论文摘要
在计算机视觉和图像处理工程中,图像分割无疑是一项关键的技术,因为其分割结果的差异将直接反馈在后续图像处理环节中。目前,图像分割方法种类多样,而且不同的应用背景下所需的最佳分割方法不同,因此至今仍没能找到一种通用的分割方法。近年来,图割算法以便捷的交互操作和可以获取全局最优解而倍受青睐。本章在图论知识基础上,分析讨论了Grab Cut算法,针对原始Grab Cut算法在处理大分辨率图像时存在的难以兼顾精确分割和实时交互的问题,提出了如下两种的改进方法：（1）针对海量的像素以及迭代更新高斯混合模型参数导致的Grab Cut很难兼顾精确分割和实时交互的现象,提出了基于超像素的交互式快速分割框架,该方案精简了问题规模,一定程度上保证了分割的准确度和实时性。首先,采用融合边缘置信度的均值漂移算法将图像分割为一系列保持颜色、空间信息以及边界特性的同质区域块；其次,以每个同质区域的RGB均值为结点,构建加权网络图,建立前景和背景两个高斯混合模型；然后,采用EM算法并结合Max Flow/Min Cut算法来逼近高斯混合模型各个参数；最后,引入区域项的自适应调整参数来保证分割结果的准确性。实验结果表明,新的方法在很大程度上提高了时问效率,同时有利于处理某些颜色分布比较简单的图像,尤其有利于解决均值漂移算法处理后存在的超像素过于稀疏的现象,保证预分割结果能更好识别出微弱并且尖锐的边界。（2）针对传统Grab Cut算法中某些前景背景交界区域颜色重叠较多而导致的误分割、分割多个对象中的单一对象存在的分割结果不理想以及Shrinking-bias现象,提出了基于多边形用户交互驱动的Grab Cut算法,构建了从整体到局部的基于超像素的交互式快速分割框架。首先,用户给出多边形初始轮廓,经过膨胀操作获取更加准确的前景和背景种子采样点；其次,依然采用融合边缘自信度的均值漂移算法预分割图像得到保留了图像颜色、空间、边界信息的超像素,为分割的实时性提供可能；最后,修改能量函数,结合用户交互信息引入形状信息来指导训练高斯参数,以此来丰富超像素的特性,保证提取的对象完整、边界光滑。实验结果表明,该算法在保证分割实时交互的同时能有效解决原始Grab Cut存在的不足,能快速准确提取出用户感兴趣的前景对象。