基于Lab颜色空间纹理特征的图像前后景分离 下载: 1337次
1 引言
图像前后景分离是把图像中感兴趣的部分分离出来,类似于抠图[1],是图像目标检测、跟踪、识别的一个重要环节。前景和后景是广义的,通常情况下,前景是我们感兴趣的部分,而后景则是可以忽略的部分。
现有的图像前后景分离算法对处理单一背景或背景稍复杂的图像效果差强人意。Berman等[2]在2000年提出了Knockout方法,该方法需要人工交互,且只对单一背景图像具有较好的分离效果。随后,Boykov等[3]提出交互式Graphcuts,该算法利用图论中的优化方法来实现对图像前后景的最佳分离,处理时间更短,其中求解和优化能量函数所用的网络图是通过灰度直方图模型来构建的。Blake等[4]将灰度直方图模型替换为混合高斯模型,分别为图像前景和后景建模,该算法对背景复杂的图像也有较好效果。Rother等[5]通过研究高斯混合模型的随机场理论提出了Grabcut方法,但该方法仍需要人工交互。2015年,李小奇[6]结合期望最大化(EM)算法和
神经网络也被应用于图像前后景分离,但传统神经网络方法是对整张图片进行分类,不能识别图片中特定部分的物体。2015年,Long等[7]将全卷积网络(FCN)用于图像前后景分离。FCN算法能够对图像中的各个像素点进行标记,再依据标记对图像中感兴趣区域实现分离。2018年,Long等[8]又提出多尺度的FCN改进算法。由于神经网络模型需要大量的样本来进行训练,且网络参数调节是一项十分繁杂的工作,因此该算法复杂度较高。
本文提出了基于由国际照明委员会(CIE)制定的Lab颜色空间纹理特征的图像前后景分离算法,该方法由于不需要人工交互,也不需要样本训练,所以比传统方法能够快速、有效地实现前后景分离。
2 颜色空间选取
颜色空间也称彩色模型,它是在某些标准下采用通常可接受的方式对彩色加以说明。常用的颜色空间包括红绿蓝(RGB)三基色、青-平红-黄(CMY)三基色、色调-饱和度-明度(HSV)、色调-饱和度-亮度(HSI) [9]。在实际应用中,RGB是最常用的颜色空间,其中
RGB颜色空间可以用三维直角坐标系来表示,其最大优点就是直观和简单,不足之处是其3个颜色分量高度相关[10]。采用在图像纹理表征方面有突出效果的CIE Lab颜色空间[11],该空间是在1931年由CIE制定的一个理论上包括了人类所能感知的全部色彩的颜色空间。与RGB颜色空间相比,CIE Lab颜色空间不常用,但它是一种均匀的颜色空间体系,既不依赖于设备,也不依赖于光线。CIE Lab颜色空间由
RGB图像无法直接转成CIE Lab图像,需要分两步才能实现转换。先将RGB图像转换成
式中:转换矩阵
再由(2)式和(3)式将
式中:
3 纹理特征提取
图像的特征除了颜色和形状之外,还有一个十分重要的纹理特征,它能够描述图像的空间结构、对比度、粗糙度以及方向等[13]。常用的图像纹理特征提取方法有小波变换、灰度共生矩阵、离散余弦变换(DCT)等。这些方法对纹理区别不明显的彩色图像,可以较好地提取纹理特征,但是对纹理较复杂的图像,在表征图像纹理特征上欠佳。
图像的纹理是用邻域来衡量的,就单个像素而言是不存在纹理特征的。本研究采用Carson等[14]提出的方法来描述图像的纹理特征,用像素邻域内灰度或者颜色的变化来描述图像的纹理特征,分别用极性
图像的二阶动差矩阵定义为
式中:
二阶动差矩阵是一个2×2的对称半正定矩阵,由二阶动差矩阵可以得出矩阵的特征值
参数
式中:
要计算
1) 在
2) 把
3) 给定
1) 如果在给定的8个
2) 如果
3) 如果在给定的8个
4 前后景分离算法
4.1 图像分块及颜色、纹理特征提取
先把图像分成
式中:
4.2 区域生长和区域合并
区域生长最早是由Levine等[15]提出来的,是图像分割中比较传统的算法,其基本思想把相似度较高的像素点集合起来实现图像分割:1) 给定种子点或感兴趣目标内的一小块;2) 在种子区域邻域内的像素点以某种预先规定的准则确定其是否可以加入该区域;3) 实现分割。区域生长法中区域生长的好坏决定于种子点的选取、生长规则和终止条件。
对种子点的水平、垂直和对角线方向的像素块作比较,选取与邻域像素块的颜色和纹理相似度高的种子点,进行区域生长,步骤如下:
1) 计算种子区域的平均颜色和纹理特征值,并给这些区域设定一个标签。
2) 在种子区域的邻域中寻找未处理的像素点,计算这些像素点是否可以归属到该区域。
3) 若仍存在未归类像素点,则继续执行第2)步,直至所有的像素点都归类。
在区域生长法中常因为图像噪声或灰度不均匀等问题,把图像分割成多个区域,造成过度分割。为了解决图像过度分割问题,在图像进行区域生长后,再进行区域合并算法,将具有相似度较高的区域合并。颜色距离
式中:
5 对比实验
选取多幅自然彩色图像进行实验,如
实验中对比了大量不同类型的图像,鉴于论文篇幅原因,只展现了部分图像。可得以下结论:所提方法对背景复杂、目标与背景颜色相近的图像处理结果不理想;但对背景单一且目标和背景相差比较大的图像有良好的分离效果,符合人的主观感知并能够应用于后续的图像内容分析和目标识别等。
图 3. YCbCr+DCT与所提算法的前后景分离实验对比
Fig. 3. Experimental comparison of foreground-background separation by YCbCr+DCT and proposed algorithm
6 结论
