91精品人妻互换日韩精品久久影视|又粗又大的网站激情文学制服91|亚州A∨无码片中文字慕鲁丝片区|jizz中国无码91麻豆精品福利|午夜成人AA婷婷五月天精品|素人AV在线国产高清不卡片|尤物精品视频影院91日韩|亚洲精品18国产精品闷骚

    作者：鄭曉敏

1  引言

    隨著多媒體技術(shù)的不斷發(fā)展和人們生活水平的提高，普通視頻已經(jīng)不能滿足人們的視覺(jué)需求。與普通視頻相比，立體視頻通過(guò)添加場(chǎng)景深度信息可以實(shí)現(xiàn)立體感和真實(shí)感，深受人們的歡迎。對(duì)象基視頻技術(shù)由于具有良好語(yǔ)義感知和交互操作等優(yōu)點(diǎn)，在立體圖像和視頻處理中受到廣泛關(guān)注。因此，對(duì)象基立體圖像和視頻技術(shù)具有廣泛的應(yīng)用前景，也是視頻技術(shù)未來(lái)的發(fā)展趨勢(shì)之一。

    在對(duì)象基圖像和視頻處理技術(shù)中，準(zhǔn)確高效的對(duì)象分割非常關(guān)鍵。能否對(duì)立體圖像進(jìn)行精確的分割，準(zhǔn)確地提取出人們感興趣的目標(biāo)區(qū)域成為后續(xù)對(duì)象基處理成敗的關(guān)鍵。立體圖像分割也是當(dāng)前圖像處理領(lǐng)域的研究熱點(diǎn)，有很多學(xué)者從事這方面的研究，并取得了諸多研究成果。如參考文獻(xiàn)提出了一種結(jié)合視差和邊緣信息進(jìn)行立體視頻對(duì)象分割的方法。首先利用改進(jìn)的分水嶺算法對(duì)視差圖進(jìn)行分割，以獲得初始的視頻對(duì)象區(qū)域。然后對(duì)視頻對(duì)象區(qū)域進(jìn)行邊緣檢測(cè)，通過(guò)提取其輪廓獲得視頻對(duì)象�；�于深度和顏色信息的聯(lián)合分割具有較大的時(shí)間消耗，且分割質(zhì)量很大程度上取決于獲取的視差圖的準(zhǔn)確性。參考文獻(xiàn)中，首先根據(jù)視頻序列提取深度信息，利用M-RSST算法進(jìn)行深度分割并將其作為初始輪廓。然后通過(guò)構(gòu)建邊緣圖引導(dǎo)主動(dòng)輪廓向目標(biāo)移動(dòng)，當(dāng)輪廓能量最小時(shí)，得到最終分割結(jié)果。該方法能夠獲得較好的分割質(zhì)量，但對(duì)初始輪廓的選取過(guò)于敏感。參考文獻(xiàn)利用三維圖像的灰度和形狀信息進(jìn)行分割，算法需要提前獲得物體的形狀信息，具有一定的局限性。參考文獻(xiàn)中，通過(guò)在深度分割獲得的輪廓上選取初始特征點(diǎn)，并引入運(yùn)動(dòng)幾何空間的概念實(shí)現(xiàn)分割。該算法速度快，分割效果較為理想。但當(dāng)選擇的初始點(diǎn)偏離目標(biāo)對(duì)象的輪廓時(shí)，分割結(jié)果將受到嚴(yán)重的影響。

    通常立體圖像中左右圖像的像素之間存在很強(qiáng)的相關(guān)性。例如在圖1所示的平行相機(jī)系統(tǒng)中，由于左圖像I1和右圖像Ir是左右相機(jī)在相同時(shí)刻對(duì)同一場(chǎng)景拍攝得到的，場(chǎng)景中任意點(diǎn)p在，I1、Ir中的像點(diǎn)p1(x1，Y1)和pr(xr,yr)的縱坐標(biāo)相等，即yl=yr。根據(jù)視差理論，其縱向視差為O，水平視差可以通過(guò)式(1)計(jì)算：

    其中，6為兩相機(jī)的基線距離，為相機(jī)焦距，Z為點(diǎn)p的深度坐標(biāo)，(xl，Y1，z1)和(Xr,YR，Zr)為左右相機(jī)的世界坐標(biāo)。

