Способ и устройство для сегментации изображения

Способ и устройство для сегментации изображения

Иллюстрации

Показать все

Реферат

Эта заявка основана на и по ней испрашивается приоритет согласно заявке на патент Китая № 201410187226.7, поданной 5 мая 2014 г., полное содержание которой включается в настоящий документ посредством ссылки.

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ

Настоящее раскрытие относится, в общем, к области обработки изображений и, в частности, к способу и устройству сегментации изображения.

УРОВЕНЬ ТЕХНИКИ

В качестве основы анализа изображения, редактирования изображения, синтеза изображения и т.п. технология сегментации изображения может сегментировать передний план и задний план с изображения. Одним из важных предметов исследования в настоящее время является то, как быстро и автоматически сегментировать передний план и задний план с изображения.

В родственных способах сегментации изображения прежде всего принимаются пробная точка переднего плана и пробная точка заднего плана изображения, вручную выбранные пользователем; затем устанавливается вероятностная модель цвета переднего плана и заднего плана согласно пробной точке переднего плана, вручную выбранной пользователем; наконец, изображение сегментируется согласно вероятностной модели цвета переднего плана и заднего плана, таким образом, получая передний план и задний план после сегментации.

В процессе осуществления настоящего раскрытия обнаружено, что родственные технологии по меньшей мере имеют следующие недостатки: в стандартных способах сегментации изображения пользователю необходимо вручную и грубо выбрать пробную точку переднего плана и пробную точку заднего плана, таким образом, эффективность сегментации низка для сегментации большого количества изображений.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Настоящее раскрытие обеспечивает способ и устройство сегментации изображения для решения той проблемы в родственных технологиях, что пользователю необходимо грубо и вручную выбрать пробную точку переднего плана и пробную точку заднего плана, и, таким образом, эффективность сегментации низка для сегментации большого количества изображений. Техническое решение является следующим:

Согласно первому аспекту вариантов осуществления настоящего раскрытия, обеспечен способ сегментации изображения, содержащий этапы, на которых:

устанавливается модель особенностей изображения;

пробная точка переднего плана и пробная точка заднего плана изображения получаются согласно модели особенностей;

модель классификации переднего плана и заднего плана устанавливается согласно модели особенностей, а также пробной точке переднего плана и пробной точке заднего плана; и

изображение сегментируется согласно предварительно определенному алгоритму разреза графа, и конкретным образом изображение сегментируется согласно предварительно определенному алгоритму разреза графа посредством модели классификации переднего плана и заднего плана и краевой информации, относящейся к пикселам.

Опционально, упомянутые пробная точка переднего плана и пробная точка заднего плана изображения получаются согласно модели особенностей, что содержит этапы, на которых:

значения особенностей пикселов на изображении вычисляются согласно модели особенностей;

значения особенностей пикселов нормализуются;

пикселы, нормализованные значения особенностей которых больше предварительно определенного порогового значения переднего плана, определяются в качестве пробной точки переднего плана; и

пикселы, нормализованные значения особенностей которых меньше предварительно определенного порогового значения заднего плана, определяются в качестве пробной точки заднего плана;

причем предварительно определенное пороговое значение переднего плана больше предварительно определенного порогового значения заднего плана, и нормализованные значения особенностей принадлежат к (0, 1).

Опционально, модель классификации переднего плана и заднего плана содержит модель классификации переднего плана и модель классификации заднего плана. И упомянутая модель классификации переднего плана и заднего плана устанавливается согласно модели особенностей, а также пробной точке переднего плана и пробной точке заднего плана, что содержит этапы, на которых:

вероятностная модель цвета переднего плана устанавливается согласно пробной точке переднего плана;

вероятностная модель цвета заднего плана устанавливается согласно пробной точке заднего плана;

модель классификации переднего плана получается путем умножения модели особенностей на вероятностную модель цвета переднего плана, и модель классификации переднего плана сконфигурирована для того, чтобы характеризовать пиксел в виде вероятности переднего плана;

модель классификации заднего плана получается путем умножения модели особенностей на вероятностную модель цвета заднего плана, и модель классификации заднего плана сконфигурирована для того, чтобы характеризовать пиксел в виде вероятности заднего плана.

