专利名称：一种基于图像复杂性的特征自适应图像共分割方法
技术领域：
本发明涉及图像处理技术，特别涉及自适应图像共分割技术。
背景技术：
伴随着网络的发展，网络中存在着大量的数字图像。利用这些海量的图像实现特定对象的发现和分割越来越成为人们关注的问题。共分割是从多幅不同背景的，包含相同特定对象的图像中将特定对象分割出来的技术。为了分割出当前图像中的特定对象，现有的共分割方法首先引入多幅包含相同特定对象的图像，如搜索引擎获取的图像，然后通过提取和分割出这组图像中包含的共同对象实现特定对象的分割。共分割方法的优点为仅需要用户引入辅助图像，用户参与程度低，工作量较少。目前，已有多种数字图像共分割方法被提出，如基于马尔科夫随机场的图像共分割方法，基于判别聚类的图像共分割方法，基于热扩散理论的图像共分割方法，基于主动轮廓的图像共分割方法，基于随机游走的图像共分割方法及基于最短路径的图像共分割方法等。在这些方法中，图像共分割问题通常被刻画为最优化问题。该最优化问题考虑两个方面，一是单幅图像的对象分割，即前景与背景的差异及局部区域像素标签的平滑性；二是不同图像间前景的相似程度，即要求分割的结果为共同对象。单幅图像的对象分割通常由传统的单幅图像分割方法实现，而共同对象分割则作为添加项加入到单幅图像分割模型中，通过最优化对应的能量项，将共同对象分割出来。共分割方法中的一个核心问题是如何衡量前景区域的相似程度。如果相似程度的选择不合理，共同对象便无法从对象中分割出来。现有的方法通常采用固定的相似程度衡量标准，即在进行共分割时，即使针对不同图像组的共同对象，系统使用设置相同的一系列共分割的特征参数。如将人脸作为共同对象的图像组与将飞机作为共同对象的图像组所使用的共分割的颜色、形状、纹理等参数均没有变化。事实上，不同图像组中共同对象对应的相同特征是千差万别的，共分割的参数如不及时调整将影响共分割结果的准确性。但作为自动的图像共分割方法，人们往往无法参与到特征参数的选择，难以对参与分割的特征参数进行手动调整。
发明内容
本发明所要解决的技术问题是，提供一种能够自适应调整共分割特征参数的图像共分割方法。本发明为解决上述技术问题所采用的技术方案是，一种基于图像复杂性分析的特征自适应图像共分割方法，包括以下步骤I)计算输入的图像组中各图像的复杂度，在输入的图像组中选取m个背景简单的图像；m为大于I的正整数；2)将m个背景简单的图像初始分割出各自的前景区域，得到初始分割结果；
3)利用初始分割结果以及初始共分割参数通过期望最大化学习算法得到使得m个背景简单的图像的分割结果间具有最优相似度的最优共分割参数向量；4)利用最优共分割参数向量对输入图像组中的所有图像进行共分割实现对所有图像中共同对象的分割。本发明考虑到简单背景图像中对象检测方法的检测结果较准确，而复杂图像中的检测结果较分散，考虑到初始分割准确度，首先从简单背景图像的分割结果出发，再通过学习不同图像组对应的最优相似程度衡量标准来自适应调整共分割参数。本发明的有益效果是，基于图像复杂性分析的自适应调整共分割参数，使得本发明的图像共分割方法检测率高、结果准确，自适应能力强。
图1根据本实施例方法得到的不同图像组的共分割结果。
具体实施例方式本实施例在Matlab R2010a实验平台上进行实现，主要包括三个步骤，分别是简单图像的获取和初始分割的生成，特征模型的学习及共分割实现，具体如下步骤一、简单图像的获取和初始分割的生成。具体包括以下子步骤