    因此，在進(jìn)行立體圖像分割時(shí)，不需要對(duì)左右圖像進(jìn)行獨(dú)立分割�？梢韵确指畛鲆粋�(gè)視點(diǎn)圖像的目標(biāo)，然后基于左右視點(diǎn)圖像的視域相關(guān)性和視差約束特性進(jìn)行匹配跟蹤，得到另一個(gè)視點(diǎn)中的目標(biāo),從而完成分割。本文對(duì)經(jīng)典的Grabcut算法進(jìn)行了改進(jìn)，在此基礎(chǔ)上提出一種基于視差匹配的立體圖像分割新算法。算法總體流程如圖2所示，主要包括兩部分：基于改進(jìn)Grabcut算法的左圖像分割和基于視差匹配的右圖像分割。首先，利用改進(jìn)的Slic算法獲得左圖的超像素圖像。在超像素域中，將每個(gè)超像素視作處理單元，基于Grabcut算法框架并結(jié)合新定義的能量函數(shù)對(duì)超像素圖像進(jìn)行分割，提取出左圖目標(biāo)。然后，通過(guò)融合圖像顏色和紋理特征的局部匹配算法將左圖目標(biāo)輪廓匹配到右圖中，從而實(shí)現(xiàn)對(duì)立體圖像的分割。相比傳統(tǒng)的Grabcut算法，由于本文算法是在超像素域中且采用匹配跟蹤立體目標(biāo)的分割方式，并改進(jìn)了Slic超像素生成算法和重新定義能量函數(shù)，可以有效提高分割效率和分割結(jié)果的準(zhǔn)確性。

2基于改進(jìn)Grabcut算法的左圖像分割

2.1  超像素圖像轉(zhuǎn)換與生成

    為解決Grabcut算法耗時(shí)較大的問(wèn)題，分割并不是直接基于像素域進(jìn)行，而是先生成超像素，在超像素域進(jìn)行。目前，超像素轉(zhuǎn)換與生成算法有很多，其中，Slic算法具有思路簡(jiǎn)單、運(yùn)行速率快且產(chǎn)生的超像素大小均勻等優(yōu)點(diǎn)。但當(dāng)前背景顏色相近時(shí)，生成的超像素邊緣依附性較差，容易丟失重要的前景邊界信息。為此，對(duì)其進(jìn)行了改進(jìn)，利用圖像的梯度信息加大將邊界兩側(cè)的像素點(diǎn)歸為一類的懲罰力度。改進(jìn)Slic算法的主要步驟如下。

    (1)對(duì)于一幅給定的彩色圖像，將其轉(zhuǎn)換到LAB顏色空間并根據(jù)期望生成的超像素個(gè)數(shù)將圖像分成大小約為SxS的網(wǎng)格，每個(gè)網(wǎng)格為一初始聚類。

    (2)對(duì)每個(gè)像素Xi，計(jì)算相應(yīng)的梯度值d(Xi），并將每個(gè)網(wǎng)格中心8鄰域像素點(diǎn)中梯度值最小的點(diǎn)作為各聚類的初始聚類中心Cj。

    (3)根據(jù)式(2)計(jì)算像素Xi與以其為中心2Sx2S范圍內(nèi)各聚類中心的差異性懲罰值d(Xi，Ci)。

    其中，de、ds和d*分別為像素點(diǎn)與聚類中心的顏色差異懲罰、距離懲罰和梯度懲罰項(xiàng)。S為步長(zhǎng)，m可視作顏色和距離的權(quán)重因子，通過(guò)調(diào)節(jié)m來(lái)改變dc和ds的權(quán)重，A為梯度懲罰項(xiàng)的權(quán)重系數(shù)。d,(Xi)和dt(Xq)分別為像素點(diǎn)Xi、Xq的梯度值，其中Xq為離Xi與ci連線最接近且處于其間的xi8鄰域方向的像素點(diǎn)。

