大数据中基于自适应显着性的图像分割是怎样的

这期内容当中小编将会给大家带来有关大数据中基于自适应显着性的图像分割是怎样的，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

创新互联主要从事成都网站建设、成都网站制作、网页设计、企业做网站、公司建网站等业务。立足成都服务永兴,十余年网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:18980820575

前言

通常，当我们看到一张图片时，会在图片中聚焦一个焦点。这个可能是一个人，一座建筑物甚至是一个桶。其他没有聚焦区域虽然很清晰，但是却由于颜色单调或者纹理较为平滑而很少引起关注。当遇到此类图象时，我们希望从图像中分割感兴趣的对象。下面给出了显着图像的示例，下面探讨了此类显着图像的分割方法，也称为显着性的图像分割。

显着图像的示例。桶（左）和人（右）是感兴趣的对象

这中分割方式最开始起源于希望能够自主寻找图像中的Trimap。Trimap是图像掩码（mask），当与掩码算法配合使用时，可用于分割图像，同时能够提示前景和背景之间的细节。Trimap通常包含定义前景的白色区域，定义背景的黑色区域以及代表不确定区域的灰色区域。具体形式如下图所示。

Trimap示例

大部分抠图算法问题在于，他们希望Trimap由用户提供，这是一项非常耗时的任务。这里面介绍两个试图解决自主trimap生成问题的相关论文，这两篇论文在文末给出。在第一篇论文中使用了一种相当简单且易于实现的方法。不幸的是，他们的方法并不是完全自主的，因为它要求用户为Grabcut算法提供一个矩形区域。第二篇论文中，使用显着性方法预测感兴趣的区域。但是，它们的显着性方法非常复杂，将三种不同的显着性算法的结果结合在一起。这三种算法中有一种利用卷积神经网络，为了易于实现，应该尽量避免这种技术。

如果忽略需要人为给出矩形区域，第一篇论文中能够产生较好的分割结果。通过第二篇论文的原理去自动给出一个Grabcut算法的矩形区域，那么将完美的解决自主分割的问题。

方法

对于大多数形式的图像分割，目标都是将图像二值化为感兴趣的区域。这个本文介绍方法的目标也是这样的。首先，大致确定感兴趣的对象在哪里。将高斯模糊应用于图像，之后在模糊图像中生成平均15像素大小的超像素。超像素算法旨在根据像素区域中值的颜色和距离来分解图像。具体来说，使用了简单的线性迭代聚类（SLIC）算法。具体形式如下图所示。

一个桶和一个人的超像素划分结果

超像素将图像分解为大致相同的区域。这样的一个优点是，超像素允许区域的泛化。我们可以假设超像素内的大多数像素具有相似的属性。

在确定图像中的超像素的同时，计算图像的显着性图。使用了两种不同的显着性技术。第一种方法使用OpenCV内置的方法，即所谓的细颗粒显着性。第二种方法涉及获取细颗粒显着性图像的平均值，然后从图像的高斯模糊版本中减去平均值，然后是新图像的绝对值。

下方的图像均突出显示了感兴趣的区域。细颗粒显着性产生的图像较为柔和。此外，细颗粒显着性图像主要勾勒出突出图像的边界。而另一种方法虽然也捕获了突出图像的内部，但是与细颗粒方法相比，该方法会产生更多的噪音。之后需要对噪声进行去除。

第一种显着性结果

第二种显着性结果

为了将图像二值化，对从彩色图像生成的每个超级像素进行迭代。如果显着图像内该超像素区域的中值像素值大于阈值T1，则整个超像素将被二值化为白色。否则，整个超像素将保留为黑色。T1由用户选择，一般情况下，将T1设置为显着图像中最大像素值的25%-30％。

在对图像进行二值化之后，基于所使用的显着性技术对图像进行扩张。在第一种方法中，将图像放大为平均超像素尺寸的两倍。在第二种方法中没有进行扩大，因为图像中存在的较大噪声使扩张风险增大。处理的结果在下面给出。

最后一步操作取决于使用的是哪种显着性。在这两种方法的结果中，都提取最大的白色像素区域。通过查找图像中的轮廓并选择面积最大的轮廓来执行此操作，之后将边界框拟合到所选区域。

根据一般性结果，第一种显着性方法通常会导致区域碎片化。生成边界框后，将落入该框的不属于最大区域的所有其他白色区域添加到该框。框的边界增加到包括这些区域。第二种显着性方法不需要这样做。通常，最大获取的区域会超出期望的数量。

最后一步是将最终找到的边界框提供给Grabcut算法。Grabcut是用于分割图像的常用方法，该方法会将绝对是背景和前景的内容分开。这里面我们直接使用OpenCV的内置Grabcut函数。处理的结果如下所示。

结果

两种显着性计算方法对于结果会有一些影响。第一种显着性方法更加适用于含有噪声的图像中，在含有噪声的图像中不会像第二种显着性方法造成分割结果的溢出。，但是如果图像太长或有卷须，则这些部分通常会与图像的其余部分断开连接。

下面是这两种方法分割更多图像的示例结果。

上述就是小编为大家分享的大数据中基于自适应显着性的图像分割是怎样的了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注创新互联行业资讯频道。

本文标题：大数据中基于自适应显着性的图像分割是怎样的
本文路径：http://scjbc.cn/article/jpsssp.html