施例中方法用于棉花背景图像分割流程示意图；图3是本专利技术实施例中棉花原始图像中每张图像生成的共同显著性图；图4是本专利技术实施例中棉花原始图像分割结果示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。图1示出了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的流程图，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。给出一组原始图像为I＝{I1,…,Ii,…,IN}，像素由所表示，Ni表示第Ii图像的i个格，表示第Ii图像中像素的归一化位置。图像其中第Ii图像的二元标识为为Ii中第k个像素的标识，为1表示前景，为0则表示为背景，ni为Ii的总像素数。其中图像内部聚类数为K1，图像间聚类数为K2。所述步骤S1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。在本实施中，所述步骤S1具体包括：S11、将原始图像中图像内部聚类分割成K1类，通过共同显著性检测方法计算每一类的对比度线索和空间线索，得到单张图像显著性图；S12、将图像间聚类分本文档来自技高网...

【技术保护点】
一种背景图像分割方法，其特征在于，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。

【技术特征摘要】
1.一种背景图像分割方法，其特征在于，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。2.根据权利要求1所述的背景图像分割方法，其特征在于，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。3.根据权利要求1所述的背景图像分割方法，其特征在于，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。4.根据权利要求3所述的背景图像分割方法，其特征在于，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。5.根据权利要求4所述的背景图像分割方法，其特征在于，在步骤S21中，对于图像I＝{I1,…,Ii,…,IN}，所述联合分割的能量方程为：E(S)＝EA(S)+Ei(S)式中，EA(S)为单张图像内部能量项，Ei(S)为图像间全局能量项；EiC为图像Ii中的共同显著性能量项，为图像Ii中的平滑度能量项，η是共同显著性能量项EiC的权重；P(·)...

【专利技术属性】
技术研发人员：张建华，李凯，孔繁涛，冯全，吴建寨，韩书庆，
申请(专利权)人：中国农业科学院农业信息研究所，
类型：发明
国别省市：北京,11