    (4)將像素歸類到與其具有最小懲罰值的聚類中心所在的類中，并依據(jù)各聚類中的像素重新計(jì)算聚類中心。

    (5)迭代步驟(3)~(4)，直至滿足收斂條件。

    (6)將包含像素個(gè)數(shù)小于S2/4的超像素合并到相鄰的超像素中。

    (7)最終得到含有Ⅳ個(gè)超像素的圖像B。

2.2基于改進(jìn)Grabcut算法的左圖像分割

    在完成超像素的左圖像分割后，接下來(lái)采用改進(jìn)Grabcut算法對(duì)其進(jìn)行分割。Grabcut算法是一種基于圖割的圖像分割算法，分割時(shí)首先需要將圖像映射為一個(gè)帶權(quán)值的S-T網(wǎng)絡(luò)圖。其中，圖的頂點(diǎn)集合y由像素集X和額外端點(diǎn)．s和T構(gòu)成，即v=xU{S，T}。邊集E包括相鄰像素點(diǎn)之間的邊n-link和像素點(diǎn)與源點(diǎn)S、匯點(diǎn)T之間的邊t-link。其中，像素點(diǎn)與源點(diǎn)的邊表示為{x，S}，像素點(diǎn)與匯點(diǎn)的邊表示為{X,T}。

    網(wǎng)絡(luò)圖中每條邊都被賦予一個(gè)非負(fù)權(quán)值，對(duì)于給定像素點(diǎn)Xi，設(shè)xi為其顏色值，其t-link邊的權(quán)值定義如下：

    其中，gk(xi|μk,∑k)表示像素點(diǎn)Xi屬于第k個(gè)高斯分量的概率，K為GMM(gaussian mixture model，高斯混合模型)所包含的分量數(shù)。模型參數(shù)θ包括：各高斯分量均值μk、協(xié)方差矩陣∑k以及各高斯分量的權(quán)重Ⅱk。

    由相鄰像素點(diǎn)x1和X1構(gòu)成的n-link邊的權(quán)值定義如下：

    其中，y為參數(shù)變量，Ⅱ·Ⅱ代表兩像素的顏色差異，dist(·)為兩像素的空間距離，β值由圖像對(duì)比度決定，較大的圖像對(duì)比度對(duì)應(yīng)較小的β值。對(duì)于每對(duì)相鄰像素，其顏色差異和空間距離越小，兩像素越相似，則將其劃分為不同區(qū)域的懲罰值V就越大。

    Grabcut算法復(fù)雜度高、耗時(shí)較大。為此很多學(xué)者提出了相應(yīng)的快速算法，主要是利用超像素的顏色特征衡量相鄰像素間相似性，而忽略了超像素內(nèi)部區(qū)域所具有的紋理特征，導(dǎo)致提取的前景目標(biāo)不夠準(zhǔn)確。為此，本文采用將超像素顏色、梯度、方差等信息有機(jī)結(jié)合的方式對(duì)能量函數(shù)的光滑項(xiàng)做了改進(jìn)，并將其作為超像素相似性度量以提高分割的準(zhǔn)確性。設(shè)Z為超像素集合，超像素Zi、Zj的顏色用其所包含像素的顏色均值z(mì)i和zj表示，新定義n-link邊的權(quán)值如下：

    其中，dist(·)是兩超像素的中心距離，S為步長(zhǎng)。為了充分利用超像素的屬性，光滑項(xiàng)中引入了像素塊的梯度和標(biāo)準(zhǔn)差信息。其中，hi為超像素Zi所包含像素對(duì)顏色均值Zi的標(biāo)準(zhǔn)差，ti表示Zi所包含像素的梯度均值經(jīng)歸一化處理的結(jié)果。

    兩超像素相似性的衡量不僅要依據(jù)超像素顏色差異的大小，還要考慮超像素內(nèi)部區(qū)域均勻性的一致程度。式(7)將超像素梯度信息和標(biāo)準(zhǔn)差信息有機(jī)結(jié)合，能夠有效地衡量區(qū)域間像素的同質(zhì)性。當(dāng)前背景顏色差異不明顯時(shí)，僅利用像素的顏色信息很難將其區(qū)分，容易造成誤分割，而本文提出的光滑項(xiàng)融合了超像素的顏色、梯度和方差信息，能夠有效地識(shí)別像素間的差異，在一定程度上可以降低錯(cuò)誤率，提高分割質(zhì)量。

