• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于隨機游走的自動圖像分割算法*

      2018-06-05 01:54:08茅正沖
      傳感器與微系統(tǒng) 2018年6期
      關(guān)鍵詞:暫態(tài)像素顯著性

      茅正沖, 韓 毅

      0 引 言

      近年來,基于圖論的圖像分割算法成為研究的熱點,應(yīng)用圖論進(jìn)行圖像處理具有直觀、速度快、效率高等諸多優(yōu)點。依據(jù)用戶參與與否,圖像分割可分為交互式圖像分割和自動圖像分割。Boykkov Y等人[1]提出了Graph Cut算法,結(jié)合了圖像的區(qū)域信息和邊界信息,目前已成為廣泛使用的交互分割方法。Grady L等人[2]率先將隨機游走模型應(yīng)用到圖像分割中,計算速度快,可很好地檢測弱邊緣,并且對噪聲有較強的魯棒性,但需要用戶標(biāo)記標(biāo)記點,是一種半自動分割算法。

      郭麗等人[3]利用背景差分實現(xiàn)了自動識別目標(biāo)區(qū)域,通過形態(tài)學(xué)方法求得骨架結(jié)構(gòu),從中獲取標(biāo)記點,再采用隨機游走算法進(jìn)行自動圖像分割,在多車輛檢測領(lǐng)域解決了交互分割速度慢的問題;但對背景建模時,背景的更新是一個難點。李昌興等人[4]引入了加速均值算法,提出了一種加速譜聚類的圖像分割算法。Qin C C等人[5]對圖像進(jìn)行超像素分割,使用近鄰傳播聚類算法求取超像素區(qū)域中心點,通過固定閾值對中心點標(biāo)記,自動地為隨機游走算法標(biāo)定標(biāo)記點。文獻(xiàn)[6]中采用模式挖掘算法選取標(biāo)記點,在顯著性提取中取得了不錯的效果。

      本文提出了一種結(jié)合顯著性,模式挖掘算法和隨機游走的自動分割算法,通過計算圖像的顯著性圖,初步確定感興趣目標(biāo)的區(qū)域;通過模式挖掘算法為隨機游走初步選取標(biāo)記點,結(jié)合位置信息進(jìn)一步篩選標(biāo)記點;使用隨機游走算法對輸入圖像進(jìn)行分割。實驗結(jié)果表明:本文方法可以自動對圖像進(jìn)行較精確地分割。

      1 隨機游走算法

      根據(jù)圖像構(gòu)成加權(quán)圖G(V,E),圖中任意頂點v∈V視為圖像中的一個像素點或者超像素塊,將頂點分作VM和VU2個集合,VM表示已標(biāo)記點的集合,VU表示未標(biāo)記點的集合,任意一個邊e∈E?V×V視為兩個相鄰像素之間的關(guān)系,邊的權(quán)值w視為像素之間的相似或差異性度量

      di=∑wij

      (1)

      式中di為頂點vi的度,表示所有與頂點vi連接的邊的權(quán)重之和。

      根據(jù)頂點、邊以及權(quán)重可以構(gòu)建圖的Laplace矩陣L,將頂點分為VM和VU后,Laplace矩陣表示為

      (2)

      隨機游走的求解過程可以轉(zhuǎn)化為求解Dirichlet問題[7],即尋求一個滿足邊界條件的調(diào)和函數(shù)u(x,y),使得Dirichlet積分達(dá)到最小值,Dirichlet積分為

      (3)

      (4)

      由以上分析可知,隨機游走算法進(jìn)行圖像分割的數(shù)學(xué)理論完整,度量特征選取合適,可以對圖像進(jìn)行完全地分割,但該算法要求用戶指定標(biāo)記點,限制了其在自動圖像分割中的應(yīng)用。

      2 顯著性檢測

      為了實現(xiàn)隨機游走算法自動分割,本文通過視覺顯著性初步確定目標(biāo)區(qū)域。Sun J G[7]等人提出了一種基于馬爾科夫吸收概率的(Markov absorption probability,MAP)顯著性檢測算法,對于一個給定的狀態(tài)集S={s1,s2,…,sl},pij表示狀態(tài)si轉(zhuǎn)移到狀態(tài)sj的概率,馬爾科夫過程表示為轉(zhuǎn)移矩陣P。給定k個吸收節(jié)點,m個暫態(tài)的馬爾科夫鏈,轉(zhuǎn)移矩陣P為

