基于SLIC超像素的Grab Cut算法改进

图像识别. 应用领域相当广. 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 ...
展开查看详情

1.基于 SLIC 超像素的 Grab Cut 算法改进 作者:董茜、颜凯、孙婷婷、张思远 主讲人:董茜

2.研究背景 Research Background 图像识别 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 图像搜索 程。它是由图像处理到图像分析的关键步骤。 图像分析 应用领域相当广 人脸识别 车牌识别 图片检索 视频分析

3.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 NC 算法 GS 算法 SL 算法 基于图论 超像素算法分类 TP 算法 QS 算法 WS 算法 基于梯度上升法 GCa 、 GCb 算 SLIC 算 法 法

4.研究背景 GrubCut 算 法 Research Background 中级处理 SLIC 算 分割 表示与描述 法 预处理 识别与 结果 知识库 问题 解释 图像获取 低级处理 高级处理 图像分析系统基本构成

5.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

6.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 。

7.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 S  N /k 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。

8. 研究内容 Research Content 01 SLIC 02 Grab Cut Grab Cut 算法 预处理生成超像素 通过交互式方法进行分割 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。

9. 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。 改进前:随机选取超像 改进后:均匀分布的超像素聚类中心 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 素 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。

10. 算法改进 Algorithm Improvement 改进 Grab Cut 算法 问题描述: Grab Cut 算法虽然经过迭代可以有效提高分割结果的精确性 , 但 是算法的效率低下。 改进思路:由于在分割过程中 , Grab Cut 是对区域内所有像素点进行采样来构 建高斯混合模型 , 最后通过最小化能量方程的方式进行图像分割。但是若仅仅对像 超像素分割图 素进行抽样采样又会影响算法的分割效果。为了提高 Grab Cut 算法的运算效率 , 减少采样量是一个可行的办法 , 但为了保证高斯混合模型的完整性 , 无法对所有像 素点进行抽样 , 因此可以使用多个像素聚类而成的超像素的方法。 具体方法:可以将取超像素中所有像素的平均特征值 , 以该平均值表示该超像 素的特征 , 作为加权图中的一个节点。由于超像素是多个具有相同或类似像素点的 聚类 , 为了有效地提升算法效率 , 只在每一个超像素中随机采样 n 个像素 , 以这 n 由超像素建立加权图 个像素的平均特征值作为加权图中的节点即可。

11.实验验证 Experimental Verification 分辨率 189*286 原图 自动分割 交互信息 迭代一次 迭代二次 迭代三次 迭代四次 迭代五次

12.实验验证 Experimental Verification 分辨率 1024*726 原图 交互信息 迭代一次 迭代二次 迭代三次

13.实验验证 Experimental Verification 使用算法 项目 自动分割 传统 Grab Cut 改进后的 Grab Cut 图片分辨率 189*286 1024*726 189*286 1024*726 189*286 1024*726 用户是否编 ✕ ✕ ✓ ✓ ✓ ✓ 辑 迭代次数 5 3 5 3 5 3 使用时间 7826.7 11832.4 14313.6 40275.2 4074.8 9378.3 (ms) 实验证明:结合 SLIC 超像素算法和 Grab Cut 算法的基础上提出的基于改进 SLIC 超像素的 Grab Cut 算法 , 保 留了传统 Grab Cut 的精确性 , 并且迭代次数较少 , 运行时间较短。在一定程度上提升了传统 Grab Cut 算法的运行效 率。

14.谢谢 appletung@uestc.edu.cn