基于目标轮廓增强的 GrabCut图像分割方法

基于目标轮廓增强的 GrabCut图像分割方法

李月月 吴新宇 张子昂

华北理工大学

摘要：通过将现有GrabCut算法的手动初始化导致的图像分割效率低与目标轮廓增强技术相结合，提出了自动GrabCut算法。首先，对图像执行光谱残差计算，以获得具有目标轮廓的可视化挤压图。其次，对挤出的地图进行预分割，并通过快速连接区域分析执行前景估计，以获取遮罩，并用获取的遮罩替换手动交互式初始化。GrabCut算法最终实现了自动拆分。根据实验结果，该方法克服了手工操作的缺点，在处理背景色相似的图像时，具有比传统方法更好的分割效果。

关键字：分离图像的前后场景；GrabCut算法；突起图；轮廓增强

图像的正面和背景分离是计算机视觉的基本部分，它从背景区域提取感兴趣的区域，以使图像更简单，更易于理解和分析。效果的质量对后续的图像分析和图像理解有重要影响，因此提高图像分离的效率和准确性非常重要。

1如何分离现有图像

一般而言，采用传统的图像分割方法，主要有监督分割法，非监督分割法和交互式分割法。交互式方法通过人工干预来提高分割的准确性，而GrabCut算法具有简单的交互性和理想的分割效果，因此在图像背景和背景分离方面具有广泛的应用。但是，这种方法的缺点是初始化需要人工干预，因此国内外学者对改进的GrabCut自动算法进行了研究。Pourjam通过ASM（主动形状模型）训练来获取感兴趣对象的轮廓位置，但是分离结果受到训练模型选择的限制。K平均算法用于获取目标区域并初始化GrabCut，具有良好的分离结果，但是如果感兴趣的对象接近背景色，则分离结果会很差，因为该算法对对象的判断不佳。

2人类视觉系统检测

视觉挤压功能非常快速可靠，依靠这种视觉挤压机制，可以在观察场景时从大量信息中快速找到感兴趣的区域，因此，视觉挤压机制与传统图像分割方法的结合是人为的交互式分割。可以将方法更改为非分段方法。在如何获取图像的凸出区域的研究中，显著图是与原始图像大小相同的亮度分布图，并且亮度用于指示原始图像在该位置处的显著程度。显著性模型已扩展并成功应用于目标识别。Hou等人提出了一种光谱残差模型，该模型通过使用图像光谱减法和傅里叶逆变换在轮廓增强后获得一个显著区域，该模型具有简单性和速度优势。

针对上述问题，本文提出了一种结合目标轮廓增强的自动GrabCut算法，该算法不仅不需要人工交互，而且可以实现前景和背景之间的自动图像分离。处理具有相似背景色的图像时，解决了现有算法的问题。无法有效地分离正面和背面。

吉布斯函数反映了一个像素适合前景和背景的程度，并且是确定图像中相邻像素之间相似度的标准。如果像素为标签提供了更接近现实的标记，则结果将减少整体能量函数，因此可以将图像分割问题转换为二元分割问题，并且模型参数的迭代将能量最小化并使用最大流量最小值。分割方法可为有向图提供最佳解决方案，并进行分割。

3改进的自动GrabCut图像分割

通过结合SR算法和原始GrabCut分割方法，提出了一种基于目标轮廓增强的自动GrabCut分割方法。这些步骤是：

（1）使用光谱残差算法处理图像，以获得目标轮廓增强的拉伸图。

（2）使用γ变换在挤压地图上执行图像增强处理，并使用自适应阈值方法进行二值化处理。

（3）二值化之后，在图像中形成孔，这会影响后续工作，并使用形状进行处理。

（4）在进行形状处理之后，它分析二值图像的连接区域，并自动获得目标区域的最小外接矩阵和该矩阵的四个角坐标。

4对比实验

将建议的方法与现有的GrabCut方法进行比较。比较第（II）栏和第（III）栏可知，该方法可以达到原始GrabCut算法的分离效果，同时在实验中手动选择框状蒙版时受人为因素影响的面积如果太大，分割结果可能无法达到预期的效果。所提出的方法很好地解决了这些问题。当处理效果更好但背景颜色相似的图像时，与KM-G方法相比，所提出的方法比目标KM-G方法更好地获得目标二值图像，并且可以更好地获得目标区域。这两种算法分别处理200张具有相似背景色（SC）的图像和200张具有大背景色（DC）的图像，以计算平均准确度和平均调用的比较结果。本文提出的方法表明，在前景和背景中处理相似颜色的图像时，图像分割效果远优于现有算法。

5结论

图像分割一直是模式识别和图像处理中的热门研究主题，传统的GrabCut分割效率低下，因为它需要人机交互。针对这一问题，提出了一种基于目标轮廓增强的自动GrabCut算法。首先，我们使用SR算法增强对象的轮廓以获得感兴趣对象的大致位置，然后通过形状获取二进制图像，然后分析连接区域以获得初始化蒙版，然后使用结果蒙版从原始图像中抓取GrabCut初始化算法。得到最终的分离结果。本白皮书中提出的算法实现了GrabCut算法的自动化，与具有简单背景的背景图像具有良好的分离效果，并且在处理具有相似颜色的简单背景图像时，其效果优于常规算法。但是，复杂图像的处理效果较差，需要在后续实验中进一步改进。

参考文献

[1]丁亮，张永平，张雪英.图像分割方法及性能评价综述[J].软件，2010，31（12）：78-83.

[2]姜全春，王宁，李雷，蒋林华.一种新的基于超像素聚类的图像分割算法[J].软件，2019，40（06）：44-48.

[3]李健，牛振山.基于第2代Curvelet的非监督式纹理缺陷分割[J].中国图象图形学报，2011，16（10）：1812-1817.

[4]陈洁，胡永，刘泽国.基于标记的分水岭图像分割算法研究[J].软件，2012，33（9）：115-117.