基于图割的交互图像分割方法.pdfVIP

基于图割 的交互 图像分割方法 高春明 （苏州大学计算机学院 江苏 苏州 215325） 摘 要： 介绍图割的基本理论框架及利用图割解决问题时的主要流程和图割方法存在的难点问题。 关键词： 图像分割；图割（Graph Cuts）；能量函数；最大流/最小割 中图分类号：TP391.41 文献标识码：A 文章编号：1671－7597（2011）1120196－01 0 引言 3）为了达到图像分割（能量最小化）的目的，设定权值的原则是： 近年来图像分割逐渐成为社会的热点，它的应用越来越广泛，如医学 像素间的差异越小权值越大（惩罚），像素间差异越大权值越小。 影像分析、军事研究领域、遥感气象服务、交通图象分心、面对对象的图 权值的具体设置过程： 像压缩和基于内容的图像数据库查询等领域。我们首先了解一下什么叫图 像分割，图像分割（image segmentation）就是按照一定的原则将一幅图 区域 像或景物分为若干个特定的、具有独特性质的部分或子集，并提取出感兴 边界 趣 目标的技术和过程。目前图像的全 自动分割技术还不成熟，因为计算机 不好确定哪部分为对象，哪部分为背景，为得到较好的分割结果，需要进 行部分人工交互。近年来很多学者都对其进行了深入的研究，提出了多种 图像分割的算法，使图像分割技术获得了快速的发展。Boykkov等人提出 权值的分配规则： 了图割（Graph Cuts）方法，首先分别选定部分象素作为对象和背景，然 后以图像象素作为节点，以象素之间的相邻关系作为边，构造一个图，最 后通过求解图的最小割问题，得到图像的分割结果。Grabcut方法和Lazy Snapping方法把Graph Cuts扩展到彩色空间。Grabcut利用高斯混合模型 （Gaussian mixture model，GMM）代替统计直方图模型对前／背景颜色 建模，在用户指定待分割对象的包围矩形框后迭代更新前／背景GMM，利 用图割优化剔除框内的背景。Lazy Snapping对前／背景笔画样本像素进 行聚类，并将其作为颜色模型，利用图割提取前景。 图割是一种基于图论的组合优化方法，它将一幅图像映射成一个网络 其中： 图，并建立关于标号的能量函数，运用最大流/最小割算法对网络图进行 切割，得到网络图的最小割，即目标函数的最小值。 p、q是相邻像素，p像素的标签未确定，p像素是obj、bkg硬约束， 1 Graph Cuts的主要思想 S是obj终端，T是bkg终端。 1）将对图像的目标和背景进行标记作为硬约束，在满足这一硬性约 B（p，q）是边界惩罚。可以有多种标准，公式不唯一。 束的条件下，根据边界和区域的特性，定义一个能量函数，通过计算全局 最优解来获得对未标记的部分的自动分割，而边界和区域的特性可以看作 是分割的软约束。 Rp（.）是区域惩罚。Pr是已知的obj和bkg的概率分布（ 由分析硬约 2）把图像问题转换为图论问题，这样就能用图论的方法来求解，把 束获得）。 结果反馈给图像从而解决图像问题。 2 Graph Cuts求解过程 边的权值分配完毕之后，Graph的构建完成。构建后的Graph如图所 示： 1） 图像分割可以归结到一个能量函数的最小化问题。E（A）= λ · R（A）+B（A）。 2）图像分割是一个像素标定的过程。 设A是像素标定的某种分配A=（A1，…，Ap，…A|