tool ] 第I步分析图像的复杂性并排序。通过计算复杂程度分数r和复杂程度分数C,2实现。①采用多尺度的基于边缘的图像过分割方法将图像Ii, i = I,…，Ni过分割成局部区域，求取图像复杂程度分数G，过分割是指将图像分割为多个局部区域，而不考虑区域的语义
权利要求
1.一种基于图像复杂性的特征自适应图像共分割方法，其特征在于，包括以下步骤 1)计算输入的图像组中各图像的复杂度，在输入的图像组中选取m个背景简单的图像；m为大于I的正整数； 2)将m个背景简单的图像初始分割出各自的前景区域，得到初始分割结果； 3)利用初始分割结果以及初始共分割参数通过期望最大化学习算法得到使得m个背景简单的图像的分割结果间具有最优相似度的最优共分割参数向量； 4)利用最优共分割参数向量对输入图像组中的所有图像进行共分割实现对所有图像中共同对象的分割。
2.如权利要求I所述一种基于图像复杂性的特征自适应图像共分割方法，其特征在于，步骤I)中的图像的复杂度具体通过计算复杂程度分数(I和复杂程度分数Cf来体现 其中，
3.如权利要求2所述一种基于图像复杂性的特征自适应图像共分割方法，其特征在于， 步骤I)中在输入的图像组中选取m个背景简单的图像的具体方法是 基于图像Ii对应的复杂程度分数C的大小对各图像进行排序，获得排序结果，分配图像Ii对应的排序后的序号 基于图像Ii对应的复杂程度分数 2的大小对各图像进行排序，获得排序结果，分配图像Ii对应的排序后的序号成； 图像Ii对应的最终排序结果为# =η +ηΙ，根据图像组中各图像的最终的排序结果取出复杂度低得前m个图像为背景简单的图像。
4.如权利要求I所述一种基于图像复杂性的特征自适应图像共分割方法，其特征在于， 步骤2)中通过基于显著检测的对象分割方法对m个背景简单的图像初始分割。
5.如权利要求I所述一种基于图像复杂性的特征自适应图像共分割方法，其特征在于， 步骤3)具体包括以下子步骤 3-1)读取预设的共分割参数向量； 3-2)根据当前共分割参数向量Θ以及当前分割结果求取当前相似度矩阵S(X，Θ)；S(X, θ )=χ Θ =(Xp X2,…，Xn) θ，其中，共分割参数向量Θ为所有特征参数CO1,…，ωη形成的行向量的转置Θ =O1,…，ωη)τ, η为特征总个数，不=(l-dxl，p, q=l, ...，m, 1=1, ...，n，m表示分割数量，X严=#(/,,//)，(!( ·)表示特征距离函数,/Jp为图像Ip分割出的前景区域中第I个特征，#为图像I,分割出的第I个特征；初始的当前共分割参数向量Θ为预设的共分割参数向量，初始的当前分割结果X为初始分割结果；3-3)基于相似度矩阵S(X，Θ)求取当前的分割置信度向量Z Z=V/max(V);其中，V= Iv1, v2，…，vm}为长度为m的列向量，
6.如权利要求I所述一种基于图像复杂性的特征自适应图像共分割方法，其特征在于， 步骤5)中通过基于最短路径和显著特征的共分割方法对输入图像组中的所有图像进行共分割。
全文摘要
本发明提供一种基于图像复杂性分析的特征自适应图像共分割方法。考虑到简单背景图像中对象检测方法的检测结果较准确，而复杂图像中的检测结果较分散，考虑到初始分割准确度，首先从简单背景图像的分割结果出发，再通过学习不同图像组对应的最优相似程度衡量标准来自适应调整共分割参数，使用自适应调整得到的共分割参数进行图像共分割处理，检测率高、结果准确，自适应能力强。
文档编号G06T7/00GK102982539SQ201210448129
公开日2013年3月20日 申请日期2012年11月9日 优先权日2012年11月9日
发明者李宏亮, 孟凡满 申请人:电子科技大学