Опционально, упомянутое изображение сегментируется согласно предварительно определенному алгоритму разреза графа, что содержит этапы, на которых:

подобие переднему плану каждого пиксела на изображении вычисляется посредством модели классификации переднего плана;

подобие заднему плану каждого пиксела на изображении вычисляется посредством модели классификации заднего плана;

получается подобие между смежными пикселами на изображении;

неориентированный граф, требуемый для предварительно определенного алгоритма разреза графа, строится посредством подобия переднему плану каждого пиксела, подобия заднему плану каждого пиксела и подобия между смежными пикселами; и

неориентированный граф сегментируется посредством предварительно определенного алгоритма разреза графа, таким образом, завершая сегментацию изображения.

Опционально, упомянутый неориентированный граф, требуемый для предварительно определенного алгоритма разреза графа, строится посредством подобия переднему плану каждого пиксела, подобия заднему плану каждого пиксела и подобия между смежными пикселами, что содержит этапы, на которых:

строится неориентированный граф, требуемый для предварительно определенного алгоритма разреза графа, причем неориентированный граф содержит первую границу между вершиной переднего плана, вершиной заднего плана, по меньшей мере одной пиксельной вершиной и двумя смежными пиксельными вершинами, вторую границу между пиксельной вершиной и вершиной заднего плана и третью границу между пиксельной вершиной и вершиной заднего плана, и пиксельные вершины в неориентированном графе соответствуют пикселам на изображении;

в отношении каждой второй границы подобие переднему плану пиксела, соответствующего пиксельной вершине, соединенной со второй границей, определяется в качестве весового значения второй границы;

в отношении каждой третьей границы подобие заднему плану пиксела, соответствующего пиксельной вершине, соединенной с третьей границей, определяется в качестве весового значения третьей границы; и

в отношении каждой первой границы подобие между двумя пикселами, соответствующими двум пиксельным вершинам, соединенным с первой границей, определяется в качестве весового значения первой границы.

Опционально, устанавливается упомянутая модель особенностей изображения, что содержит этапы, на которых:

пересегментация изображения выполняется посредством предварительно определенного алгоритма пересегментации, таким образом, получается по меньшей мере одна зона, и пикселы в одной и той же зоне имеют идентичные цветовые значения;

определяются цветовое значение и центр каждой из зон; и

модель особенностей устанавливается согласно цветовым значениям, соответствующим зонам и центрам зон.

Опционально, моделью особенностей является:

в которой, S_i1 - значение особенностей любого пиксела в зоне R_i, w(R_j) - количество пикселов в зоне R_j,

D_S(R_i,R_j) сконфигурировано для представления метрического значения разницы пространственной позиции между зоной R_i и зоной R_j, D_C(R_i,R_j) сконфигурировано для представления метрического значения разницы цвета между зоной R_i и зоной R_j, N - полное количество зон, полученных после пересегментации изображения, причем D_S(R_i,R_j) является: D_S(R_i,R_j)=exp(-(Центр(R_i)-Центр(R_j))²/σ_S ²),

Центр(R_i) - центр зоны R_i, Центр(R_j) - центр зоны R_j, когда все координаты пикселов на изображении нормализованы в [0,1], σ_S ²=0,4.

Опционально, устанавливается упомянутая модель особенностей изображения, что содержит этапы, на которых:

пикселы на изображении классифицируются согласно цветовым значениям пикселов, и пикселы с одним и тем же цветовым значением классифицируются в качестве одного и того же цветового типа; и

модель особенностей устанавливается согласно цветовому значению каждого цветового типа.

Опционально, моделью особенностей является:

в которой w(P_j) - количество пикселов в цветовом типе P_j, D_C(P_i,P_j) сконфигурировано для представления метрического значения разницы цвета между цветовым типом P_i и цветовым типом P_j.

Согласно второму аспекту вариантов осуществления настоящего раскрытия, обеспечено устройство сегментации изображения, содержащее:

первый модуль установления, сконфигурированный для установления модели особенностей изображения;

модуль получения пробы, сконфигурированный для получения пробной точки переднего плана и пробной точки заднего плана изображения согласно модели особенностей;

второй модуль установления, сконфигурированный для установления модели классификации переднего плана и заднего плана согласно модели особенностей, установленной первым модулем установления, а также пробной точке переднего плана и пробной точке заднего плана, полученным модулем получения пробы; и

модуль сегментации изображения, сконфигурированный для сегментации изображения согласно предварительно определенному алгоритму разреза графа, и конкретным образом изображение сегментируется согласно предварительно определенному алгоритму разреза графа посредством модели классификации переднего плана и заднего плана, установленной вторым модулем установления, и краевой информации, относящейся к пикселам.