    對(duì)于給定的一幅超像素圖像B，基于改進(jìn)Grabcut算法的超像素圖像分割步驟如下。

    (1)用戶框選包含目標(biāo)的圖像區(qū)域，框內(nèi)的超像素集Tu={Zi：ai=1，i=1，…，N}用于初始化前景GMM,框外的超像素集TB={Zi：ai=0，i=1，…，N}用于初始化背景GMM。

    (2)利用K-mean算法對(duì)Tu和TB中的超像素聚類，聚類數(shù)為K，并根據(jù)Tu、TB中的聚類結(jié)果分別計(jì)算前景GMM和背景GMM中各高斯分量的均值μk和協(xié)方差∑k。

    (3)利用式(5)計(jì)算前背景GMM中像素屬于各高斯分量的概率gk(zi|μk,∑k)，并將其分配到概率最大的分量中。更新前背景GMM各高斯分量中的像素并重新計(jì)算模型參數(shù)θ(μk,∑k，Ⅱk)。

    (4)利用式(4)、式(7)獲得網(wǎng)絡(luò)圖t-link和n-link邊的權(quán)值，并構(gòu)建S-T網(wǎng)絡(luò)圖和相應(yīng)的能量函數(shù)。如式(8)所示，能量函數(shù)E包含兩個(gè)約束：數(shù)據(jù)項(xiàng)約束Edata和光滑項(xiàng)約束Esmooth。其中數(shù)據(jù)項(xiàng)對(duì)應(yīng)網(wǎng)絡(luò)圖t-link邊的權(quán)值，是對(duì)各個(gè)像素點(diǎn)分配標(biāo)記進(jìn)行的懲罰。而光滑項(xiàng)對(duì)應(yīng)網(wǎng)絡(luò)圖n-link邊的權(quán)值，可看作對(duì)相鄰像素分配不同標(biāo)記進(jìn)行的懲罰。C為網(wǎng)絡(luò)圖的一條切割線，容量用ICI表示�；�于圖割理論的圖像分割通過(guò)構(gòu)建能量函數(shù)，將圖像分割轉(zhuǎn)換成能量函數(shù)最小化問(wèn)題。

    (5)依據(jù)最大流與最小割的等價(jià)性，通過(guò)求得網(wǎng)絡(luò)的最大流解決能量函數(shù)最小化問(wèn)題f10]，從而實(shí)現(xiàn)圖像的分割，并更新前背景GMM中的像素和像素標(biāo)記ai。

    (6)設(shè)定最大迭代次數(shù)ξ，若當(dāng)前迭代次數(shù)n小于ξ，則返回步驟(3),否則執(zhí)行步驟(7)。

    (7)輸出最終分割結(jié)果。

    基于對(duì)Grabcut算法的改進(jìn)，提高了左圖像的分割精度，從而保證了后續(xù)能夠獲得準(zhǔn)確的立體圖像分割結(jié)果。

3基于視差匹配的右圖像分割

    在完成左圖像的目標(biāo)分割后，接下來(lái)基于視域相關(guān)性，采用視差匹配方式實(shí)現(xiàn)右圖像的分割。首先，利用開閉運(yùn)算對(duì)左圖分割對(duì)象進(jìn)行形態(tài)學(xué)處理以消除內(nèi)部空洞和外部凹凸區(qū)。其次通過(guò)追蹤對(duì)象邊界，提取出目標(biāo)輪廓。然后，利用融合圖像顏色和紋理特征的局部匹配算法將左圖目標(biāo)輪廓匹配到右圖中，并采用先膨脹后細(xì)化的方法，將得到的間斷目標(biāo)邊界光滑連接。最后對(duì)輪廓內(nèi)部區(qū)域進(jìn)行填充，通過(guò)二值掩膜獲得右圖分割結(jié)果。

    由于匹配過(guò)程的時(shí)間消耗較大，本文僅對(duì)目標(biāo)輪廓中的像素點(diǎn)進(jìn)行匹配，通過(guò)采用減少匹配點(diǎn)數(shù)量的方式提高算法效率。對(duì)于左圖分割結(jié)果，將得到的前景目標(biāo)像素添加標(biāo)記1．背景像素添加標(biāo)記0，從而得到前景目標(biāo)的二值掩膜圖�；�于該二值圖像并采用邊界追蹤算法提取目標(biāo)輪廓，具體步驟如下。

