【正文】 能 非 常 強 大 。 它 無 須 改 寫 注 冊 表 ， 能 夠 非 常 方 便 的 移 除 。四川大學(xué)本科畢業(yè)論文 基于圖像分割的簡單圖像摳取算法的研究與實現(xiàn)3 單一化的圖像處理軟件(1)KnockOut KnockOut是Corel公司出品的專業(yè)去背景軟件，能夠處理復(fù)雜背景下的精細目標(biāo)。去背景操作就是制作遮罩的過程，所謂的去背景，指的是將特定的主體從背景中分離出來，以便進行其它的后續(xù)設(shè)計。KnockOut不僅能夠處理復(fù)雜情況其對背景單純時的處理方式也同樣保持其它軟件同樣的簡單化，快速化。對于一般的去背景需求，KnockOut的處理效果都及為準(zhǔn)確，快速，且其需要的操作方便，容易。KnockOut圖像摳取軟件使用的是KnockOut自然景物摳取算法，而Knockout 方法的特點在于模型簡單、處理速度快，但其處理效果不佳。其僅僅是在處理光滑圖像有著較好的效果。(2)可牛影像可牛影像是新一代的圖像處理軟件，獨有美白祛痘、瘦臉瘦身、明星場景、多照片疊加等功能，更有 50 余種照片特效，數(shù)秒即可制作出影樓級的專業(yè)照片?？膳Ｓ跋竦挠姓掌庉嫻δ??？膳Ｓ跋襁€具有智能修復(fù)功能，只要點擊一下鼠標(biāo)，就可以對照片進行自動亮白，自動白平衡，自動對比度調(diào)整等操作。此外可牛影像還擁有數(shù)十種風(fēng)格特效和影樓特效，能夠使用戶快速為照片添加藝術(shù)效果；而且它還使得去紅眼，背景虛化這些看似復(fù)雜的操作，變得相當(dāng)簡單，即使是新手也能得到很好的處理效果。另外，可牛影像的智能摳圖功能，能夠使用戶在較小的操作后得到摳取結(jié)果，并且能夠?qū)μ幚砗蟮慕Y(jié)果進行編輯，使得結(jié)果更加滿足用戶的需求。此 外 ， 可牛影像具 有 補 光 、 柔 和 等 6 大 自 動 修 復(fù) 能 力 ， 素 描 、 黑 白 、 懷 舊 等 數(shù) 十種 另 類 效 果 ， 以 及 其 他 一 些 延 伸 功 能 的 實 現(xiàn) 使 得 其 具 有 了 全 套 的 照 片 的 編 輯 功 能 。 本文所做的主要工作本論文的內(nèi)容結(jié)構(gòu)安排如下：第一章為緒論。首先介紹了課題研究的背景與意義，再對目前可用于圖像摳取的軟件或研究成果進行了簡單的介紹。最后列出了本論文的主要安排和作者所做的主要工作。第二章為圖像分割簡述。在這個章節(jié)中對圖像分割進行了概述，并就其目前使用基本方法進行了介紹。第三章為算法實現(xiàn)所涉及的工具及技術(shù)簡介。在這章中對 MFC,GDI+,OpenGL 等在算法實現(xiàn)過程中所用到的工具或技術(shù)做了簡要的闡述。第四章為 GrabCut 圖像分割方法簡介。首先對 GrabCut 算法做了簡介，再就 GrabCut算法的思想及過程進行了詳細的闡述。第五章為 GrabCut 算法及其輔助功能的實現(xiàn)。本章詳細的介紹了 GrabCut 算法在MFC 程序框架下的實現(xiàn)過程，并對針對算法處理結(jié)果所進行的輔助功能的實現(xiàn)進行了介紹。第六章為總結(jié)與展望。在這個章節(jié)中對 GrabCut 算法的研究與實現(xiàn)過程所做的工作進四川大學(xué)本科畢業(yè)論文 基于圖像分割的簡單圖像摳取算法的研究與實現(xiàn)4行了總結(jié)，并對圖像分割算法及建立在算法實現(xiàn)基礎(chǔ)上圖像摳取軟件的前景進行了展望。2 圖像分割簡述 圖像分割概述在計算機視覺領(lǐng)域的研究中,圖像分割是圖像處理,模式識別和人工智能等許多領(lǐng),重要的關(guān)鍵步驟,也是非?；A(chǔ)的研究領(lǐng)域. 圖像分割就是從圖像中把感興的目標(biāo)與背景分割開來，或從圖像中識別和解釋出有意義的物體實體而提取不同的圖像特征的操作。