Опционально, модуль получения пробы содержит:

первый блок вычисления, сконфигурированный для вычисления значений особенностей пикселов на изображении согласно модели особенностей;

блок нормализации, сконфигурированный для нормализации значений особенностей пикселов, вычисленных блоком вычисления;

первый блок определения, сконфигурированный для определения пикселов, значения особенностей которых, нормализованные блоком нормализации, больше предварительно определенного порогового значения переднего плана, в качестве пробной точки переднего плана; и

второй блок определения, сконфигурированный для определения пикселов, значения особенностей которых, нормализованные блоком нормализации, меньше предварительно определенного порогового значения заднего плана, в качестве пробной точки заднего плана;

причем предварительно определенное пороговое значение переднего плана больше предварительно определенного порогового значения заднего плана, и нормализованные значения особенностей принадлежат к (0, 1).

Опционально, модель классификации переднего плана и заднего плана содержит модель классификации переднего плана и модель классификации заднего плана, и второй модуль установления содержит:

первый блок установления, сконфигурированный для установления вероятностной модели цвета переднего плана согласно пробной точке переднего плана;

второй блок установления, сконфигурированный для установления вероятностной модели цвета заднего плана согласно пробной точке заднего плана;

первый блок умножения, сконфигурированный для умножения модели особенностей, установленной первым модулем установления, на вероятностную модель цвета переднего плана, установленную первым блоком установления, таким образом, получая модель классификации переднего плана, которая сконфигурирована для того, чтобы характеризовать пиксел в виде вероятности переднего плана; и

второй блок умножения, сконфигурированный для умножения модели особенностей, установленной первым модулем установления, на вероятностную модель цвета заднего плана, установленную вторым блоком установления, таким образом, получая модель классификации заднего плана, которая сконфигурирована для того, чтобы характеризовать пиксел в виде вероятности заднего плана.

Опционально, модуль сегментации изображения содержит:

второй блок вычисления, сконфигурированный для вычисления подобия переднему плану каждого пиксела на изображении посредством модели классификации переднего плана;

третий блок вычисления, сконфигурированный для вычисления подобия заднему плану каждого пиксела на изображении посредством модели классификации заднего плана;

блок получения, сконфигурированный для получения подобия между смежными пикселами на изображении;

блок построения, сконфигурированный для построения неориентированного графа, требуемого для предварительно определенного алгоритма разреза графа, посредством подобия переднему плану каждого пиксела, подобия заднему плану каждого пиксела и подобия между смежными пикселами; и

первый блок сегментации, сконфигурированный для сегментации неориентированного графа посредством предварительно определенного алгоритма разреза графа, таким образом, завершая сегментацию изображения.

Опционально, блок построения содержит:

подблок построения, сконфигурированный для построения неориентированного графа, требуемого для предварительно определенного алгоритма разреза графа, причем неориентированный граф содержит первую границу между вершиной переднего плана, вершиной заднего плана, по меньшей мере одной пиксельной вершиной и двумя смежными пиксельными вершинами, вторую границу между пиксельной вершиной и вершиной заднего плана и третью границу между пиксельной вершиной и вершиной заднего плана, и пиксельные вершины в неориентированном графе соответствуют пикселам на изображении;

первый подблок определения, сконфигурированный для того, чтобы, в отношении каждой второй границы, определять подобие переднему плану пиксела, соответствующего пиксельной вершине, соединенной со второй границей, в качестве весового значения второй границы;

второй подблок определения, сконфигурированный для того, чтобы, в отношении каждой третьей границы, определять подобие заднему плану пиксела, соответствующего пиксельной вершине, соединенной с третьей границей, в качестве весового значения третьей границы; и

третий подблок определения, сконфигурированный для того, чтобы, в отношении каждой первой границы, определять подобие между двумя пикселами, соответствующими двум пиксельным вершинам, соединенным с первой границей, в качестве весового значения первой границы.

Опционально, первый модуль построения содержит:

второй блок сегментации, сконфигурированный для проведения пересегментации изображения посредством предварительно определенного алгоритма пересегментации, таким образом, получая по меньшей мере одну зону, и пикселы в одной и той же зоне имеют идентичные цветовые значения;

четвертый блок определения, сконфигурированный для определения цветового значения и центра каждой из зон; и

третий блок установления, сконфигурированный для установления модели особенностей согласно цветовым значениям, соответствующим зонам и центрам зон.

