基于显著性检测和联合分割算法的背景图像分割方法技术领域
本发明涉及图像处理技术领域，更具体地，涉及一种基于显著性检测和联合分割
算法的背景图像分割方法。
背景技术
病害图像识别包括图像预处理、图像分割、特征提取与模式识别。其中，图像分割
是关键步骤之一，分割精度直接影响特征提取的可靠性和模式识别的准确性。经典的分割
方法有阈值法、边缘检测、基于统计模式识别的分割方法、基于人工神经网络的分割方法
等。
现有技术中每种分割方法都适用于各自特定的情况。如阈值分割计算简单、运算
效率较高、速度快，只考虑灰度值，不考虑空间特征，对噪声敏感；阈值确定后，将阈值与像
素点的灰度值逐个进行比较，而且像素分割可对各像素并行进行，分割的结果直接给出图
像区域；然而，阈值分割只适用于前背景对比度强的图像，由于在实际情况下，物体背景和
前景的对比度在图像当中各处都不相同，因此很难有一个确定的阈值。边缘检测图像灰度
级或者结构突变的地方进行检测，从而确定边缘分布，常用Roberts算子、Prewitt算子和
Sobel算子等一阶微分算子和Laplace算子和Kirsh算子等二阶微分算子进行边缘检测，但
通常只适用于小噪声特征简单的图像。因此，经典的分割方法也具有一定的局限性与不足。
自然条件下，复杂背景、天气光照都会对图像的成像质量造成较大的影响，容易使
图像前景和背景对比度不强，不同图像之间变化很大，导致使用传统方法分割效果不佳、适
应性不高。目前，并不存在一种通用的分割方法，能够适用于所有特征、所有情况下的图像。
基于图割的分割方法是近年来出现的一种新的解决分割问题的方法，在处理分割
问题具有普适性，分割效果较好。但是在图像前景和背景对比度不高的情况下，分割结果容
易出现粘连，影响分割精度。一些学者建议从具有共同目标或共同前景的多张图像中检测
到强特征，有助于区分前景和背景，这类方法称为联合分割法。联合分割一般先对图像用马
尔可夫随机场建模，构造能量方程，然后用图割方法对其进行优化求解，以实现对分割的分
割处理。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的基于显著性检测
和联合分割算法的背景图像分割方法，能够很好地解决普通分割法在分割过程中所出现的
分割粘连的问题，以达到精准分割的目的；采用无监督的显著性检测算法，又使本方法能实
现分割过程的自动化。
根据本发明的一个方面，提供一种背景图像分割方法，包括以下步骤：
S1、对原始图像进行处理，得到单张图像显著性图和多张图像联合显著性图；
S2、将多张图像联合显著性图中的显著性特征作为各个单张图像的共同显著性，
对前景与背景进行区分；
S3、对背景图像进行分割。
作为优选的，所述步骤S1具体包括：通过非监督的共同显著性算法对图像进行处
理，得到每张图像的单张图像显著性图和多张图像联合显著性图。
作为优选的，所述步骤S2包括：
S21、为一组具有共同显著性的图像分配最优标记，利用马尔可夫随机场为标记后
的图像建立一个联合分割的能量方程；
S22、通过建立的能量方程，将单张图像显著性图中具有共同显著性的局部特征像
素标记为前景，其余像素标记为背景。
作为优选的，所述步骤S21具体包括：通过混合高斯模型对多张图像联合显著性图
与单张图像显著性图的差异进行建模，并将其作为马尔可夫随机场模型的全局约束来构造
联合分割的能量方程。
作为优选的，在步骤S21中，对于图像I＝{I1,…,Ii,…,IN}，所述联合分割的能量
方程为：
E(S)＝EA(S)+Ei(S)
式中，EA(S)为单张图像内部能量项，Ei(S)为图像间全局能量项；为图像Ii中的
共同显著性能量项，为图像Ii中的平滑度能量项，η是共同显著性能量项的权重；P
(·)表示高斯概率分布，是图像Ii中像素k或j的特征,是图像Ii中第k像素，和表
示图像Ii前景和背景的混合高斯模型参数，Θcom表示由所有图像的前景组成共同目标的混
合高斯模型参数。
作为优选的，所述步骤S22具体包括：通过能量方程，将图像中具有共同显著性的
局部特征像素用内部能量项标记为前景，标记过程中，由内部能量项中的数据项，使用非监
督的显著性检测算法提取出该组图像中每张叶片的显著性图，内部能量项中的平滑项则鼓