而在圖像分割中提出的感興趣的目標(biāo)可以是指視野中的運動物體，可以通過一系列的圖像序列中分析得到，也可以是指一些可分離的物體對象，如人，蘋果等，這兒主要是指兩物體間沒有存在明顯的重疊，可以通過分析單幅或者序列圖像得到。圖像分割是一個經(jīng)典的難題,到目前為止即不存在一種通用的圖像分割方法,也不存在一種判斷是否分割成功的標(biāo)準(zhǔn).按照圖像分割的定義,分割出的區(qū)域需要同時滿足均勻性和連通性的條件。其中均勻性是指該區(qū)域中的所有像素點都滿足基于灰度,紋理,色彩等特征的某種相似性準(zhǔn)則；連通性是指在該區(qū)域內(nèi)存在連接任意兩點的路徑 [1,1]。而這些區(qū)域或者幾個區(qū)域的聯(lián)合就可以表示一個感興趣的對象。這樣通過對分割區(qū)域或者區(qū)域組合的的提取從而實現(xiàn)感興趣目標(biāo)的提取。而目標(biāo)提取的結(jié)果的好壞對后續(xù)的處理操作有著非常重要的影響。因此，有效的圖像分割對如目標(biāo)檢測，身份確認(rèn)和行為理解與處理等中高層次的任務(wù)非常重要。而在視頻編碼，圖像檢索，人機互動，運動監(jiān)測等研究領(lǐng)域中，往往只考慮感興趣區(qū)域的像素，所以好的圖像分割技術(shù)往往能促進這些課題的研究發(fā)展。圖像分割在實際應(yīng)用中應(yīng)用的范圍非常廣泛，僅僅是在對醫(yī)學(xué)圖像的處理方向，就存在著如腫瘤與其他病變的定位，計算機輔助手術(shù)，解剖學(xué)研究等分支，更不要說其在衛(wèi)星圖像中的目標(biāo)定位，交通控制，機器視覺等研究方向的廣泛應(yīng)用。并且隨著計算機應(yīng)用范圍的增加，一些新的圖像分割的應(yīng)用領(lǐng)域也會慢慢誕生出來。另外，由于計算機圖像處理技術(shù)是對人類視覺的模擬，而人類的視覺系統(tǒng)又是一種高度自動化的生物圖像處理系統(tǒng)。而目前的研究對這個系統(tǒng)的認(rèn)識又不是很足，因此，要完全形成與人類視覺功能同樣強大的計算機視覺系統(tǒng)，還需要一個漫長的過程。而就需要對一些基礎(chǔ)研究領(lǐng)域加強研究使其首先完整化，才能有望實現(xiàn)計算機視覺。總之，圖像分割的重要地位必定只會得到的加強，而不會有所衰退。 圖像分割的基本方法 經(jīng)典的圖像分割方法這些圖像分割的方法都是經(jīng)過了很長的發(fā)展過程,擁有很強的理論依據(jù),是目前發(fā)展極四川大學(xué)本科畢業(yè)論文 基于圖像分割的簡單圖像摳取算法的研究與實現(xiàn)5為成熟的算法,雖然在處理的場景要求有一些嚴(yán)格,且處理效果不是很好,但畢竟是最初的處理算法,對其加深了解有助于更好的理解圖像分割的基本內(nèi)容和處理方式,對后續(xù)的新穎的圖像分割算法的學(xué)習(xí)也能起到一些作用,甚至做一些比對作用.1） 基于閾值的分割閾值法是一種比較傳統(tǒng)的圖像分割方法,也是經(jīng)典的、流行的圖像分割方法之一,是最特性上的差異,以確定圖像中每一個像素點應(yīng)該屬于目標(biāo)還是背景區(qū)域,從而產(chǎn)生相應(yīng)的二值圖像. 閾值分割可以通過全局的信息如整個圖象的灰度直方圖，或者局部信息如灰度共生矩陣實現(xiàn)。而根據(jù)其使用的信息類型的區(qū)別可將其分為全局閾值法和局部閾值法，或者單值法和多值法 [1,2]。在多區(qū)域的分割前提下，我們的目的是獲得一個閾值集合（t 1,t2, …,tk ） ，使得所有灰度值滿足 f(x,y)∈[t i,ti+1] 的象素點構(gòu)成第 i 個區(qū)域，其中(i=0,1, …,k)。閾值分割法，也可以看成是一個分類問題，比如單閾值分割中，相當(dāng)于把所有象素點分成兩類：目標(biāo)和背景。