搜索
Grabcut及其改进算法研究摘要：Grabcut是一种基于Graphcuts算法原理改进而来的交互式分割算法，很多情况下有着很好的分割效果，但是在图片的背景与前景具有很高相似度时，分割效果很不理想。随着数码技术的发展，人们需要处理的图像越来越多，对如何提高算法的分割效果、执行效率及改善交互方式的研究具有深远意义。对Grabcut算法以及在HSV颜色空间下的Grabcut算法和自适应Grabcut算法进行了研究。关键词：Grabcut；HSV颜色空间；自适应Grabcut中图分类号：TP312文献标识码：A文章编号：1672-7800（2015）005-0065-03作者简介：黄玲玲（1990-），女，四川广安人，西南交通大学信息科学与技术学院硕士研究生，研究方向为数字图像处理。0引言图割算法是目前广泛使用的交互式图像分割算法之一，该方法将图像分割过程转化为求解包含区域信息和边界信息的能量函数最小化过程。基于该理论提出的分割算法包括：交互式Graphcut算法[1]、Grabcut算法[2]、Lazysnapping算法[3]等。图割算法摒弃了传统的自然图像抠图技术中的三分图输入，将自然图像抠图问题转换成下面两个问题：①找出自然图像中前景与背景之间的边界，也就是把需要抠图的自然图像分割成前景部分和背景部分；②根据上一个问题中得到的分割信息，对前景的边缘部分进行细化，从而达到自然图像抠图的目的。Grabcut算法与其它图割算法相比，交互方式简单且分割效果好，在图像分割、图像识别等领域被广泛运用。但是该算法对于前景和背景具有很高相似度的图片分割效果不理想，同时由于GMM模型的迭代求解过程复杂，使得算法时间花销大。随着数码技术的发展，人们需要处理的图像越来越多，对于交互方式更为简洁的需求也越来越大，因此很多学者对进一步改善Grabcut算法的分割效果、效率和交互方式进行了研究，其中有代表性的是Priyaka和Anurag[4]等提出的基于HSV颜色空间的Grabcut算法，以及Kang[5]等提出的基于格网掩码和均值漂移的Grabcut算法。1Grabcut算法Rother等人对graphcuts算法进行分析改进，提出了方便快捷的Grabcut算法，降低了用户的交互工作量。GrabCut方法在GraphCut方法的基础上做了以下改进：①利用高斯混合模型（GaussianMixtureMode，GMM）取代直方图来描述前景与背景像素的分布，由对灰度图像的处理上升到对彩色图像的处理；②利用迭代方法求取高斯混合模型中的各个参数，替代一次最小化估计来完成能量最小化的计算过程；③通过非完全标记方法，减少了用户在交互过程中的工作量，用户只需利用矩形框标记出背景区域即可[6]。Grabcut算法将图像的背景区域标记为TB（TrimapBackground），将未知区域标记为TU（Trimapunknown），实现了算法的初始化，如图1所示，其中TU是算法需要进一步分割的区域。2基于HSV颜色空间的Grabcut算法针对原Grabcut算法缺陷，Priyaka和Anurag等对Grabcut算法进行了改进，将其应用到HSV颜色空间，具体实验步骤为：①将RGB颜色空间的输入图像转换为HSV颜色空间的图像；②将HSV颜色空间的图像应用在Rotheret.提出的Grabcut算法以得到分割结果；③将得到的HSV颜色空间的分割结果图像转换为RGB颜色空间图像；④比较两个颜色空间下得到的分割结果。实验结果对比见图3。3基于格网掩码和均值漂移的Grabcut算法该算法的主要改进点在于自动获取Grabcut算法的矩形标示区域，算法流程见图4。3.1基于格网掩码的均值漂移本步骤在保证图像颜色特性被完整提取的前提下减少后面步骤处理的数据集，以减少迭代过程的时间开销。均值漂移算法[8]处理整个图像速度很慢，为此首先将20×20的格网掩码应用到输入图像，以提高预处理速度。为了更好地提取图像特性，该步骤在LAB颜色空间完成。均值漂移分割后的区域颜色值为该区域所包含的像素点平均颜色值，实验结果见图5。3.2标识矩形框提取从上一步骤中，已经得到了分类区域数K和每个区域的平均颜色值。提取大致的目标前景区域步骤如下：（1）使用最邻近（NearestNeighbor）算法计算各个区域之间的最小距离并合并相似区域，公式为：3.3Grabcut分割步骤使用Grabcut算法来抠取目标前景区域，利用前面步骤得到的矩形框前背景种子点来初始化GMM模型，迭代求取结果。此算法自适应地获取了包含前景区域的矩形框，减少了人为交互，使Grabcut算法智能化。4结语Grabcut算法是一种较为成熟、在算机视觉等领域应用较为广泛的一种图割算法。基于HSV颜色空间的Grabcut算法克服了Grabcut算法在前景和背景具有很高相似度的情况下分割效果不佳的缺点，基于格网掩码和均值漂移的Grabcut算法自适应地获取了包含前景区域的矩形框，减少了人的交互，使得Grabcut算法得到了智能化发展。参考文献：[1]YBOYKOVY，JOLLYMP.Interactivegraphcutsforoptimalboundary®ionsegmentationofobjectsinNDimages[C].ComputerVision，2001.ICCV2001.Proceedings.EighthIEEEInternationalConferenceon.IEEE，2001.[2]CARSTENROTHER，VLADIMIRKOLMOGOROV，ANDREWBLAKE.GrabCut-interactiveforegroundextractionusingIteratedgraphcuts[C].ICCV2004.[3]YINLI，JIANSUN，CHI-KEUNGTANGetal.Lazysnapping[C].ICCV2004.[4]PRIYANKAPANCHHI，ANURAGJAIN，SUMITKAUSHIK.ExtractionofforegroundinimageswithsimilarbackgroundusinggrabcutinHSVcolorspace[C].2013.[5]KANG，SOOH.ObjectSegmentationusingmean-shiftwithgrid-maskforgrabcutalgorithm[J].InternationalJournalofsoftwareEngineeringanditsApplications，2014：409-416.[6]孙凡，张桦，尤德祥，等.Grabcut数字抠图方法的研究与实现[J].天津理工大学学报，2008（4）：169-171.[7]GEMANANDGEMAN.Stochasticrelaxation，gibbsdistributions，andthebayesianrestorationofimages[J].InIEEETransactionsonPatternAnalysisandMachineIntelligence，2006：721-741.[8]DCOMANICIU，PMEER.Meanshift：arobustapproachtowardfeaturespaceanalysis[J].IEEETrans，PatternAnal，MachineIntell，2002（24）：603-619.（责任编辑：杜能钢）