Опционально, моделью особенностей является:

в которой, S_i1 - значение особенностей любого пиксела в зоне R_i, w(R_j) - количество пикселов в зоне R_j,

D_S(R_i,R_j) сконфигурировано для представления метрического значения разницы пространственной позиции между зоной R_i и зоной R_j, D_C(R_i,R_j) сконфигурировано для представления метрического значения разницы цвета между зоной R_i и зоной R_j, N - полное количество зон, полученных после пересегментации изображения, D_S(R_i,R_j)=exp(-(Центр(R_i)-Центр(R_j))²/σ_S ²),

Центр(R_i) - центр зоны R_i, Центр(R_j) - центр зоны R_j, когда все координаты пикселов на изображении нормализованы в [0,1], σ_S ²=0,4.

Опционально, первый модуль установления содержит:

блок классификации, сконфигурированный для классификации пикселов на изображении согласно цветовым значениям пикселов, и пикселы с одним и тем же цветовым значением классифицируются в качестве одного и того же цветового типа; и

четвертый блок установления, сконфигурированный для установления модели особенностей согласно цветовому значению каждого цветового типа.

Опционально, моделью особенностей является:

в которой w(P_j) - количество пикселов в цветовом типе P_j, D_C(P_i,P_j) сконфигурировано для представления метрического значения разницы цвета между цветовым типом P_i и цветовым типом P_j.

Согласно третьему аспекту вариантов осуществления настоящего раскрытия, обеспечено устройство сегментации изображения, содержащее:

процессор;

память, сконфигурированную для сохранения инструкций, исполняемых процессором;

причем процессор сконфигурирован для того, чтобы:

установить модель особенностей изображения;

получить пробную точку переднего плана и пробную точку заднего плана изображения согласно модели особенностей;

установить модель классификации переднего плана и заднего плана согласно модели особенностей, а также пробной точке переднего плана и пробной точке заднего плана; и

сегментировать изображение согласно предварительно определенному алгоритму разреза графа, и конкретным образом изображение сегментируется согласно предварительно определенному алгоритму разреза графа посредством модели классификации переднего плана и заднего плана и краевой информации, относящейся к пикселам.

Техническое решение согласно вариантам осуществления настоящего раскрытия может иметь следующие положительные эффекты:

Модель классификации переднего плана и заднего плана устанавливается путем автоматического определения пробной точки переднего плана и пробной точки заднего плана и путем комбинирования модели особенностей, а также пробной точки переднего плана и пробной точки заднего плана, и сегментация изображения достигается посредством модели классификации переднего плана и заднего плана; решается та проблема в родственных технологиях, что пользователю необходимо вручную и грубо выбрать пробную точку переднего плана и пробную точку заднего плана, и, таким образом, эффективность сегментации низка для сегментации большого количества изображений; осуществляется автоматический выбор проб, и улучшается точность классификации, поскольку она доступна для автоматического получения пробной точки переднего плана, и автоматическая пробная точка и трансцендентная модель особенностей комбинируются для установления модели классификации переднего плана и заднего плана.

Следует понимать, что и вышеприведенное общее описание, и последующее подробное описание являются только примерными и пояснительными и не ограничивают раскрытие.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Сопроводительные чертежи, которые включены в и составляют часть этого технического описания, иллюстрируют варианты осуществления, соответствующие изобретению, и вместе с описанием служат для объяснения принципов изобретения.

Фиг. 1 изображает блок-схему, показывающую способ сегментации изображения согласно примерному варианту осуществления.

Фиг. 2A изображает блок-схему, показывающую способ сегментации изображения согласно другому примерному варианту осуществления.

Фиг. 2В изображает блок-схему, показывающую, как установить модель особенностей изображения согласно примерному варианту осуществления.

Фиг. 2C изображает блок-схему, показывающую, как установить модель особенностей изображения согласно другому примерному варианту осуществления.

Фиг. 2D изображает блок-схему, показывающую, как построить неориентированный граф согласно примерному варианту осуществления.

Фиг. 2Е изображает схематичное представление, показывающее неориентированный граф согласно примерному варианту осуществления.