    (1)設(shè)起始點(diǎn)bo為二值圖像左上角標(biāo)記為1的點(diǎn)，co為bo左側(cè)鄰點(diǎn)，如圖3(a)所示。

    (2)從co開始順時(shí)針?lè)较蛩阉鱞o的8鄰域像素點(diǎn)。bi表示遇到的第一個(gè)標(biāo)記為1的鄰點(diǎn),cl為序列中b1之前的點(diǎn)。令b=b,，C=Cl。

    (3)從c開始按順時(shí)針?lè)较蛩阉?的8鄰域點(diǎn)，依次為n1，n2，…，n8，直到標(biāo)記為1的第一個(gè)鄰點(diǎn)nk，并令b =nk，c =nk-l，如圖3(b)、圖3(c)所示。

    (4)重復(fù)步驟(3)，直到b=bo且找到的下一個(gè)邊界

點(diǎn)為b1。

    傳統(tǒng)的局部匹配算法僅依靠窗內(nèi)像素的顏色信息對(duì)像素進(jìn)行匹配，對(duì)于顏色相近區(qū)域，誤匹配現(xiàn)象較為嚴(yán)重。為進(jìn)一步提高算法的準(zhǔn)確性，本文利用融合圖像顏色和紋理信息的代價(jià)函數(shù)全面衡量像素間的匹配程度。對(duì)于圖像中不同的低紋理區(qū)域，利用窗內(nèi)像素的MSD(meansquared difference，平均平方誤差)能夠有效地對(duì)其進(jìn)行區(qū)分。而對(duì)于顏色相近部分，基于GCM (gaussian color model，高斯顏色模型)并結(jié)合Census變換能夠準(zhǔn)確地對(duì)其進(jìn)行識(shí)別。融合Census變換和MSD的窗匹配代價(jià)函數(shù)C(x，y，d)如下所示：

    其中，Cc(·)和CT(·)分別為基于顏色和基于紋理的窗匹配代價(jià)，“為二者的權(quán)重系數(shù)。

    圖像顏色對(duì)于光照變化較為敏感，在不同方位對(duì)空間中的同一點(diǎn)拍攝得到的顏色往往也不盡相同。為降低光照變化對(duì)圖像顏色的影響，提高匹配的頑健性，Census變換并不在RGB顏色空間中進(jìn)行，而是基于GCMc空間。RGB顏色空間與GCM空間的轉(zhuǎn)換關(guān)系如下：

    Census變換是一種非參數(shù)的局部變換，它將窗內(nèi)各像素與中心像素進(jìn)行比較，輸出結(jié)果為一個(gè)0/1比特串。設(shè)匹配窗W的大小為(2M+l)x(2N+l)，窗內(nèi)中心點(diǎn)Xp的坐標(biāo)為(xp，yp)，對(duì)應(yīng)像素值為I(xp，yp)。G(Xp，xp)代表窗內(nèi)除中心點(diǎn)外各像素Xq∈N(Xp)與中心點(diǎn)的顏色差異，其均值用M(X表示。視差d的取值范圍為D=[dmindmax]。為提高算法的頑健性，將G(Xm，xP)與M(Xp)進(jìn)行比較。若結(jié)果大于0，則相應(yīng)位置添加標(biāo)記1，否則添加標(biāo)記O。對(duì)于左圖像中以Xp為中心的匹配窗，其Census變換可表示為：

    通過(guò)Hamming距離計(jì)算兩匹配窗經(jīng)過(guò)Census變換后輸出的比特串之間的差異程度H(Xp，d)，并利用指數(shù)形式對(duì)其歸一化處理，得到基于區(qū)域紋理的匹配代價(jià)：

    H(Xp,d)=llamming(CT1(XP),CTr(X p-d))   (14)

    當(dāng)左圖I1為參考圖像，右圖，r為目標(biāo)圖像時(shí)，基于區(qū)域顏色的匹配代價(jià)可描述為：

    其中，Yc和yXSD分別為Hamming距離和MSD的歸一化常數(shù)。在獲得區(qū)域匹配代價(jià)之后，采用WTA（mnnertakes all，勝者為王）策略選擇具有最小匹配代價(jià)的候選點(diǎn)作為最優(yōu)匹配點(diǎn)。此時(shí)，像素Xp的視差值dXp可表示為：

