本發(fā)明主要涉及圖像處理技術(shù)，具體涉及一種基于像素遺傳的前景目標(biāo)提取方法。
背景技術(shù)：
：數(shù)字圖像前景目標(biāo)提取是計算機視覺的重要基礎(chǔ)問題，其任務(wù)是從單幅圖像或序列圖像中將感興趣的目標(biāo)與背景分割開來，用于后續(xù)的處理。前景區(qū)域的有效提取對于目標(biāo)分類、身份識別和行為理解等中高層次的任務(wù)非常重要，因為后續(xù)的處理過程通常只考慮圖像中對應(yīng)于前景區(qū)域的像素，并將極大的促進(jìn)視頻編碼、檢索、人機交互、運動捕捉等課題的研究。然而，由于實際采集環(huán)境中往往存在諸多不可控制的因素，如相機運動、光照變化、陰影、復(fù)雜背景等問題的影響，使得快速準(zhǔn)確的目標(biāo)提取成為一項困難的工作。對于全自動前景提取方法來說，由于沒有目標(biāo)先驗知識，提取得到前景目標(biāo)常常殘缺不全或者有冗余，這個問題嚴(yán)重制約了全自動前景提取技術(shù)的應(yīng)用。在全自動前景提取的這類方法中，Sungheum在2011年提出了一種利用多視點技術(shù)自動提取前景對象的方法；張宇鵬等人在2012年提出了基于編碼孔徑深度的自動前景背景分割技術(shù)；謝長廷等人在2013年提出了一個自動trimap生成技術(shù)；袁玉波等人在2014年提出了基于高斯變差的前景提取技術(shù)；上述方法雖然取得了不錯的效果，但準(zhǔn)確度和精確度都存在不同程度的缺陷。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于提出一種基于像素遺傳的前景目標(biāo)提取方法，引入遺傳算法，利用圖像像素點之間的關(guān)聯(lián)性和一致性，模擬生物的遺傳機制，讓不完整的部分得以再生，得到完整的前景區(qū)域，同時使用邊沿曲線逼近方法獲取前景目標(biāo)的閉合輪廓來限制遺傳增長，以提高提取前景的準(zhǔn)確度和精確度。在該發(fā)明中，這個實現(xiàn)過程都是由計算機自動完成的，用戶只需要輸入目標(biāo)圖像，就可讓計算機自動分析，最終獲得圖像前景目標(biāo)區(qū)域。本發(fā)明的技術(shù)方案如下：步驟1，使用Ncut技術(shù)和高斯變差模型結(jié)合得到圖像關(guān)鍵前景區(qū)域。我們通過對各個邊沿檢測算法的分析，發(fā)現(xiàn)Canny算子提取到的邊沿信息最為完整，最適合我們的需求，所以最終選擇用Canny算子進(jìn)行邊沿檢測。步驟2，對步驟1得到的關(guān)鍵前景區(qū)域和原始圖像分別使用Canny算子提取邊沿信息。步驟3，結(jié)合步驟2得到的原始圖像信息eI和圖像關(guān)鍵前景的邊沿信息eF，利用圖像邊沿的連通性和像素點之間的顏色相似性ρ獲得較為完整的圖像前景的邊沿信息b(x,y)，定義初始輪廓C(x,y)＝b(x,y)。經(jīng)過上述步驟之后，我們獲得了較為精確和完整的邊沿信息，接下來的工作就是將此邊沿信息連接成為一個閉合的輪廓。步驟4，檢測步驟3得到的圖像邊沿信息的所有邊沿的端點，定義端點的集合為Ep，并設(shè)定每個端點都對應(yīng)一個屬性type，初始值為0，選擇端點集合Ep中任意一個端點p為初始端點。步驟5，尋找離初始端點p距離d最近的端點Q，使p向著端點Q的方向θ*前進(jìn)。步驟6，使用范圍函數(shù)Nε(p)檢索新的端點pk，新的端點的方向夾角θk≤θ*，并且同時考慮前進(jìn)路上像素點間的像素信息的相似性ρ。步驟7，將步驟6檢索到的新的端點pk對應(yīng)坐標(biāo)位置C(x,y)值賦為1，就構(gòu)成了圖像新的輪廓信息C。步驟8，如果pk＝Q，則令p和Q的屬性type為1，任取端點集合Ep中屬性type為0的端點p為初始端點，并返回步驟5，當(dāng)端點集合Ep中找不到屬性type為0的端點時，算法終止，并獲得圖像前景的閉合輪廓，如果pk！＝Q，返回步驟6。我們獲取圖像前景的閉合輪廓的主要目的是用前景的閉合輪廓去限制遺傳的增長，防止增長過度進(jìn)而越界的情況發(fā)生。因為遺傳算法是由內(nèi)向外生長的，對于個別圖像可能會出現(xiàn)一些過增長的現(xiàn)象。