      (5)

      式中Q∈[0,1]mm為暫態(tài)之間的概率轉(zhuǎn)移矩陣;R∈[0,1]mk為暫態(tài)與吸收狀態(tài)之間的轉(zhuǎn)移概率;I為k×k的單位矩陣??傻没A(chǔ)矩陣N,N的元素nij表示暫態(tài)si轉(zhuǎn)移到暫態(tài)sj的估計轉(zhuǎn)移次數(shù)

      N=(I-Q)-1=I+Q+Q2+…

      (6)

      馬爾科夫鏈中每個暫態(tài)si都將獨立地轉(zhuǎn)移至吸收狀態(tài)sj,吸收概率矩陣為

      B=NR

      (7)

      式中B的每個元素bij表示暫態(tài)si到吸收狀態(tài)sj的概率。

      3 模式挖掘算法

      文獻(xiàn)[6]提出了通過模式挖掘算法選取標(biāo)記點。給定一個有M項的集合I={i1,i2,…,iM},交易集T為I的子集,交易數(shù)據(jù)庫D={T1,T2,…,TN}由N個不同的交易集組成。集合A由交易集T∈D中部分元素組成,且滿足A?I,A的支持度定義為

      (8)

      當(dāng)supp(A)大于固定的閾值tmin時,集合A稱為頻繁項集。

      關(guān)聯(lián)規(guī)則A→p描述A和p同時出現(xiàn)的可能性,關(guān)聯(lián)規(guī)則強度可以用支持度和自信度描述,關(guān)聯(lián)支持度、自行度分別定義為

      supp(A→p)=supp(A∪{p})

      (9)

      (10)

      支持度和自信度越高,關(guān)聯(lián)規(guī)則越強,二者相關(guān)性越強。

      4 基于隨機游走的自動圖像分割

      4.1 顯著性確定目標(biāo)區(qū)域

      為了選擇一種更有效的顯著性提取方法,本文使用若干常見算法求取顯著性圖,結(jié)果如圖1所示,圖中依次采用的CA[8],SR[9],MSS[10],F(xiàn)ASA[11],MAP[7]算法。由實驗結(jié)果分析可知:CA和SR得到的顯著圖中目標(biāo)外輪廓較清晰,但內(nèi)部信息未很好地顯示,MSS和FASA算法部分對背景的抑制能力相對較弱,而基于馬爾科夫鏈的MAP算法提取顯著圖目標(biāo)鮮明,對背景抑制較好,本文根據(jù)顯著圖進(jìn)行目標(biāo)的初步定位,采用基于馬爾科夫鏈的MAP算法確定目標(biāo)區(qū)域。

      圖1 不同算法顯著性檢測結(jié)果

      4.2 基于模式挖掘的標(biāo)記點確定

      基于模式挖掘算法確定的標(biāo)記點如圖2所示。首先對給定的圖像進(jìn)行超像素分割,通過顯著圖確定目標(biāo)區(qū)域,將顯著區(qū)域的像素塊標(biāo)記為正樣本,顯著區(qū)域外的像素塊標(biāo)記為負(fù)樣本,采用模式挖掘算法確定和正樣本相關(guān)的超像素塊。具體流程如下:

      1)采用SLIC[12]算法在三個尺度對圖像進(jìn)行超像素分割,得到一個超像素集S={s1,s2,…,sN},結(jié)合顯著圖,當(dāng)每個超像素塊在顯著圖中對應(yīng)區(qū)域亮度值大于一定閾值時,該像素塊認(rèn)定為正樣本;否則,認(rèn)定為負(fù)樣本。

      2)對每個超像素塊進(jìn)行K均值聚類,計算其聚類中心在整幅圖像中的索引,表示超像素塊的全局位置信息。

      3)將包含樣本標(biāo)簽和全局位置信息的超像素輸入到Apriori頻繁項挖掘算法中,得到顯著性的頻繁超像素集。

      4)對相同尺度的超像素和頻繁超像素集進(jìn)行關(guān)聯(lián)規(guī)則分析,求取顯著的超像素,并將其中心認(rèn)定為標(biāo)記點。

