本發明涉及一種快速Grabcut算法，屬于圖像處理
技術領域：
。
背景技術：
：圖像分割是當今一個比較熱門的研究課題，有著廣闊的應用前景。它廣泛應用于醫學、交通、軍事等領域，研究它可以為我們進一步理解、分析圖像相關信息提供非常重要的幫助。圖像分割實質上即是對目標區域的分離，也是對目標特征的提取。通過對這些分離和提取的數據進行處理，使得更高層次的理解與分析成為可能。這同時也使得圖像分割成為圖像處理到圖像分析的重要部分。圖像分割結果的準確性將直接影響到后期數據分析與內容理解的效果。圖像分割本身是一門十分復雜和棘手的技術，由于現有圖像分割算法的一些不足也促進研究者們不斷創新和改進，使圖像分割技術不斷完善，以便使其在實際應用中發揮更好的作用。GrabCut是一種人工交互式彩色圖像分割方法，是基于圖論的圖像分割方法。其基本原理是源自graphcuts算法。Graphcuts是將圖割的理論引入圖像分割中，使圖像的最佳分割問題轉化為能量函數最小化的問題，并采用最小割算法使能量最小化，并結合像素標記來完成分割的N維圖像分割方法，由Boykov等人于2001年提出。在GraphCuts給出的實現中，求解能量函數所用網絡圖是通過灰度直方圖模型來構建的。Blake等將高斯混合模型(GMM)引入來代替灰度直方圖，為彩色圖像的前景和背景建模，將該方法應用于彩色圖像進行分割的問題中。隨后Rother和Blake等通過研究高斯混合模型的隨機場理論，提出了GrabCut方法。該方法以引入了高斯混合模型的Graphcuts為原型，使用人工交互來選取圖像中的感興趣目標，同時使用迭代的方式來最小化能量函數，使分割結果更加精確。GrabCut算法與其他圖像分割算法相比，交互方式簡單且分割效果好，在圖像分割、圖像識別等領域被廣泛運用。但是該算法對于前景和背景具有很高相似度的圖片分割效果不理想，同時由于GMM模型的迭代求解過程復雜，使得算法時間花銷大。特別在處理高分辨率圖像時，處理需要花銷大量時間。技術實現要素：為解決現有技術的不足，本發明的目的在于提供一種基于蒙版插值的快速Grabcut算法，解決對高分辨率圖像利用常規Grabcut算法進行圖像分割時計算量大的問題。為了實現上述目標，本發明采用如下的技術方案：一種基于蒙版插值的快速Grabcut算法，其特征是，包括如下步驟：1)輸入原始圖像M，對其進行壓縮處理得到圖像M1，本步驟中所經歷的壓縮次數記為N；2)對壓縮后的圖像M1進行處理，獲得與壓縮圖像M1尺寸相對應的Grabcut算法處理產生的蒙版矩陣Mask1；同時，初始化計數變量n＝1；3)對蒙版矩陣Mask1進行擴展處理：將蒙版矩陣Mask1通過與擴展矩陣作Kronecker積，將蒙版矩陣Mask1尺寸擴展到原來的2倍得到蒙版矩陣其中表示矩陣的Kronecker積；4)對蒙版矩陣Mask2的元素進行數值修正：建立與Mask2相同尺寸的空矩陣Mask3，將Mask3中每個元素的數值修正為Mask2矩陣中相對應元素周邊相鄰的所有元素數值的算術平均值，完成一次擴展插值，更新n＝n+1；5)如若n＜M，將Mask3的值賦給Mask1，重新進入步驟3)；如若n≥N，此時Mask3的長寬尺寸已經與原圖像一致，則進行下一步；6)對Mask3進行二值化處理得到Mask，并利用Mask對原圖像進行分割。進一步地，所述步驟1)的具體內容為：1.1)輸入原始圖像M，并建立原始圖像的副本圖像M′，獲得其像素寬度為W，高度為H，其總像素數為W×H；1.2)初始化壓縮次數N＝0；1.3)判斷圖像M′的總像素數是否大于像素數門限G：若W×H＞G，則將圖像M′的長、寬分別壓縮為W/2和H/2，更新圖像M′，壓縮次數計數變量N＝N+1，重復本步驟直到W×H≤G，將最終得到的圖像記為M1。進一步地，所述步驟6)具體內容為：依據經驗值設定一個門限值Vg，將Mask3中值大于或等于門限值Vg的元素值更換為1，將Mask3中值小于門限值Vg的元素值更換為0，得到蒙版矩陣Mask，利用蒙版矩陣Mask對原圖像進行圖像分割。本發明所達到的有益效果：本發明給出的方法與現有的Grabcut方法相比，對于高分辨率的圖像，本方法計算效率更高，且隨著圖像像素數的增加，改進算法的執行效率優勢越大，同時獲得與Grabcut算法相近的圖像分割效果。附圖說明圖1是本發明的算法流程圖；圖2(a)(b)(c)(d)分別是本發明的一個實施例中蒙版矩陣Mask1、Mask2、Mask3、Mask的示例圖；圖3(a)(b)分別是本發明和常規Grabcut算法對圖像分割的效果比較圖。具體實施方式下面結合附圖對本發明作進一步描述。以下實施例僅用于更加清楚地說明本發明的技術方案，而不能以此來限制本發明的保護范圍。