步驟9，把圖像中的每個像素點當(dāng)成是種群中的個體GA(x,y)，則步驟1提取得到圖像的關(guān)鍵前景區(qū)域可以定義為初始像素種群區(qū)域，落在區(qū)域中的像素點就是初始種子點。步驟10，將步驟9得到的初始種子點進(jìn)行像素遺傳適應(yīng)度(區(qū)域連續(xù)種子數(shù)量)計算，得到種子點中適應(yīng)性強的點，優(yōu)先選擇這些點去產(chǎn)生新的像素點。我們優(yōu)先選擇適應(yīng)度強的種子點去產(chǎn)生新的像素點的原因是，選擇適應(yīng)度強的種子點遺傳新的像素點可以有效的提高遺傳的效率和質(zhì)量。步驟11，將步驟10得到的適應(yīng)性強的種子點選擇為父節(jié)點Fa，在父節(jié)點Fa的八領(lǐng)域內(nèi)隨機選擇一個在種群中的像素點為母節(jié)點Ma。我們把每一個個體的基因序列都看成是一個四維的向量(H,S,V,sumRGB)，其中H，S，V分別代表HSV空間中的色度，飽和度和明度，sumRGB代表RGB空間中紅綠藍(lán)三層值的總和。我們定義的像素點的基因序列涵蓋了HSV和RGB兩個顏色空間的色彩信息。與RGB空間相比，HSV空間更加符合人類的視覺感知，所以我們選擇HSV空間的三個度量指標(biāo)為像素點基因序列的三個屬性。同時我們還考慮到RGB空間可能對結(jié)果產(chǎn)生的影響，所以我們用RGB空間中三層的總和表示像素點基因序列的第四個屬性。步驟12，將步驟11得到的父節(jié)點Fa基因序列(H,S,V,sumRGB)和母節(jié)點Ma基因序列(H,S,V,sumRGB)進(jìn)行交叉，得到子節(jié)點Child的基因序列。步驟13，將步驟12得到的子節(jié)點Child與父節(jié)點Fa八領(lǐng)域內(nèi)的非種群內(nèi)的且非步驟8得到的前景目標(biāo)閉合的輪廓外的點進(jìn)行比較，將基因序列相似度滿足一定閾值的點加入到種群中。步驟14，將上述步驟得到的滿足變異條件的種群內(nèi)的像素點進(jìn)行變異。步驟15，判斷遺傳終止條件是否成立，如果成立輸出完整的前景目標(biāo)，否則執(zhí)行步驟11。附圖說明讀者在參照附圖閱讀了本發(fā)明的具體實施方式以后，將會更清楚地了解本發(fā)明的各個方面。其中，圖1為本發(fā)明基于像素遺傳的前景目標(biāo)提取方法的流程圖；圖2為邊沿曲線逼近技術(shù)路線圖；圖3為遺傳區(qū)域增長技術(shù)路線圖；圖4是最終和其他方法前景對比圖。具體實施方式步驟1，使用Ncut技術(shù)和高斯變差模型結(jié)合得到圖像關(guān)鍵前景區(qū)域。步驟2，將步驟1得到的關(guān)鍵前景區(qū)域和原始圖像分別使用Canny算子提取邊沿信息。步驟3，取步驟2得到的原始圖像信息eI和圖像關(guān)鍵前景的邊沿信息eF的交集es，如下面公式(1)所示；利用圖像邊沿的連通性和像素點之間的顏色相似性ρ獲得較為完整的圖像前景的邊沿信息b(x,y)，如下面公式(2)所示，其中，b(x,y)的初始值為es(x,y)，ρ((x,y),(x0,y0))代表圖像中相鄰像素點的相似性，如下面公式(3)所示，δ為閾值，經(jīng)過大量的實驗，我們在實驗時選擇為5。定義初始輪廓C(x,y)＝b(x,y)。es＝eI∩eF(1)ρ((x,y),(x0,y0))=(R(x,y)-R(x0,y0))2+(G(x,y)-G(x0,y0))2+(B(x,y)-B(x0,y0))2---(3)]]>檢測步驟3得到的圖像邊沿信息的所有邊沿的端點，定義端點的集合為Ep，如下面公式(4)所示，并設(shè)定每個端點都對應(yīng)一個屬性type，初始值為0，選擇端點集合Ep中任意一個端點p為初始端點。步驟5，尋找離初始端點p距離d最近的端點Q，如下面公式所示，其中d為兩點間的歐式距離，如下面公式(6)所示；使p向著端點Q的方向θ*前進(jìn)，如下面公式(7)所示，θ*表示為連接端點時的標(biāo)準(zhǔn)方向。Q=argmind(p,Q)Q∈Eq---(5)]]>d(p,Q)=(xp-xQ)2+(yp-yQ)2---(6)]]>θ*=arctan(xp-xQyp-yQ)---(7)]]>步驟6，使用范圍函數(shù)Nε(p)檢索新的端點pk，如下面公式(8)，新的端點的方向夾角θk≤θ*，并且同時考慮前進(jìn)路上像素點間的像素信息的相似性ρ，如上面公式(3)所示。