      結(jié)合上述流程,部分初步提取的標(biāo)記點如圖2(b)所示,分析可知,通過模式挖掘算法求得的標(biāo)記點較豐富,標(biāo)記點也聚集在目標(biāo)區(qū)域,部分標(biāo)記點位于目標(biāo)周圍。為了進(jìn)一步地將標(biāo)記點分為前景標(biāo)記點和背景標(biāo)記點,本文對標(biāo)記點的位置進(jìn)行分析,將顯著目標(biāo)內(nèi)部的標(biāo)記點判定為前景標(biāo)記點,外部的標(biāo)記點判定為背景標(biāo)記點,處理后的結(jié)果如圖2(c)所示。

      圖2 模式挖掘算法確定的標(biāo)記點

      4.3 隨機游走算法圖像分割

      本文結(jié)合顯著圖和模式挖掘算法,自動提取標(biāo)記點,融合顯著性特征進(jìn)一步將標(biāo)記點分為前景標(biāo)記點和背景標(biāo)記點兩類,最終使用隨機游走算法對圖像進(jìn)行分割,整體流程如圖3所示。

      圖3 自動圖像分割算法流程

      5 實驗與結(jié)果分析

      為了驗證本文算法的有效性,選取若干樣本進(jìn)行仿真實驗,數(shù)據(jù)來自Berkeley數(shù)據(jù)集。作為實驗對比,使用人工給定標(biāo)記點,經(jīng)典隨機游走算法進(jìn)行圖像分割,同時采用Grab Cut算法對樣本進(jìn)行交互分割,本文提出的隨機游走進(jìn)行自動分割,對比結(jié)果如圖4所示。

      圖4 圖像分割結(jié)果對比

      由圖4(b)可以觀察到,傳統(tǒng)的隨機游走算法的圖像分割結(jié)果依賴于人工給定的標(biāo)記點,在標(biāo)記點不很充分的情況下容易出現(xiàn)過分割和欠分割現(xiàn)象。分析圖4(d)可知,本文算法取得了良好的檢測結(jié)果,基于模式挖掘算法選取的標(biāo)記點數(shù)量豐富,對背景抑制能力較強,分割的目標(biāo)輪廓清晰,為圖像的后續(xù)處理奠定了良好的基礎(chǔ)。將結(jié)果與圖4(c)Grab Cut算法迭代分割結(jié)果進(jìn)行對比,在背景不是特別復(fù)雜的情況下,本文算法的分割結(jié)果接近交互分割,可以注意到Grab Cut處理后圖像輪廓更完整,本文算法有少量邊界出現(xiàn)了過分割現(xiàn)象,如飛機的后部機翼和犀牛的牛角部分,但本文算法可以無需用戶參與自動地完成圖像分割。

      為了進(jìn)一步說明算法的有效性,提取分割結(jié)果邊界與圖像標(biāo)準(zhǔn)輪廓進(jìn)行對比,采用正確率(P)、召回率(R)以及F值量化評價實驗結(jié)果。P表征檢測點為真正的輪廓的概率;R表征檢測檢測點的數(shù)量比例;F=2×P×R/(P+R)為準(zhǔn)確率和召回率的調(diào)和評價,反映整體效果。部分實驗樣本的評價結(jié)果平均值如圖5所示。

      圖5 3種算法仿真數(shù)值評價結(jié)果

      由數(shù)值可以看出,相較于傳統(tǒng)隨機游走分割算法,本文算法分割的結(jié)果在正確率和召回率方面均具有明顯的提升,圖像分割質(zhì)量較好,但與Grab Cut算法相比,分割結(jié)果表現(xiàn)略微欠佳。在要求精細(xì)分割的應(yīng)用中,更好的選擇是交互分割方法,但在自動圖像檢測和批量處理圖像時,本文算法分割效果良好,具有一定的優(yōu)勢。