Фиг. 3 изображает структурную схему устройства сегментации изображения согласно примерному варианту осуществления.

Фиг. 4 изображает структурную схему устройства сегментации изображения согласно другому примерному варианту осуществления.

Фиг. 5 изображает структурную схему устройства сегментации изображения согласно дополнительному примерному варианту осуществления.

ОПИСАНИЕ ВАРИАНТОВ ОСУЩЕСТВЛЕНИЯ

Далее будут подробно описаны примерные варианты осуществления, примеры которых иллюстрируются на сопроводительных чертежах. Последующее описание ссылается на сопроводительные чертежи, на которых одни и те же номера на различных чертежах представляют одни и те же или подобные элементы, если не указано обратное. Осуществления, изложенные в последующем описании примерных вариантов осуществления, не представляют всех осуществлений, согласующихся с изобретением. Вместо этого они являются всего лишь примерами устройств и способов, согласующихся с аспектами, относящимися к изобретению, перечисленными в прилагаемой формуле изобретения.

Электронным оборудованием здесь может быть интеллектуальный мобильный телефон, планшетный компьютер, интеллектуальный телевизор, устройство для чтения электронных книг, проигрыватель MP3 (аудиослой экспертной группы по движущемуся изображению III), проигрыватель MP4 (аудиослой экспертной группы по движущемуся изображению IV), компьютер-ноутбук, настольный компьютер и т. п.

Фиг. 1 изображает блок-схему, показывающую способ сегментации изображения согласно примерному варианту осуществления, как показано на фиг. 1, способ сегментации изображения применяется к электронному оборудованию и содержит следующие этапы:

На этапе 101 устанавливается модель особенностей изображения.

На этапе 102 пробная точка переднего плана и пробная точка заднего плана изображения получаются согласно модели особенностей.

На этапе 103 модель классификации переднего плана и заднего плана устанавливается согласно модели особенностей, а также пробной точке переднего плана и пробной точке заднего плана.

На этапе 104 изображение сегментируется согласно предварительно определенному алгоритму разреза графа, и конкретным образом изображение сегментируется согласно предварительно определенному алгоритму разреза графа посредством модели классификации переднего плана и заднего плана и краевой информации, относящейся к пикселам.

В завершение, в способе сегментации изображения согласно вариантам осуществления настоящего раскрытия модель классификации переднего плана и заднего плана устанавливается путем автоматического определения пробной точки переднего плана и пробной точки заднего плана и путем комбинирования модели особенностей и пробной точки переднего плана и пробной точки заднего плана, и сегментация изображения достигается посредством модели классификации переднего плана и заднего плана; решается та проблема в родственных технологиях, что пользователю необходимо вручную и грубо выбрать пробную точку переднего плана и пробную точку заднего плана, и, таким образом, эффективность сегментации низка для сегментации большого количества изображений; осуществляется автоматический выбор проб, и улучшается точность классификации, поскольку она доступна для автоматического получения пробной точки переднего плана, и автоматическая пробная точка и трансцендентная модель особенностей комбинируется для установления модели классификации переднего плана и заднего плана.

Фиг. 2A изображает блок-схему, показывающую способ сегментации изображения согласно другому примерному варианту осуществления, как показано на фиг. 2A, способ сегментации изображения применяется к электронному оборудованию и содержит следующие этапы:

На этапе 201 устанавливается модель особенностей изображения.

В практическом применении модель особенностей изображения может быть установлена множеством различных способов, в частности, следующим образом:

В первом способе, со ссылкой на фиг. 2В, блок-схема, показывающая, как установить модель особенностей изображения согласно примерному варианту осуществления, содержит:

На подэтапе 201a пересегментация изображения проводится посредством предварительно определенного алгоритма пересегментации, таким образом, получая по меньшей мере одну зону, и пикселы в одной и той же зоне имеют идентичные цветовые значения.

Пересегментация изображения означает сегментацию изображения на различные зоны, и пикселы в каждой из зон имеют одну и ту же или подобную характеристику, например, пикселы в конкретной зоне после пересегментации имеют одно и то же или приблизительное цветовое значение.

Алгоритм пересегментации, который задействуется здесь, является алгоритмом пересегментации на основе сдвига среднего. В практическом применении другие алгоритмы пересегментации могут быть использованы, такие как алгоритм пересегментации на основе "водораздела" и алгоритм пересегментации на основе ультрапиксельного выделения кластеров и т.д. Вариант осуществления не накладывает ограничений на алгоритмы пересегментации.