励图像上具有相似特征值的局部区域分配得到一致性标识，与此同时，由全局能量项衡量
每幅图像的前景与共同目标的差异，迫使所有图像的前景与该组图像的共同目标相一致。
作为优选的，所述步骤S22中，在分配前景与背景标识时，鼓励图像上具有相似特
征值的局部区域分配一致性标识，所述平滑能量项为：
式中，[f]为指示函数，对于正确或错误的预测f，其取值为1或者为0，是图像Ii
中像素k或j的特征，N是图像中的邻域，β是尺度系数，可通过得到，<·>表
示图像Ii的期望值，当图像Ii中相邻像素在马尔可夫随机场模型中被贴上不同标签时，
将对这种不连续做出惩罚。
作为优选的，所述步骤S3中，通过标准图割算法和迭代使得能量函数最小化，实现
对整组图像的分割。
作为优选的，所述步骤S3具体包括：
S31、对图像的颜色数据集建模，使得图像在RGB颜色空间中由像素构成；
S32、在图割中执行迭代，以迭代能量最小化的方式，对背景图像进行分割。
与现有技术相比，本发明的有益效果在于：本发明首先用非监督的共同显著性检
测算法为一组图像中每张图像生成共同显著性图，这些显著性图被用来构造马尔科夫随机
场中的内部图像能量函数。采用混合高斯模型对该组图像全部显著性图的共同目标与单张
图像中叶片的差异进行建模，将其作为马尔可夫随机场最优化模型的一个新的全局约束去
构造全局能量项；最后通过标准图割算法和迭代使得能量函数最小化，以实现对棉花苗叶
片图像的分割。可以一次性将多张图像中的共同前景分割出来，能够很好地解决普通分割
法在分割过程中所出现的分割粘连的问题，以达到精准分割的目的；而采用无监督的显著
性检测算法，又使本方法能实现分割过程的自动化。
附图说明
图1为本发明实施例的方法流程框图；
图2为本发明实施例中方法用于棉花背景图像分割流程示意图；
图3是本发明实施例中棉花原始图像中每张图像生成的共同显著性图；
图4是本发明实施例中棉花原始图像分割结果示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施
例用于说明本发明，但不用来限制本发明的范围。
图1示出了一种基于显著性检测和联合分割算法的背景图像分割方法的流程图，
包括以下步骤：
S1、对原始图像进行处理，得到单张图像显著性图和多张图像联合显著性图；
S2、将多张图像联合显著性图中的显著性特征作为各个单张图像的共同显著性，
对前景与背景进行区分；
S3、对背景图像进行分割。
给出一组原始图像为I＝{I1,…,Ii,…,IN}，像素由所表示，Ni表示第Ii图像
的i个格，表示第Ii图像中像素的归一化位置。图像其中第Ii图像的二元标识为
为Ii中第k个像素的标识，为1表示前景，为0则表示为背景，ni为Ii的
总像素数。其中图像内部聚类数为K1，图像间聚类数为K2。
所述步骤S1通过非监督的共同显著性算法对图像进行处理，得到每张图像的单张
图像显著性图和多张图像联合显著性图。
在本实施中，所述步骤S1具体包括：
S11、将原始图像中图像内部聚类分割成K1类，通过共同显著性检测方法计算每一
类的对比度线索和空间线索，得到单张图像显著性图；
S12、将图像间聚类分割成K2类，通过共同显著性检测方法计算每一类的对比度线
索、空间线索以及相关性线索，结合单张图像显著性图，得到多张图像联合显著性图。
具体的，所述步骤S11具体包括：
S111、首先对该组原始图像I＝{I1,…,Ii,…,IN}中的N幅图像聚类分割成K1类，得
到K1聚类组聚类组由一组D维向量来表示。μk代表与集群Ck相关联的聚
类中心，函数ψ：L2→{1，...，K}与像素和聚焦索引相关联；
S112、计算每一类的对比度线索和空间线索。
其中对比度线索计算如下：
其中，L2范数用于计算特征空间的距离，ni代表集群Ci的像素数，N代表所有图像的
像素数。
其中空间线索计算如下：
其中，δ(·)是Kronecker delta函数(克罗内克δ函数)，oi代表第Ii图像的中心，高
斯核N(·)用于计算像素和图像中心oi的欧氏距离，方差σ2是图像的归一化半径。归一化
系数nk是集群Ck的像素数。与单个图像模型同，空间线索ωs表示集群级别之间的位置，代表