      6 結(jié) 論

      為了實現(xiàn)自動圖像分割,重點研究了顯著性提取、模式挖掘算法以及隨機游走算法。采用模式挖掘算法進(jìn)行初步確定標(biāo)記點,進(jìn)一步結(jié)合顯著圖將標(biāo)記點分類為前景和背景標(biāo)記點,算法自動地為隨機游走提供標(biāo)記點;應(yīng)用顯著圖和模式挖掘算法確定標(biāo)記點,隨機游走算法最終實現(xiàn)圖像分割,效果較好,且分割過程不需用戶指定區(qū)域。實驗結(jié)果表明:本文方法處理效果較好,具有一定的應(yīng)用研究價值。

      參考文獻(xiàn):

      [1] Boykov Y,Veksler O,Zabih R.Fast approximate energy minimization via graph cuts[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2001,23(11):1222-1239.

      [2] Grady L.Random walks for image segmentation[J].IEEE Tran-sactions on Pattern Analysis and Machine Intelligence,2006,28(11):1768-1783.

      [3] 郭 麗,高立群,劉 濛,等.一種新的隨機游走多車輛檢測算法[J].中國圖象圖形學(xué)報,2010(3):392-396.

      [4] 李昌興,黃艷虎,支曉斌,等.基于加速k均值的譜聚類圖像分割算法改進(jìn)[J].傳感器與微系統(tǒng),2016,35(9):137-140.

      [5] Qin C C,Zhang G P,Zhou Y C,et al.Integration of the saliency-based seed extraction and random walks for image segmentation[J].Neuro Computing,2014,129:378-391.

      [6] Kong Y Q,Wang L J,Liu X P,et al.Pattern Mining Saliency[C]∥ECCV,2016.

      [7] Sun J G,Lu H C,Liu X P.Saliency region detection based on Markov absorption probabilities[J].IEEE Transaction on Image Processing,2015,24(5):1639-1649.

      [8] Goferman S,Zelnik-Manor L,Tal A.Context-aware saliency detection[C]∥Computer Vision and Pattern Recognition,2010:2376-2383.

      [9] Hou X,Zhang L.Saliency detection.A spectral residual approa-ch[C]∥IEEE Conference on Computer Vision and Pattern Recognition,2007:1-8.

      [10] Radhakrishna Achanta,Sabine Susstrunk.Saliency detection using maximum symmetric surround[C]∥International Conference on Image Processing(ICIP),Hong Kong,2010.

      [11] Yildirim G,Süsstrunk S.FASA:Fast,accurate,and size-aware salient object detection[C]∥Asian Conferenceon Computer Vision,ACCV 2014,2014:514-528.

      [12] Achanta Radhakrishna,Shaji Appu,Smith Kevin,et al.SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.

      猜你喜歡
      暫態(tài)像素顯著性
      趙運哲作品
      藝術(shù)家(2023年8期)2023-11-02 02:05:28
      像素前線之“幻影”2000
      300Mvar空冷隱極同步調(diào)相機暫態(tài)特性仿真分析
      “像素”仙人掌
      基于顯著性權(quán)重融合的圖像拼接算法
      電子制作(2019年24期)2019-02-23 13:22:26
      基于視覺顯著性的視頻差錯掩蓋算法
      電力系統(tǒng)全網(wǎng)一體化暫態(tài)仿真接口技術(shù)
      電子制作(2018年14期)2018-08-21 01:38:28
      除氧器暫態(tài)計算研究
      電子測試(2017年23期)2017-04-04 05:07:02
      一種基于顯著性邊緣的運動模糊圖像復(fù)原方法
      論商標(biāo)固有顯著性的認(rèn)定
      东莞市| 临潭县| 东莞市| 青河县| 平果县| 都安| 临朐县| 新建县| 盐亭县| 弥勒县| 前郭尔| 睢宁县| 陆川县| 安庆市| 封开县| 门头沟区| 武乡县| 江山市| 达孜县| 泾川县| 玛曲县| 南通市| 马鞍山市| 隆回县| 福泉市| 香格里拉县| 德令哈市| 乌鲁木齐县| 北川| 弥渡县| 兴义市| 綦江县| 即墨市| 安达市| 彩票| 勐海县| 江陵县| 喀喇沁旗| 株洲市| 化德县| 天全县|