    通過(guò)采用將左圖目標(biāo)輪廓匹配到右圖的方法，可以獲得右圖目標(biāo)的整體邊界。但由于匹配誤差、遮擋等問(wèn)題的存在，獲得的右圖目標(biāo)輪廓往往是不連續(xù)的。為得到連續(xù)且光滑的目標(biāo)邊界，本文采用先膨脹后細(xì)化的方法，具體步驟如下。

    (1)將匹配得到的右圖目標(biāo)邊界進(jìn)行膨脹處理以確保邊界具有連續(xù)性。

    (2)依次遍歷圖像中的每個(gè)3x3區(qū)域，區(qū)域中各點(diǎn)標(biāo)記名稱p1，p2，…，p9，其中p1位于區(qū)域中心，如圖4所示。若pl為前景點(diǎn)，即pl=l且同時(shí)滿足以下3個(gè)條件，則將pl標(biāo)記為可刪除點(diǎn)。

    ①設(shè)N(p1)表示像素點(diǎn)p1的8鄰域像素點(diǎn)是前景點(diǎn)的個(gè)數(shù)，且滿足以下關(guān)系：2≤N(1)≤6。

    ②設(shè)A(p1)表示按p2,p3，…，p9的排列順序時(shí)，出現(xiàn)01模式的個(gè)數(shù)，且A(p1)的值為1。

    ③像素點(diǎn)p6、p8中至少有一個(gè)為背景點(diǎn)或像素點(diǎn)p2.p。都為背景點(diǎn)，即p2xp6xp8=0且p4xp6xp8=0。

(3)若步驟(2)中存在可刪除點(diǎn)，則令該點(diǎn)為背景點(diǎn)，即將該點(diǎn)標(biāo)記為0。

    (4)重新遍歷圖像中的每個(gè)3x3區(qū)域，若p1為前景點(diǎn)且同時(shí)滿足步驟(2)的①、②和步驟(4)的①3個(gè)條件，則將p1標(biāo)記為可刪除點(diǎn)。像素點(diǎn)p2、p4中至少有一個(gè)為背景點(diǎn)或像素點(diǎn)p6、p8都為背景點(diǎn)，即p2Xp4xp6=0且p2xp4xp8=0。

    (5)若步驟中存在可刪除點(diǎn)，則令該點(diǎn)為背景點(diǎn)。

    (6)迭代步驟(2)~(5)直到?jīng)]有可刪除點(diǎn)。

    (7)輸出細(xì)化結(jié)果。

    通過(guò)采用先膨脹后細(xì)化的方法，不但可以將輪廓間斷處有效地連接，而且得到的目標(biāo)輪廓較為光滑。最后對(duì)輪廓內(nèi)部區(qū)域進(jìn)行填充，依據(jù)獲得的二值掩膜圖提取出右圖前景目標(biāo)，從而完成右圖像的分割。

4  實(shí)驗(yàn)結(jié)果及分析

    為驗(yàn)證算法的有效性，基于Visual Studi0 2010平臺(tái)，對(duì)任意選取的網(wǎng)絡(luò)圖片進(jìn)行了實(shí)驗(yàn)測(cè)試。實(shí)驗(yàn)主要分為兩部分：基于改進(jìn)Slic算法的超像素生成和基于改進(jìn)Grabcut算法的立體圖像分割。

    為了驗(yàn)證改進(jìn)Slic算法的有效性，實(shí)驗(yàn)中對(duì)一幅分辨率大小為558 dpix369 dpi的大象圖進(jìn)行了測(cè)試。其中，設(shè)定生成的超像素個(gè)數(shù)為1 000，權(quán)重m為35，測(cè)試結(jié)果如圖5