本發明的算法如圖1所示，具體步驟為：步驟1)輸入大尺寸原始圖像M，對其進行壓縮處理得到圖像M1，本步驟中所經歷的壓縮次數記為N，具體過程如下：1.1)輸入原始圖像M，并建立原始圖像的副本圖像M′，獲得其像素寬度為W，高度為H，其總像素數為W×H；1.2)初始化壓縮次數N＝0；1.3)判斷圖像M′的總像素數是否大于像素數門限G(門限G根據經驗值設定)：若W×H＞G，則將圖像M′的長、寬分別壓縮為W/2和H/2，更新圖像M′，壓縮次數計數變量N＝N+1，重復本步驟直到W×H≤G，將最終得到的圖像記為M1。步驟2)對壓縮后的圖像M1進行處理，獲得與壓縮圖像M1尺寸相對應的Grabcut算法處理產生的蒙版矩陣Mask1；同時，初始化計數變量n＝1。步驟3)對蒙版矩陣Mask1進行擴展處理：將蒙版矩陣Mask1通過與擴展矩陣作Kronecker積，將蒙版矩陣Mask1尺寸擴展到原來的2倍得到蒙版矩陣其中表示矩陣的Kronecker積。步驟4)對蒙版矩陣Mask2的元素進行數值修正：建立與Mask2相同尺寸的空矩陣Mask3，將Mask3中每個元素的數值修正為Mask2矩陣中相對應元素周邊相鄰的所有元素數值的算術平均值，完成一次擴展插值，更新n＝n+1。步驟5)如若n＜N，將Mask3的值賦給Mask1，重新進入步驟3)；如若n≥N，此時Mask3的長寬尺寸已經與原圖像一致，則進行下一步；步驟6)對Mask3進行二值化處理得到Mask，并利用Mask對原圖像進行分割：依據經驗值設定一個門限值Vg，將Mask3中值大于或等于門限值Vg的元素值更換為1，將Mask3中值小于門限值Vg的元素值更換為0，得到蒙版矩陣Mask，利用蒙版矩陣Mask對原圖像進行圖像分割。下面結合實施例來進行說明：如圖2，以一個4×4的蒙版矩陣為例，進行一次擴展插值，其處理方法如下：將矩陣4×4矩陣Mask1如圖2(a)與擴展矩陣H(2×2維的全1矩陣)作Kronecker積，將矩陣Mask1尺寸擴展到原來的2倍獲得8×8的矩陣Mask2，如圖2(b)。將擴展后的8×8的矩陣Mask2的元素進行數值修正，建立與Mask2相同尺寸的空矩陣，將空矩陣中每個元素的數值修正為8×8矩陣中相對應元素周邊相鄰的所有元素數值的算術平均值獲得Mask3，如圖2(c)。最后，對插值后的Mask3矩陣做閾值判斷成0，1矩陣，門限值Vg定為0.45，獲得蒙版矩陣Mask，如圖2(d)。如圖3，選用“Lena”圖像進行對比，利用本發明的算法與常規Grabcut算法同時對同一尺寸800×800的圖像進行圖像分割處理。圖3(a)為本算法對lena圖像的分割結果圖，圖3(b)為常規Grabcut算法對“Lena”圖像的分割結果圖。本算法所設圖像總像素門限值G＝30000，對蒙版矩陣所設門限值Vg＝0.45。選取圖中方框區進行放大，可以看出對于相同分辨率的圖像，基于蒙版插值的快速Grabcut算法與常規Grabcut算法對圖像分割處理結果相近。本發明的執行效率通過以下實驗進一步說明：1、實驗條件和內容：實驗仿真環境為：VisualStudio2013+opencv3.0，CPUintelCOREi5，內存4.0G，64位操作系統，Window7Professional。實驗內容包括：使用尺寸大小為400×400，600×600，800×800，1000×1000，1200×1200的圖像，該實驗是分別利用基于蒙版插值的快速Grabcut算法與常規Grabcut算法同時對不同尺寸的圖像進行圖像分割處理。基于蒙版插值的快速Grabcut算法的測試中所設圖像總像素門限值G＝30000，對蒙版矩陣所設門限值Vg＝0.45。2、實驗結果：本發明的一種基于蒙版插值的快速Grabcut算法和常規Grabcut算法對不同尺寸的圖像進行圖像分割處理的時間開銷如表1所示。表1給出了對于處理相同分辨率的圖像，基于蒙版插值的快速Grabcut算法與常規Grabcut算法所用時間。從表1中可知，本發明對圖像進行分割處理的效率比常規Grabcut算法相比有明顯的提高。序號圖像尺寸大小改進算法用時(s)grabcut算法用時(s)1400*4000.4363.8072600*6000.93611.1223800*8001.10817.5541000*10001.60653.2551200*12002.32456.13361600*16003.572308.261表1實驗結果綜上，本發明提出的一種基于蒙版插值的快速Grabcut算法，對于高分辨率的圖像，在獲得與常規Grabcut算法相近的圖像分割質量的情況下，具有更高的計算效率，且隨著圖像總像素數的增加，本發明算法的執行效率優勢越大。以上所述僅是本發明的優選實施方式，應當指出，對于本
技術領域：
的普通技術人員來說，在不脫離本發明技術原理的前提下，還可以做出若干改進和變形，這些改進和變形也應視為本發明的保護范圍。當前第1頁1 2 3