多幅图像之间的全局中心偏差；
对以上基于集群基础上的对比度线索计算过程与空间线索计算过程执行循环指
令，直到将原始图像I＝{I1,…,Ii,…,IN}中所有图像的集群都处理完毕即可停止运算。
S113、将对比度线索计算过程和空间线索计算过程通过如下定义相结合，从而得
到聚类K1的联合显著性水平集：
其中，wi表示显著性线索。在结合显著性线索之前，我们正常化每一个线索图，使
用所有集群的分数分布去均衡高斯函数；
S114、计算出联合显著性集群水平价值，提供了离散分布，然后光滑了每个像素联
合显著性的价值，像素x的显著可能性满足于一个高斯分布N的Ck集群分布：
S115、运用如下公式获得单个显著性图，从而得到像素集水平的联合显著性：
S116、对以上基于像素基础上的获得联合显著性图的过程执行循环指令，直到直
到将原始图像I＝{I1,…,Ii,…,IN}中所有图像的像素都处理完毕即可停止运算。
在本实施例中，所述步骤S12具体包括：
S121、对该组原始图像I＝{I1,…,Ii,…,IN}中的N幅图像聚类分割成K2类，得到K2
聚类组聚类组由一组D维向量来表示。μk代表与集群Ck相关联的聚类中
心，函数ψ：L2→{1，...，K}与像素和聚焦索引相关联；
S122、计算每一类的对比度线索ωc(k)、空间线索ωs(k)和相关性线索ωd(k)；
其中对比度线索计算如下：
其中，L2范数用于计算特征空间的距离，ni代表集群Ci的像素数，N代表所有图像的
像素数。
其中空间线索计算如下：
其中，δ(·)是Kronecker delta函数，oi代表第Ii图像的中心，高斯核N(·)用于计
算像素和图像中心oi的欧氏距离，方差σ2是图像的归一化半径。归一化系数nk是集群Ck的
像素数。与单个图像模型同，空间线索ωs表示集群级别之间的位置，代表多幅图像之间的
全局中心偏差。
其中相关性线索计算如下：
首先，一个M—bin直方图用来描述N图像中聚类Ck的分布：
nk是聚类Ck的像素数，迫使
则相关性线索计算如下：
其中，var(qk)记录了聚类Ck直方图qk的变动，高对应线索的集群表示，该集群的像
素均匀分布在每张图像上。
S123、执行循环对比度线索计算过程、空间线索计算过程以及相关性线索计算过
程，直到将原始图像I＝{I1,…,Ii,…,IN}中所有图像的像素集群都处理完毕；
S124、结合单张图像显著性图与三种线索运用公式进行运算处
理；
S125、运用公式平滑所得最终的联合显著性
图。
对以上基于像素基础上的平滑所得最终的联合显著性图的过程执行循环指令，直
到直到将原始图像I＝{I1,…,Ii,…,IN}中所有图像的像素都处理完毕即可停止运算。
在本实施例中，所述步骤S2包括：
S21、为一组具有共同显著性的图像分配最优标记，利用马尔可夫随机场为标记后
的图像建立一个联合分割的能量方程；
S22、通过建立的能量方程，将单张图像显著性图中具有共同显著性的局部特征像
素标记为前景，其余像素标记为背景。
S21具体包括：通过混合高斯模型对多张图像联合显著性图与单张图像显著性图
的差异进行建模，并将其作为马尔可夫随机场模型的全局约束来构造联合分割的能量方
程。
为具有共同显著性的图像分配最优标记，通过马尔可夫随机场为这些图像建立一
个由单张图像内部能量项和图像间全局能量项加和得到的联合分割能量方程：
E(S)＝EA(S)+Ei(S)
式中，EA(S)为单张图像内部能量项，Ei(S)为图像间全局能量项；为图像Ii中的
共同显著性能量项，为图像Ii中的平滑度能量项，η是共同显著性能量项的权重；P
(·)表示高斯概率分布，是图像Ii中像素k或j的特征,是图像Ii中第k像素，和
表示图像Ii前景和背景的GMM(Gaussian Mixture Model，高斯混合模型)模型参数，Θcom表
示由所有图像的前景组成共同目标的GMM模型参数。
所述步骤S22具体包括：通过所建立的能量方程，将显著性图像中具有共同显著性
的局部特征像素标记为前景，其余像素标记为背景；
通过能量方程，将图像中具有共同显著性的局部特征像素用内部能量项标记为前
景，标记过程中，由共同显著性模型定义内部能量项中的数据项，使用非监督的显著性检测