所示。

    圖5(a)力Slic算法的分割結(jié)果，圓圈區(qū)域內(nèi)部，由于目標(biāo)與背景的顏色較接近，算法很難對(duì)目標(biāo)和背景像素進(jìn)行區(qū)分，生成的超像素中同時(shí)包含前景和背景像素，導(dǎo)致目標(biāo)邊緣信息嚴(yán)重丟失。圖5(b)、圖5(c)為改進(jìn)算法且梯度權(quán)重A分別為2.5和4.5時(shí)的分割結(jié)果。不難看出，融合了圖像梯度信息的改進(jìn)算法通過(guò)加大將邊界兩側(cè)的像素點(diǎn)歸為一類的懲罰力度，能夠?qū)δ繕?biāo)邊界進(jìn)行有效的保護(hù)，從而提高了分割的準(zhǔn)確性。

    圖6為本文算法對(duì)部分測(cè)試圖像的最終分割結(jié)果。

    由圖6(c)、圖6(d)的對(duì)比可以看出，本文的Grabcut改進(jìn)算法對(duì)目標(biāo)整體的提取效果較原算法有了明顯改善。通過(guò)融合了像素顏色、梯度等特征的光滑項(xiàng)更容易將目標(biāo)從背景像素中提取出來(lái)。同時(shí)在生成超像素的預(yù)處理過(guò)程中添加了保護(hù)目標(biāo)邊緣的措施，使得最終分割得到的目標(biāo)邊緣較為平滑，有效避免了以往基于超像素分割造成的目標(biāo)邊緣粗糙的現(xiàn)象。

    對(duì)于立體圖像，右圖的分割充分利用了左圖的分割結(jié)果，采用在右圖中尋找左圖目標(biāo)輪廓的匹配點(diǎn)并結(jié)合形態(tài)學(xué)處理的方法獲取右圖目標(biāo)。實(shí)驗(yàn)中設(shè)定權(quán)重系數(shù)a=0.1，歸一化常數(shù)Yc、y惜D分別為10和20。如圖6(f)所示，通過(guò)該方法，不但可以簡(jiǎn)化右圖分割步驟．而且能夠準(zhǔn)確地提取出右圖目標(biāo)，獲得較好的立體圖像分割結(jié)果。

    為了進(jìn)一步檢驗(yàn)算法的性能，在相同實(shí)驗(yàn)環(huán)境下對(duì)Grabcut算法和改進(jìn)算法的耗時(shí)進(jìn)行了測(cè)試。設(shè)定生成的超像素個(gè)數(shù)仍為1 000個(gè)，測(cè)試結(jié)果見表1。

    通過(guò)對(duì)比可以看出，改進(jìn)算法的分割效率較原算法有了較大的提升�；�于超像素域的GMM迭代極大地降低了所需處理的數(shù)據(jù)量，從而有效地節(jié)約了時(shí)間資源。

5結(jié)束語(yǔ)

為了能夠有效地實(shí)現(xiàn)立體圖像分割，本文基于改進(jìn)Grabcut算法和視域相關(guān)性，提出了一種新穎且高效的立體圖像分割算法。算法中左圖像的分割是在超像素域中進(jìn)行，右圖像的分割結(jié)果是對(duì)左圖目標(biāo)有限個(gè)輪廓點(diǎn)進(jìn)行匹配跟蹤獲得，因而算法具有較高的分割速率。此外，通過(guò)在超像素生成過(guò)程中添加保護(hù)目標(biāo)邊緣的措施，有效改善了分割得到的目標(biāo)邊緣較為粗糙的問(wèn)題。同時(shí)，基于對(duì)Grabcut算法中能量函數(shù)光滑項(xiàng)的重新定義，更能精確地衡量相鄰像素間的相似性，從而進(jìn)一步提高了立體圖像分割的準(zhǔn)確性。

6摘要：

立體圖像分割是對(duì)象基立體圖像處理中的關(guān)鍵和難點(diǎn)�；�于改進(jìn)Grabcut圖割算法和視域相關(guān)性，提出一種新的立體圖像分割算法。首先基于改進(jìn)Slic方法將左圖像轉(zhuǎn)換成超像素圖像，然后基于Grabcut框架通過(guò)重新定義能量函數(shù)對(duì)其分割以提取出左圖像目標(biāo)。最后，基于左右圖像的視域相關(guān)性通過(guò)融合顏色和紋理特征的輪廓匹配提取右圖像目標(biāo)。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有方法相比，所提算法能獲得更高的分割效率和更準(zhǔn)確的分割結(jié)果。