姬治華++曹金香++楊發(fā)順
摘要:本文設計了一款基于圖論的圖像分割軟件,并對交互方式進行了改進。該軟件基于VS2010軟件平臺和OpenCV庫,使用C++作為開發(fā)語言,運用MFC進行軟件界面和對話框的設計,為圖像分割提供了一個良好的界面交互環(huán)境和可視化平臺。
關鍵詞:圖像分割;圖論;最小割;MFC
中圖分類號:TP18 文獻標識碼:A 文章編號:1009-3044(2016)20-0183-02
1 概述
圖像分割是計算機視覺中最基本最重要的研究內容之一,對圖像處理、圖像分析和圖像理解起著關鍵性的作用。所謂圖像分割是指根據(jù)圖像的某個特定屬性將圖像劃分為若干個互不交疊的區(qū)域,并從中提取目標的過程[1]。
圖像分割的定義[2]:
2算法原理
2.1圖論的基本概述
圖論(Graph Theory)是數(shù)學的一個分支,它以圖為研究對象。圖論中的圖是由點和連接兩點的線所構成,這種圖形通常用來描述某些事物之間的某種特定關系,用點代表事物,用連接兩點的線表示相應的兩個事物之間具有的某種關系[3]。
基于圖論的圖像分析指將待處理的圖像映射為帶權的無向連通圖G=(V,E,W),節(jié)點集V是圖I中所有像素點的集合,邊集E表示連接兩個鄰接頂點的邊的集合,W表示每條邊權值的集合,邊的權值反映了該邊的兩個頂點的差異或相似度。
權值集合W的構建是圖像分割成功的關鍵,好的相似度度量函數(shù)需要體現(xiàn)出兩個節(jié)點在顏色、亮度、距離等方面的相似程度。常用的相似度度量函數(shù)有特征空間的歐氏距離:
作為相似度的度量函數(shù),前者的優(yōu)點是直觀且計算簡單,后者的優(yōu)點是與實際情況更加接近,但是運算量較大[4]。
2.2最小割/最大流方法
基于圖論的分割方法是將整幅圖像映射為圖,圖的頂點和圖中像素一一對應,根據(jù)一定的割集準則將圖劃分為兩個子圖,使得子圖之間的相似性最小,而子圖內的相似性最大[5]。圖割示意圖如圖1所示:
使得代價函數(shù)最小的劃分即為圖像的最佳分割,也即圖的最小割。
最小割/最大流方法主要包括兩大類[6]:推進重標記(Push relabel)方法和增廣路徑(Augmenting paths)方法。推進重標記法易于并行實現(xiàn),通常采用GPU加速實現(xiàn)來提高效率。基于增廣路徑的方法通過標號不斷生長一棵樹,直到找不到關于可行流的增廣路徑為止。該類方法的計算復雜性和網(wǎng)絡的節(jié)點數(shù)和邊數(shù)無關,而與邊上的權值有關。
3軟件系統(tǒng)設計
3.1設計思路
3.2軟件測試及結果
單擊選擇圖像按鈕讀入待分割圖像,根據(jù)圖像中目標的形狀選擇交互方式,單擊分割按鈕運行分割程序,矩形交互和圓形交互分割結果分別如圖3和圖4所示:
從上圖可以看出,分割結果圖像邊緣比較光滑,所設計軟件操作簡便且具有較好的分割效果。
4 結論
基于圖論的分割方法可以將圖像的全局分割與局部信息處理相結合,可減少由于圖像離散化造成的誤差,從而可獲得良好的分割結果。本系統(tǒng)具有如下技術特點:(1)將原始圖像,交互圖像和分割后圖像顯示在同一界面上,運算結果形象直觀,便于用戶觀察;(2)界面簡潔,操作簡單,運行效率和分割精度較高。
參考文獻:
[1] 章毓晉. 圖像分割[M].北京:科學出版社, 2000.
[2] 羅希平, 田捷, 諸葛嬰,等. 圖像分割方法綜述[J]. 模式識別與人工智能, 1999(3):300-312.
[3] 張建梅, 孫志田, 余秀萍. 基于圖論的圖像分割算法仿真研究[J]. 計算機仿真, 2011, 28(12): 268-271.
[4] 楊帆,廖慶敏. 基于圖論的圖像分割算法的分析與研究[J]. 電視技術, 2006 (7): 80-83.
[5] Sarkar S, Soundararajan P. Supervised learning of large perceptual organization: Graph spectral partitioning and learning automata[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2000, 22(5): 504-525.
[6] Boykov Y, Veksler O. Graph cuts in vision and graphics: Theories and applications[M]. Handbook of mathematical models in computer vision. Springer US, 2006: 79-96.