算法提取出该组图像中每张叶片的显著性图，内部能量项中的平滑项则鼓励图像上具有相
似特征值的局部区域分配得到一致性标识，从而突出显著性图的前景特征，使前景特征更
明显；与此同时，由高斯混合模型定义的全局能量项，衡量每幅图像的前景与共同目标的差
异，迫使所有图像的前景与该组图像的共同目标相一致。
在分配标识时，鼓励图像上具有相似特征值的局部区域分配一致性标识，所述平
滑能量项为：
式中，[f]为指示函数，对于正确或错误的预测f，其取值为1或者为0，是图像Ii
中像素k或j的特征，N是图像中的邻域，β是尺度系数，可通过得到，<·>表示
图像Ii的期望值，当图像Ii中相邻像素在MRF模型中被贴上不同标签时，将对这种不连续
做出惩罚。
在本实施例中，所述步骤S3具体包括：利用标准图割算法对对能量方程进行优化，
通过由图像特征数据构造的全局能量项衡量每幅图像前景与共同目标的差异，利用迭代方
法，对于每次分割结果，将每张图像背景采用K-means聚类方法聚成中高斯核的数量Kb，
计算每个类的中心值和方差作为对应的高斯核的期望与方差，同时在迭代过程中将所有图
像的前景作为共同目标，采用同样的方法求得Θcom中Kc组GMM参数，最后，利用边缘抠图处
理图像。
图2为本发明的方法应用到棉花背景图像分割中的流程示意图，通过非监督的共
同显著性检测算法，利用CIE Lab颜色(CIE Lab：颜色空间中的L分量表示像素的亮度；a表
示从红色到绿色的范围；b表示从黄色到蓝色的范围)和具有8个方位响应的Gabor滤波器来
表示特征向量,选择1个带宽和提取一个规模。通过结合8个方位的纹理特征(8个方位响应
的Gabor小波能量：根据滤波器的方向角Θ不同，分为八个方位：45度，90度，135度，180度，
225度，270度，315度，360度)，计算出Gabor滤波器的图像大小。将K均值运用于两层聚类当
中。针对于单个图像，共同显著性检测算法的聚类数设为6，对于多个图像，聚类数则设为
min{3M，20}，其中M表示图像数，得到一组具有共同显著性的灰度图，如图3所示，分别为处
理前(a，b，c，d)和处理后共同显著性灰度图(e，f，g，h)的示意图。
联合分割对N张图中的共同目标分配最优标记，通过对每张图像的内部能量项和
图像间的外部能量项之和进行寻优而得到。记N幅图像分配的二元标识为S＝{s1,…,sN}，通
过对能量方程E(S)＝EA(S)+Ei(S)进行最小化寻优，可得最优解S*，从而得到最优分割结果。
通过所建立的能量方程，将显著性图像中具有共同显著性的局部特征像素标记为
前景，其余像素标记为背景；
利用迭代方法，对能量方程进行最小化处理，以实现对整组图像的分割。
首先，对图像的颜色数据集zn建模，使得图像在RGB颜色空间中由像素构成。
在图割中执行迭代，以迭代能量最小化这种方式，代替先前一次性的分割算法。
首先，针对于初始图像的TU区域中每个像素为像素编制一个高斯混合模型的
构成要素：
然后，从数据集z当中学习高斯混合模型系数：
然后建立分割方程，利用最小割去处理解决：
紧接着从第一步从新开始运行，直到集合收敛；
利用边缘抠图处理图像，最终得到结果如图4所示，为一组原始图像盒分割结果示
意图(图为原始图和分割结果的灰度图像)。
综上所述，本发明首先用非监督的共同显著性检测算法为一组图像中每张图像生
成共同显著性图，这些显著性图被用来构造马尔科夫随机场中的内部图像能量函数。采用
混合高斯模型对该组图像全部显著性图的共同目标与单张图像中叶片的差异进行建模，将
其作为马尔可夫随机场最优化模型的一个新的全局约束去构造全局能量项；最后通过标准
图割算法和迭代使得能量函数最小化，以实现对棉花苗叶片图像的分割。可以一次性将多
张图像中的共同前景分割出来，能够很好地解决普通分割法在分割过程中所出现的分割粘
连的问题，以达到精准分割的目的；而采用无监督的显著性检测算法，又使本方法能实现分
割过程的自动化。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在
本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护
范围之内。