閾值分割圖像的基本原理,可用下式作一般表達式: EZ??,fxyZ? (21)??,gxy? 其他B其中 Z 為閾值,是圖像 灰度級范圍內(nèi)的任一個灰度級集合 , , 為任意選定的,f EZB目標(biāo)和背景灰度級。由此可見,基于閾值的圖像分割技術(shù),如果想要比較為復(fù)雜的背景下將目標(biāo)分辨并將其形狀完全提取出來,則對于閾值的選取是非常重要的。閾值的高低完全確定了一些關(guān)鍵點是屬于背景還是目標(biāo),也就完全影響了最后的分割結(jié)果 [1,3]。2） 區(qū)域增長技術(shù)，它僅適用于高反差的簡單圖象的分割，不能滿足灰度漸變或以某種紋理而不是灰度來表征不同區(qū)域的那些復(fù)雜圖象的分割。區(qū)域增長在很多領(lǐng)域都受到了很大的關(guān)注，其在計算機視覺的智能化應(yīng)用中也具有很大的作用。并且其在圖像的紋理信息分割方面具有很好的處理效果，它可以在灰度與局部特征值信息上進行簡單的聚類分類，也可以利用統(tǒng)計均勻性檢測進行復(fù)雜的分裂與合并處理。該算法的核心思想就是將在像素某一特征上具有相似性的像素集標(biāo)記為一個區(qū)域,然后具體在每一個區(qū)域中通過某種準(zhǔn)則選出一個種子點。再對種子點周圍的領(lǐng)域進行考查，找出具有相似性的像素，將其規(guī)為種子點所在的區(qū)域。再將這些新的點做為新的種子生長點，重復(fù)上面的步驟，直至沒有再滿足條件的點出現(xiàn)，就說明一個區(qū)域被劃分出來了 [1,4]。初始的小區(qū)域可能是小的鄰域甚至是單個象素。對這些小的區(qū)域,通過計算它們反映這個四川大學(xué)本科畢業(yè)論文 基于圖像分割的簡單圖像摳取算法的研究與實現(xiàn)6區(qū)域內(nèi)像素一致性的特征,如平均灰度值,紋理,等信息,來進行一些小區(qū)域的合并。從而最終完成整個分割過程。區(qū)域合并的第一步就是根據(jù)前面的特征給每個區(qū)域賦一組參數(shù)。這些參數(shù)能夠反映區(qū)域?qū)儆谀膫€物體 [1,5]。接下來根據(jù)相鄰區(qū)域特征的差異為所有的邊界賦一個強度值，這樣就能夠通過判斷這個強度值的大小來考查是否要對兩個相鄰區(qū)域的共同邊界進行消除操作。如果這個值很大，則表示這個邊界的強度很大，即這兩個相鄰的區(qū)域擁有著很大的差異，則不需要進行合并，它們的邊界也就不能消除，反之，若這個值較小，則認(rèn)為相鄰區(qū)域擁有很高的相似度，可以起先邊界消除完成合并。在這個過程完成后需要對所有的區(qū)域根據(jù)它當(dāng)前的所有像素重新計算出一個特征值，以便完成下一次的邊界消除，區(qū)域合并過程?？梢钥闯鰠^(qū)域合并是一個反復(fù)迭代的過程，直到?jīng)]有區(qū)域再進行合并時，才停止。這個過程就是一個不斷生長的過程，直到生長出目標(biāo)，生長過程才會結(jié)束 [1,6]。3） 基于邊緣的分割圖像的邊緣是圖像最基本的特征之一,所謂邊緣是指其周圍像素灰度有階躍變化或屋,物體與物體之間,基元與基元之間,因此,區(qū)域的邊緣的操作。而由以上對于邊緣的定義知，邊緣是圖像的局部特征，這樣通過對局部特征的分析就可以確定某個像素是否是邊緣?；谶吘壍姆指罴夹g(shù)主要有基于點的檢測，基于線的檢測經(jīng)及基于邊緣檢測等幾種方法 [1,7]。基于點的檢測主要是先檢測出離散的點，然后再將點連接成封閉的邊界，其處理過程就是用一個對待檢測區(qū)域進行離散點的檢測，如下示：W1W2 W3W4W5 W6W7W8 W9R = W1Z2+ W1Z2+….+ W9Z9表 21其中 Zk是與模板系數(shù) Wk相聯(lián)系的灰度級像素，R 代表模板中心像素的值。