图像前后景分离一直都是模式识别和图像处理领域的热门研究课题,传统的图像前后景分离需要人机交互,不仅效率低也无法实现批量分离。为此,提出了一种基于CIE Lab颜色空间纹理特征图像前后景分离算法。首先采用CIE Lab颜色空间来表示图像颜色和纹理特征,依据图像各区域的纹理复杂度,使用尺度不同的高斯窗口来提取图像纹理特征;然后利用颜色和纹理特征选择种子点进行区域生长;最后使用区域合并来改善过分割现象,实现了对自然图像的前后景分离。所提算法对背景简单的图像有良好的分离效果,而对于复杂图像的处理结果不理想。在未来的研究中,仍然需要进一步改进。
[1] ChoD, Tai YW, KweonI. Natural image matting using deep convolutional neural networks[M] ∥Leibe B, Matas J, Sebe N, et al. Computer Vision-ECCV 2016. Cham: Springer, 2016, 9906: 626- 643.
[2] BermanA, DadourianA, Vlahos P. Method for removing from an image the background surrounding a selected object: US6134346[P].2000-10-17.
[3] Boykov YY, Jolly MP. Interactive graph cuts for optimal boundary & region segmentation of objects in N-D images[C]∥Proceedings Eighth IEEE International Conference on Computer Vision. ICCV 2001, July 7-14, 2001, Vancouver, BC, Canada. New York: IEEE, 2001: 105- 112.
[4] BlakeA, RotherC, BrownM, et al. Interactive image segmentation using an adaptive GMMRF model[M] ∥Pajdla T, Matas J. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer, 2004: 428- 441.
[6] 李小奇. 基于GrabCut的彩色图像自动分割算法研究[D]. 北京: 北京印刷学院, 2015: 20- 25.
Li XQ. Research on automatic color image segmentation algorithm based on GrabCut[D]. Beijing: Beijing Institute of Graphic Communication, 2015: 20- 25.
[7] LongJ, ShelhamerE, DarrellT. Fully convolutional networks for semantic segmentation[C]∥2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 7-12, 2015, Boston, MA, USA. New York: IEEE, 2015: 3431- 3440.
[9] 刘梦飞, 付小雁, 尚媛园, 等. 基于HSV颜色特征和贡献度重构的行人跟踪[J]. 激光与光电子学进展, 2017, 54(9): 091004.
[10] 曲磊, 王康如, 陈利利, 等. 基于RGBD图像和卷积神经网络的快速道路检测[J]. 光学学报, 2017, 37(10): 1010003.
[11] 李运奎, 韩富亮, 张予林, 等. 基于CIELAB色空间的红葡萄酒颜色直观表征[J]. 农业机械学报, 2017, 48(6): 296-301.
[12] 赵天明, 刘诗德. 基于立方体内缩的反向颜色空间转换算法[J]. 包装工程, 2017, 38(17): 200-205.
[13] 孙学斌, 陈晓冬, 肖禹泽, 等. 基于图像纹理特征的HEVC帧内编码快速算法[J]. 激光与光电子学进展, 2017, 54(7): 071003.
[15] Levine MD, Nazif A M. Dynamic measurement of computer generated image segmentations[J]. IEEE Transactions on Pattern Analysis and MachineIntelligence, 1985, PAMI-7( 2): 155- 164.
[16] 范伟. 基于区域生长的彩色图像分割算法[J]. 计算机工程, 2010, 36(13): 192-193, 196.
杨超, 刘本永. 基于Lab颜色空间纹理特征的图像前后景分离[J]. 激光与光电子学进展, 2019, 56(12): 121001. Chao Yang, Benyong Liu. Image Foreground-Background Separation Based on Texture Features Extracted in Lab Color Space[J]. Laser & Optoelectronics Progress, 2019, 56(12): 121001.