На подэтапе 201b определяются цветовое значение и центр каждой из зон;

Поскольку пикселы в зоне после пересегментации имеют одно и то же цветовое значение, существует возможность определить цветовое значение зоны, и центр зоны также может быть вычислен.

На подэтапе 201c модель особенностей устанавливается согласно цветовым значениям, соответствующим зонам и центрам зон.

Моделью особенностей, установленной согласно подэтапам 201a-201с, может быть:

в которой S_i1 - значение особенностей любого пиксела в зоне R_i, w(R_j) - количество пикселов в зоне R_j,

D_S(R_i,R_j) сконфигурировано для представления метрического значения разницы пространственной позиции между зоной R_i и зоной R_j, D_C(R_i,R_j) сконфигурировано для представления метрического значения разницы цвета между зоной R_i и зоной R_j,

N - полное количество зон, полученных после пересегментации изображения,

причем D_S(R_i,R_j) является: D_S(R_i,R_j)=exp(-(Центр(R_i)-Центр(R_j))²/σ_S ²)

Центр(R_i) - центр зоны R_i, Центр(R_j) - центр зоны R_j, когда все координаты пикселов на изображении нормализованы в [0,1], σ_S ²=0,4.

D_C(R_i,R_j) может быть представлено как евклидово расстояние между средним цветовым значением зоны R_i и средним цветовым значением зоны R_j. Среднее цветовое значение зоны получается путем деления суммы цветовых значений пикселов в зоне на полное количество пикселов в зоне. В идеальных условиях цветовые значения различных пикселов в зоне одни и те же, при этих условиях цветовым значением зоны является цветовое значение одного пиксела в ней. Однако в практическом применении цветовые значения различных пикселов в одной и той же зоне не совсем одни и те же. Обычно цветовые значения различных пикселов довольно приблизительны, при этих условиях среднее цветовое значение зоны получается путем деления суммы цветовых значений пикселов в зоне на полное количество пикселов в зоне.

Из композиции модели особенностей может быть известно, что модель особенностей может быть сконфигурирована для того, чтобы характеризовать, что значения особенностей пикселов в каждой из зон могут подвергаться влиянию других зон на изображении.

Во втором способе, со ссылкой на фиг. 2С, обеспечена блок-схема, показывающая, как установить модель особенностей изображения согласно другому примерному варианту осуществления, содержащая:

На подэтапе 201d пикселы на изображении классифицируются согласно цветовым значениям пикселов, и пикселы с одним и тем же цветовым значением классифицируются как один и тот же цветовой тип.

В практическом применении может быть установлено место хранения (например, очередь хранения или стек хранения и т. п.), соответствующее цветовому значению и сконфигурированное для хранения пикселов, количество мест хранения может быть 256*256*256, пикселы на изображении считываются успешно, и пикселы сохраняются в месте хранения, соответствующем цветовым значениям пикселов, таким образом, цветовые значения пикселов, сохраненные в каждом из мест хранения, одни и те же.

После того, как пикселы на изображении считываются, проводится статистика количества пикселов, сохраненных в каждом из мест хранения.

На подэтапе 201е модель особенностей устанавливается согласно цветовому значению каждого цветового типа.

Моделью особенностей, установленной согласно цветовому значению каждого цветового типа, является:

в которой w(P_j) - количество пикселов в цветовом типе P_j, D_C(P_i,P_j) сконфигурировано для представления метрического значения разницы цвета между цветовым типом P_i и цветовым типом P_j.

Следует пояснить, что в практическом применении после того, как пикселы на изображении классифицируются согласно подэтапу 201d, количество пикселов, соответствующих одному и тому же цветовому типу, может быть очень малым, цвет этих пикселов не имеет большого влияния на значения особенностей цвета других пикселов. Таким образом, в возможном осуществлении для того, чтобы уменьшить вычисленное количество, цветовые типы с большим количеством пикселов могут быть выбраны для установления модели особенностей.

На этапе 202 значения особенностей пикселов на изображении вычисляются согласно модели особенностей.

На этапе 203 значения особенностей пикселов нормализуются.

Обычно значения особенностей пикселов нормализованы в (0, 1).

На этапе 204 пикселы, нормализованные значения особенностей которых больше предварительно определенного порогового значения переднего плана, определяются в качестве пробной точки переднего плана.