而基于線的檢測有兩種方式，一種是利用線檢測模板進行線檢測，另外是利用哈夫變換進行直線檢測。而基于邊緣檢測的分割方法則主要是利用各種算子得到圖像中的邊緣，進而根據(jù)邊緣信息得到分割后的區(qū)域。邊緣檢測的基本問題是噪聲對圖像檢測精度的影響。由于圖像邊緣和噪聲均為頻域中的高頻分量，簡單的微分運算會增加圖像中的噪聲。因此，在微分運算之前應(yīng)采用適當(dāng)?shù)钠交瑸V波以減少高頻分量中噪聲的影響。Cannny 應(yīng)用嚴(yán)格的數(shù)學(xué)方法對此問題進行了分析，提出了 4 個指數(shù)函數(shù)線性組合形成的最佳邊緣檢測算子，其實質(zhì)是用一個準(zhǔn)高斯四川大學(xué)本科畢業(yè)論文 基于圖像分割的簡單圖像摳取算法的研究與實現(xiàn)7函數(shù)做平滑運算，然后以帶方向的一階微分定位導(dǎo)數(shù)最大值，它可用高斯函數(shù)的梯度來近似，屬于具有平滑功能的一階微分算子 [1,8]。Canny 給出了評價邊緣檢測性能優(yōu)劣的三個指標(biāo)：① 好的信噪比，即將邊緣點判為非邊緣點，非邊緣點判為邊緣點的概率應(yīng)該比較低。② 好的定位性能，即檢測出的邊緣點，應(yīng)盡可能在實際邊緣點的中心。③ 對單一邊緣僅有唯一響應(yīng)，即單個邊緣產(chǎn)生多個響應(yīng)的效率應(yīng)該比較低，并且虛假邊緣的響應(yīng)應(yīng)該得到最大的抑制。并且，優(yōu)秀的邊緣檢測器可以通過以下方式得到：① 使圖像信噪比 SNR 最大化② 使標(biāo)記的邊緣點與真實邊緣中央的距離的均方根的估計值的倒數(shù)最大化為了同時達到檢測性能指標(biāo)和定位標(biāo)準(zhǔn)的最大化，Canny 認(rèn)為 SNR 與邊緣點位移的估計值一的標(biāo)準(zhǔn)方差的倒數(shù)乘積應(yīng)達到最大 [1,9]。 新穎的圖像分割方法目前應(yīng)用于圖像分割的新方法非常的多，它們的應(yīng)用范圍也各有不同，處理效果即理論的成熟度也表現(xiàn)出了一些差異，下面就基于分形的圖像分割技術(shù)和基于神經(jīng)網(wǎng)絡(luò)的圖像分割技術(shù)做一個簡單的介紹。1） 基于分形的圖像分割技術(shù)基于分形的圖像分割技術(shù)的核心思想是利用圖像的分形維數(shù)進行分割。而分形維數(shù)在一定程度上對物體表面的粗糙度有著一定程度的反映，而自然物體與人造物體在分形維數(shù)上有著很大的差異，這樣就可以利用這個特征從自然背景中提取出人造物體。B. B. Mandelbrot 指出，Hausdorff Besicovitch 維數(shù)嚴(yán)格大于拓?fù)渚S數(shù)的集合稱為分形，而目前較為流行的描述如下 [2,1]：一般的，如果 F 是具有以下性質(zhì)的集合，則稱它是一個分形。(1) F 具有精細的結(jié)構(gòu)，即有任意小比例的細節(jié)。(2) F 是如此不規(guī)則，以至于它的整體與局部都不能用傳統(tǒng)的幾何語言來描述。(3) F 通常具有某種自相似形式，可能是近似的或統(tǒng)計的。(4) 一般地，F(xiàn) 的“分形維數(shù)”(以某種方式定義的)大于它的拓?fù)渚S數(shù)。(5)在大多數(shù)令人感興趣的情形下，F(xiàn) 可以以某種非常簡單的方法產(chǎn)生，可能由迭代產(chǎn)生。在上面的定義中，自相似性是分形具有的一個最重要的特征 [2,2]。所謂自相似，是指系統(tǒng)的總體和部分之間，這部分和那部分之間具有的相似性。分形作為一個數(shù)學(xué)集，它的內(nèi)部應(yīng)具有精細結(jié)構(gòu)，也就是在所有比例尺度上其組成部分應(yīng)包含整體，而且是四川大學(xué)本科畢業(yè)論文 基于圖像分割