pk＝argmin(ρ((xk,yk),(xp,yp))),pk∈Nε(p)&θk≤θ*(8)Nϵ(p)={(x,y)|(x-xp)2+(y-yp)2<ϵ,(x,y)∈I}---(9)]]>θk=arctan(xk-xpyk-yp)---(10)]]>步驟7，將步驟6檢索到的新的端點pk對應(yīng)坐標(biāo)位置C(x,y)值賦為1，就構(gòu)成了圖像新的輪廓信息C。步驟8，如果pk＝Q，則令p和Q的屬性type為1，任取端點集合Ep中屬性type為0的端點p為初始端點，并返回步驟5，當(dāng)端點集合Ep中找不到屬性type為0的端點時，算法終止，并獲得圖像前景的閉合輪廓，如果pk?。絈，返回步驟6。步驟9，把圖像中的每個像素點當(dāng)成是種群中的個體GA(x,y)，則步驟1提取得到圖像的關(guān)鍵前景區(qū)域可以定義為初始像素種群區(qū)域，落在區(qū)域中的像素點就是初始種子點。步驟10，將步驟9得到的初始種子點進(jìn)行像素遺傳適應(yīng)度(區(qū)域連續(xù)種子數(shù)量)計算，也就是將得到的關(guān)鍵前景區(qū)域使用ncut技術(shù)進(jìn)行分割，統(tǒng)計分割得到的各個區(qū)域的區(qū)域連續(xù)種子數(shù)量，然后將統(tǒng)計得到的各個區(qū)域連續(xù)種子數(shù)量進(jìn)行排序，區(qū)域連續(xù)種子數(shù)量最多的區(qū)域就作為適應(yīng)度強的種群，優(yōu)先選擇該種群內(nèi)的點去產(chǎn)生新的像素點；選擇適應(yīng)度強的種群去遺傳新的像素點可以有效的提高遺傳的效率和質(zhì)量。步驟11，將步驟10得到的適應(yīng)性強的種子點選擇為父節(jié)點Fa，像素點GA(x,y)的值為1表示該像素點在種群內(nèi)，0表示不在種群內(nèi)，在父節(jié)點Fa的八領(lǐng)域內(nèi)隨機選擇一個在種群中的像素點為母節(jié)點Ma，如果沒有找到母節(jié)點Ma，則該像素點不能產(chǎn)生新的個體，如果找到母節(jié)點Ma，則通過后續(xù)的遺傳機制產(chǎn)生一個新的個體。我們把每一個個體的基因序列都看成是一個四維的向量(H,S,V,sumRGB)，其中H，S，V分別代表HSV空間中的色度，飽和度和明度，sumRGB代表RGB空間中紅綠藍(lán)三層值的總和。步驟12，將步驟11得到的父節(jié)點Fa基因序列(H,S,V,sumRGB)和母節(jié)點Ma基因序列(H,S,V,sumRGB)進(jìn)行交叉，即子節(jié)點Child的前兩個基因序列來自父節(jié)點Fa，后兩個基因序列來自母節(jié)點Ma，最終得到子節(jié)點Child的基因序列。Child=Fa·1000010000000000+Ma·0000000000100001---(11)]]>步驟13，將步驟12得到的子節(jié)點Child與父節(jié)點Fa八領(lǐng)域內(nèi)的非種群內(nèi)的且非步驟8得到的前景目標(biāo)閉合的輪廓外的點進(jìn)行比較，將基因序列相似度滿足一定閾值的點加入到種群中，其中，相似基因序列的判別閾值選取為0.1，它的含義是子節(jié)點Child基因序列與父節(jié)點Fa八領(lǐng)域內(nèi)的非種群內(nèi)的點基因序列對應(yīng)基因差值。步驟14，將上述步驟得到的滿足變異條件的種群內(nèi)的像素點進(jìn)行變異，即如果一個種群內(nèi)的像素點的八領(lǐng)域內(nèi)的所有點都是非種群內(nèi)的，則我們把他也變異為非種群內(nèi)的像素點，相反，如果一個非種群內(nèi)的像素點的八領(lǐng)域內(nèi)的所有像素點都是領(lǐng)域內(nèi)的，我們就把這個像素點也變?yōu)榉N群內(nèi)的點，如下面公式(12)所示，GA(x,y)為1則保留該像素點，為0則將該點從前景目標(biāo)中去除。步驟15，判斷圖像中的像素點變化是否小于給定的閾值，停止區(qū)域增長，如果成立輸出完整的前景目標(biāo)，否則執(zhí)行步驟11。經(jīng)過大量的實驗，我們設(shè)置這個閾值為0.02％，它定義為遺傳增長得到的點數(shù)占圖像總點數(shù)的比例。當(dāng)前第1頁1 2 3