Предварительно определенное пороговое значение переднего плана может быть установлено согласно фактической ситуации, когда значения особенностей пикселов нормализованы в (0, 1), например, предварительно определенное пороговое значение переднего плана может быть установлено как 0,8.

На этапе 205 пикселы, нормализованные значения особенностей которых меньше предварительно определенного порогового значения заднего плана, определяются в качестве пробной точки заднего плана.

Предварительно определенное пороговое значение переднего плана может быть установлено согласно фактической ситуации, когда значения особенностей пикселов нормализованы в (0, 1), например, предварительно определенное пороговое значение переднего плана может быть установлено как 0,25.

Обычно предварительно определенное пороговое значение переднего плана больше предварительно определенного порогового значения заднего плана.

Таким образом, пробная точка переднего плана и пробная точка заднего плана могут автоматически быть определены согласно установленной модели особенностей.

На этапе 206 вероятностная модель цвета переднего плана устанавливается согласно пробной точке переднего плана.

В практическом применении существует множество способов установления вероятностной модели цвета, например, вероятностная модель цвета может быть установлена посредством математического моделирования на основе статистики гистограммы или посредством модели гауссовых смесей. Если пробная точка для установления вероятностной модели цвета является пробной точкой переднего плана, полученная вероятностная модель цвета определяется как вероятностная модель цвета переднего плана.

На этапе 207 вероятностная модель цвета заднего плана установлена согласно пробной точке заднего плана.

Подобным образом, вероятностная модель цвета может быть установлена посредством математического моделирования на основе статистики гистограммы или посредством модели гауссовых смесей. Если пробная точка для установления вероятностной модели цвета является пробной точкой заднего плана, полученная вероятностная модель цвета определяется как вероятностная модель цвета заднего плана.

На этапе 208 модель классификации переднего плана получается путем умножения модели особенностей на вероятностную модель цвета переднего плана, и модель классификации переднего плана сконфигурирована для того, чтобы характеризовать пиксел в виде вероятности переднего плана.

Для того, чтобы улучшить точность в сегментации переднего плана изображения, модель классификации переднего плана может быть получена путем комбинации трансцендентной модели особенностей и улучшенной вероятностной модели цвета переднего плана, например, модель классификации переднего плана может быть получена путем умножения модели особенностей на вероятностную модель цвета переднего плана.

На этапе 209 модель классификации заднего плана получается путем умножения модели особенностей на вероятностную модель цвета заднего плана, и модель классификации заднего плана сконфигурирована для того, чтобы характеризовать пиксел в качестве вероятности заднего плана.

Подобным образом, для того, чтобы улучшить точность в сегментации заднего плана изображения, модель классификации заднего плана может быть получена путем комбинации трансцендентной модели особенностей и улучшенной вероятностной модели цвета заднего плана, например, модель классификации заднего плана может быть получена путем умножения модели особенностей на вероятностную модель цвета заднего плана.

На этапе 210 подобие переднему плану каждого пиксела на изображении вычисляется посредством модели классификации переднего плана.

Поскольку модель классификации переднего плана используется для того, чтобы характеризовать пиксел в виде вероятности переднего плана (т.е. подобия между пикселом и передним планом), модель классификации переднего плана может непосредственно использоваться для вычисления подобия переднему плану каждого пиксела на изображении.

На этапе 211 подобие заднему плану каждого пиксела на изображении вычисляется посредством модели классификации заднего плана.

Подобным образом, поскольку модель классификации заднего плана сконфигурирована для того, чтобы характеризовать пиксел в качестве вероятности заднего плана (т.е. подобия между пикселом и задним планом), модель классификации заднего плана может быть непосредственно сконфигурирована для вычисления подобия заднему плану каждого пиксела на изображении.

На этапе 212 получается подобие между смежными пикселами на изображении.

На этапе 213 неориентированный граф, требуемый для предварительно определенного алгоритма разреза графа, строится посредством подобия переднему плану каждого пиксела, подобия заднему плану каждого пиксела и подобия между смежными пикселами.

На фиг. 2D изображена блок-схема для построения неориентированного графа согласно примерному варианту осуществления, причем неориентированный граф, требуемый для предварительно определенного алгоритма разреза графа, строится посредством подобия переднему плану каждого пиксела, подобия заднему плану каждого пиксела и подобия между смежными пикселами,