大數據中基于自適應顯著性的圖像分割是怎樣的

這期內容當中小編將會給大家帶來有關大數據中基于自適應顯著性的圖像分割是怎樣的，文章內容豐富且以專業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。

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。其他沒有聚焦區域雖然很清晰，但是卻由于顏色單調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。Trimap通常包含定義前景的白色區域，定義背景的黑色區域以及代表不確定區域的灰色區域。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域。第二篇論文中，使用顯著性方法預測感興趣的區域。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果結合在一起。這三種算法中有一種利用卷積神經網絡，為了易于實現，應該盡量避免這種技術。

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

方法

對于大多數形式的圖像分割，目標都是將圖像二值化為感興趣的區域。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像素區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果

超像素將圖像分解為大致相同的區域。這樣的一個優點是，超像素允許區域的泛化。我們可以假設超像素內的大多數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域。細顆粒顯著性產生的圖像較為柔和。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部，但是與細顆粒方法相比，該方法會產生更多的噪音。之后需要對噪聲進行去除。

第一種顯著性結果

第二種顯著性結果

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。如果顯著圖像內該超像素區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。在這兩種方法的結果中，都提取最大的白色像素區域。通過查找圖像中的輪廓并選擇面積最大的輪廓來執行此操作，之后將邊界框擬合到所選區域。

根據一般性結果，第一種顯著性方法通常會導致區域碎片化。生成邊界框后，將落入該框的不屬于最大區域的所有其他白色區域添加到該框。框的邊界增加到包括這些區域。第二種顯著性方法不需要這樣做。通常，最大獲取的區域會超出期望的數量。

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容分開。這里面我們直接使用OpenCV的內置Grabcut函數。處理的結果如下所示。

結果

兩種顯著性計算方法對于結果會有一些影響。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果。

上述就是小編為大家分享的大數據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，歡迎關注億速云行業資訊頻道。