這期內(nèi)容當中小編將會給大家?guī)碛嘘P大數(shù)據(jù)中基于自適應顯著性的圖像分割是怎樣的，文章內(nèi)容豐富且以專業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

創(chuàng)新互聯(lián)主要從事成都網(wǎng)站建設、成都網(wǎng)站制作、網(wǎng)頁設計、企業(yè)做網(wǎng)站、公司建網(wǎng)站等業(yè)務。立足成都服務永興,十余年網(wǎng)站建設經(jīng)驗,價格優(yōu)惠、服務專業(yè),歡迎來電咨詢建站服務:18980820575

前言

通常，當我們看到一張圖片時，會在圖片中聚焦一個焦點。這個可能是一個人，一座建筑物甚至是一個桶。其他沒有聚焦區(qū)域雖然很清晰，但是卻由于顏色單調(diào)或者紋理較為平滑而很少引起關注。當遇到此類圖象時，我們希望從圖像中分割感興趣的對象。下面給出了顯著圖像的示例，下面探討了此類顯著圖像的分割方法，也稱為顯著性的圖像分割。

顯著圖像的示例。桶（左）和人（右）是感興趣的對象

這中分割方式最開始起源于希望能夠自主尋找圖像中的Trimap。Trimap是圖像掩碼（mask），當與掩碼算法配合使用時，可用于分割圖像，同時能夠提示前景和背景之間的細節(jié)。Trimap通常包含定義前景的白色區(qū)域，定義背景的黑色區(qū)域以及代表不確定區(qū)域的灰色區(qū)域。具體形式如下圖所示。

Trimap示例

大部分摳圖算法問題在于，他們希望Trimap由用戶提供，這是一項非常耗時的任務。這里面介紹兩個試圖解決自主trimap生成問題的相關論文，這兩篇論文在文末給出。在第一篇論文中使用了一種相當簡單且易于實現(xiàn)的方法。不幸的是，他們的方法并不是完全自主的，因為它要求用戶為Grabcut算法提供一個矩形區(qū)域。第二篇論文中，使用顯著性方法預測感興趣的區(qū)域。但是，它們的顯著性方法非常復雜，將三種不同的顯著性算法的結(jié)果結(jié)合在一起。這三種算法中有一種利用卷積神經(jīng)網(wǎng)絡，為了易于實現(xiàn)，應該盡量避免這種技術。

如果忽略需要人為給出矩形區(qū)域，第一篇論文中能夠產(chǎn)生較好的分割結(jié)果。通過第二篇論文的原理去自動給出一個Grabcut算法的矩形區(qū)域，那么將完美的解決自主分割的問題。

方法

對于大多數(shù)形式的圖像分割，目標都是將圖像二值化為感興趣的區(qū)域。這個本文介紹方法的目標也是這樣的。首先，大致確定感興趣的對象在哪里。將高斯模糊應用于圖像，之后在模糊圖像中生成平均15像素大小的超像素。超像素算法旨在根據(jù)像素區(qū)域中值的顏色和距離來分解圖像。具體來說，使用了簡單的線性迭代聚類（SLIC）算法。具體形式如下圖所示。

一個桶和一個人的超像素劃分結(jié)果

超像素將圖像分解為大致相同的區(qū)域。這樣的一個優(yōu)點是，超像素允許區(qū)域的泛化。我們可以假設超像素內(nèi)的大多數(shù)像素具有相似的屬性。

在確定圖像中的超像素的同時，計算圖像的顯著性圖。使用了兩種不同的顯著性技術。第一種方法使用OpenCV內(nèi)置的方法，即所謂的細顆粒顯著性。第二種方法涉及獲取細顆粒顯著性圖像的平均值，然后從圖像的高斯模糊版本中減去平均值，然后是新圖像的絕對值。

下方的圖像均突出顯示了感興趣的區(qū)域。細顆粒顯著性產(chǎn)生的圖像較為柔和。此外，細顆粒顯著性圖像主要勾勒出突出圖像的邊界。而另一種方法雖然也捕獲了突出圖像的內(nèi)部，但是與細顆粒方法相比，該方法會產(chǎn)生更多的噪音。之后需要對噪聲進行去除。

第一種顯著性結(jié)果

第二種顯著性結(jié)果

為了將圖像二值化，對從彩色圖像生成的每個超級像素進行迭代。如果顯著圖像內(nèi)該超像素區(qū)域的中值像素值大于閾值T1，則整個超像素將被二值化為白色。否則，整個超像素將保留為黑色。T1由用戶選擇，一般情況下，將T1設置為顯著圖像中最大像素值的25%-30％。

在對圖像進行二值化之后，基于所使用的顯著性技術對圖像進行擴張。在第一種方法中，將圖像放大為平均超像素尺寸的兩倍。在第二種方法中沒有進行擴大，因為圖像中存在的較大噪聲使擴張風險增大。處理的結(jié)果在下面給出。

最后一步操作取決于使用的是哪種顯著性。在這兩種方法的結(jié)果中，都提取最大的白色像素區(qū)域。通過查找圖像中的輪廓并選擇面積最大的輪廓來執(zhí)行此操作，之后將邊界框擬合到所選區(qū)域。

根據(jù)一般性結(jié)果，第一種顯著性方法通常會導致區(qū)域碎片化。生成邊界框后，將落入該框的不屬于最大區(qū)域的所有其他白色區(qū)域添加到該框。框的邊界增加到包括這些區(qū)域。第二種顯著性方法不需要這樣做。通常，最大獲取的區(qū)域會超出期望的數(shù)量。

最后一步是將最終找到的邊界框提供給Grabcut算法。Grabcut是用于分割圖像的常用方法，該方法會將絕對是背景和前景的內(nèi)容分開。這里面我們直接使用OpenCV的內(nèi)置Grabcut函數(shù)。處理的結(jié)果如下所示。

結(jié)果

兩種顯著性計算方法對于結(jié)果會有一些影響。第一種顯著性方法更加適用于含有噪聲的圖像中，在含有噪聲的圖像中不會像第二種顯著性方法造成分割結(jié)果的溢出。，但是如果圖像太長或有卷須，則這些部分通常會與圖像的其余部分斷開連接。

下面是這兩種方法分割更多圖像的示例結(jié)果。

上述就是小編為大家分享的大數(shù)據(jù)中基于自適應顯著性的圖像分割是怎樣的了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注創(chuàng)新互聯(lián)行業(yè)資訊頻道。

新聞名稱：大數(shù)據(jù)中基于自適應顯著性的圖像分割是怎樣的
文章轉(zhuǎn)載：http://chinadenli.net/article38/jpsssp.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供、定制開發(fā)、用戶體驗、網(wǎng)站改版、品牌網(wǎng)站建設、域名注冊

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)