基于SLIC超像素的GrabCut算法改进.docx

基于SLIC超像素的Grab Cut算法改进 主讲人：董茜 作者：董茜、颜凯、孙婷婷、张思远 研究背景 Research Background 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。 人脸识别 车牌识别 图片检索 视频分析 研究背景 Research Background 超像素算法主要是将图像中的像素在感知上划分为一个个原子区域，用这些原子区域将图像分割成一个个超像素快，这些超像素块中的所有像素具有特征相似的特点。用它们来代替原有无意义的像素点，可以大大降低图像的运算速度和分割准确率。 摄录像设备高速发展，单幅图像像素越来越高 超像素算法分类 基于图论 基于梯度上升法 NC算法 GS算法 SL算法 GCa、GCb算法 QS算法 WS算法 TP算法 SLIC算法 研究背景 Research Background 预处理 图像获取 知识库 识别与 解释 分割 表示与描述 问题 结果 低级处理 中级处理 高级处理 图像分析系统基本构成 SLIC算法 GrubCut算法 研究内容 Research Content SLIC算法 SLIC（简单线性、迭代聚类）算法是K-means算法的改进算法，它在由CIELAB色彩空间中的L,a,b值和x,y坐标像素所构成的五维空间中执行一个局部的像素点聚合。一种新的距离度量能够实现超像素形状的紧凑、有规则，并能够无缝隙的包含灰度及彩色图像。SLIC实现起来比较简单,容易在实践中应用——唯一的参数指定所需超像素点的数量。SLIC是一种通过利用像素的颜色相似度和图像片面空间对像素进行聚类，从而有效的生成紧凑的几乎统一化的超像素的分割方法。SLIC分割方法使用简单，只需给定需要得到的超像素的数量即可，且运行速度快，只需要线性的运行时间和存储空间。SLIC分割方法生成的超像素具有较好的紧凑性和边界贴合度，超像素大小一致且形状均匀。 形状较均匀 边界附着率较高 速度最快 研究内容 Research Content K-means算法过程 ① 随机在图中取K（这里K=2）个种子点。 ② 然后对图中的所有点求到这K个种子点的距离，假如点Pi离种子点Si最近，那么Pi属于Si点群。（图中，我们可以看到A，B属于上面的种子点，C，D，E属于下面中部的种子点） ③ 接下来，我们要移动种子点到属于他的“点群”的中心。（见图上的第3步） ④ 然后重复第2和第3步，直到种子点没有移动，一般迭代十次即可。 研究内容 Research Content SLIC算法过程 ① 初始化种子点（聚类中心）：按照设定的超像素个数，在图像内均匀的分配种子点。 图片总共有N个像素点，预分割为K个相同尺寸的超像素，每个超像素的大小为 N/K，相邻种子店的距离（步长）近似为 ②在种子点的3*3邻域内重新选择种子点，计算该邻域内所有像素点的梯度最小的地方，避免种子点落在噪声点上。 ③在每个种子点周围的邻域内为每个像素点分配类标签：SLIC的搜索范围限制为2S*2S,从而加速算法收敛。 研究内容 Research Content Grab Cut算法 Grab Cut算法是一种交互式图像分割算法。它在Graph Cut算法上做了改进。 Graph Cuts交互式图像分割算法，结合使用了颜色与边界这两类信息。但该算法只能分割灰度图像, 且用户交互繁琐。Grab Cut有如下改进： ① Grab Cut使用迭代方式来求解最小值, 而不是一次性求出, 增加了精确性; ② Grab Cut使用了不完全标记法, 在用户侧只需要一个方框将对象主体框进去即可完成分割, 大大简化了用户的操作; ③ Grab Cut使用了高斯混合模型取代灰度直方图, 实现了彩色图像的分割。 预处理生成超像素 通过交互式方法进行分割 算法改进 Algorithm Improvement 改进SLIC算法 问题描述： SLIC超像素是使用随机方式选取聚类中心, 随意性很高, 若选取的点都落在同一处时, 可能会增加算法的迭代次数、造成大量的冗余、得到的超像素个数较少、大小形状不规则等情况。 改进方法：在选取k个超像素后, 首先, 将整幅图像分割成a个大小相同的区域, 在每个区域中随机选择b个点当做超像素的中心, 记作SLIC（a,b）。根据经验一般b的取值为[1,2]。根据b的取值来得到a的取值。假设a=20, 图像的分辨率为400*300，那么每个区域的大小为20*15。取每个区域的中心点作为超像素的聚类中心。 算法优点：修改了算法的搜索空间，进一步减少迭代次数和重复像素的计算个数。 改进前：随机选取超像素 改进后：均匀分布的超像素聚类中心 算法改进 Algorithm Improvement 改进Gra