1 引言
图像的分割与合成是指把一张图像中感兴趣的物体分割出来,合成到另一张图像中,这在图像编辑中有着十分广泛的用途,特别是对于一些现实中很困难或根本不可能实现的场景十分重要,因为这种场景不存在,它的图像无法通过实地拍摄获得,但是可以通过图像合成来达到这种效果。近年来,国内外的学者对图像的分割与合成进行广泛的研究,提出了很多实现的方法,下面就对这些方法进行简单介绍。
1.1 已有的方法
(1) 把选定的物体从源图像中准确地分割出来的方法
主要方法有三种,分别是:轮廓线逼近法(Active Contours)与蛇线法(Snakes)、智能裁剪法(Intelligent Scissors)、切割图法(Graph Cuts)[1]。这三种方法中,第一种和第三种都是针对源图像分别建立相应能量函数,求得能量函数最小时的分割结果;第二种是通过建立种子点与人工交互来实现物体切割,其中第三种方法较为流行。
(2) 把分割出来的物体合成到目标图像中的方法:
常用的方法有三类,分别是直接复制法、 Poisson合成法、三维光照法[1]。直接复制法是将分割出来的物体直接复制在目标图像中;Poisson合成法主要采用Poisson方程进行合成;三维光照法是基于在目标图像中的三维光照效果进行合成,计算量大,但合成效果最好。
1.2 提出的新方法
本文提出的图像分割法是在区域归并理论之上提出的一种新的方法,它需要首先通过人工交互的方式,通过调整图像的色阶或对比度将图像和明显属于背景的像素分离出来;其次在物体内部建立一个小的矩形区域,把这个矩形不断向外拓展,根据像素灰度,排除与物体灰度值相差大于2的像素点;重复以上操作来确定物体最后的边界,达到图像分割的目的。
对于图像合成,本文在梯度比较法[1]基础之上提出了更一步的改进方法,它首先计算分割图像在源图像中的灰度值,把目标图像与源图像的灰度值进行对比,再将切割图像在源图像中的RGB值相应地变化为目标图像灰度条件下的新RGB值,最后根据新的RGB,计算HIS值,从而使合成图像看起来更自然、更真实。
2 主要算法
2.1 把感兴趣的物体从源图像中分割出来
(1) 区域归并理论[2]
它表示一种在原始图像数据上开始增长的图形分割方式。其具体的算法如下:
①定义某种初始化方法将图像分割为满足公式H(Ri)=TURE(i=1,2,3…,s)的很多小区域。
②为归并两个邻接区域定义一个标准。
③将满足归并标准的所有邻接区域归并起来,如果不再有两个区域归并后保持条件①,则停止。
(2) 基于人工交互的图像分割法
要把物体从图像中分割出来,也就是对图像中的每个像素进行判断,判断像素是属于物体还是属于背景。首先通过人工交互的方式,将图像中有些物体很明显属于物体,如图1(Ⅱ)中标F的部分所示,可以用曲线将它们与其他部分分开。同样地,有些部分明显属于背景,如图(Ⅱ)中标B的部分所示,也可以用曲线将它们分开。对于其中的W部分,则是人工交互选择的矩形区域。
步骤1 建立小的矩形区域W,并计算出B和F的灰度值T1和T2。
用人工交互的方法,在图像中的物体内部用矩形包含出一个小型的区域,该操作实现起来比较简单。在计算机上计算背景区域B和物体区域F的灰度值也是不复杂的。
步骤2 W向外部拓展的主要算法。
选定W区域后,在W的上下左右四个方向上每次都同时递增一个像素,原来的矩形区域W变为W+1,然后判断新增的像素点的灰度值是否大于T2+2,并与T1相比较相差多少。如果新像素点的灰度值不大于T2+2,并与T1相差比较大时,则该像素点保留;如果新像素点的灰度值大于T2+2,并与T1相差不大时,则排除该像素点,并专门存放该点的坐标值。然后依照此法进行递归操作,直到所有拓展到所有新像素点的灰度值都大于T2+2,并与T1相差不大或者拓展到进入B部分时终止。下面是该过程实现的伪代码:
do
{
if(W<= (T2+2)&&(W<< T1‖W>> T1))
{
W++;
}
else
{
a[][]=(x,y);
}
}
while(Wn+1>= T2+2‖W<=N)
其中,W表示W区域新扩展的像素灰度值,a[][]表示存放像素点坐标值的二维数组,(x,y)表示不符合条件的像素坐标值,Wn+1表示最后一次迭代后所扩展的像素的灰度值,N表示B边界点像素。
2.2 把分割的物体合成到目标图像中
每个图像都是由像素所构成,其中通过像素的RGB值来显示图像的颜色。设F和G分别表示源图像与目标图像,从F中分割出来的物体区域为D,图像合成就是将D与G结合起来,使其新生成的图像G＇更加真实自然。如图2中所示过程:
最简单的方法就是把D直接 粘贴到G中的相应位置,这种方法比较简单且很直观,但是不能应用于F与G的背景曝光度相差很大的图片。因为当一张图片很亮时,其中的物体也会很亮,把这个图片中的物体与有一张背景灰暗的图片直接粘在一起很不真实。如图3(Ⅲ),显然这种图像是不够真实的。下面提出一种新的调整方法:
先求出源图像与目标图像的灰度图像G1、F1,其中包含D的灰度图像D1,然后比较区域D1与F1∕D1部分灰度值的相对情况,因为是整体比较,故采用平均法:
W= M〡D1/M〡F1∕D1 (3)
式(1)表示在D区域内的像素灰度平均值,式(2)表示在F1∕D1区域内的像素灰度平均值,W为一个常量,它反映了源图像中物体与背景的相对亮度,其中W越大,表示源图像中的物体与背景对比越明显。在此基础上,以W的值为基准,将D合成到G中,使得G＇的W值等于F中的W值。
最后,在新的RGB值基础上再对HIS值进行变化:
(4)
[3]
通过(4)式将图像的色度、饱和度、强度加以转换,这样可以得到更加逼真自然地合成图像,如图3中的(Ⅳ)。
3 结束语
本文提出的切割图法,基于区域归并理论,所设计的算法运算量较大,涉及到大量的像素,分割结果较为准确,但因为都是判断灰度值,而不是牵扯具体的灰度运算,在现代计算条件下是可行的,但是此方法存在的缺点是人工交互多,开始时需要手工把它分为3个部分,不过这对于现在的图形工具来说很容易做到。对于图像合成,只是简单的代数运算,效果较好,克服了直接复制法的不足。
参考文献:
[1] 刘则毅,徐高奎,丁雅斌．一种新的图像合成方法[J].中国图像图形学报,2007,12(3):432-433.
[2] 艾海舟、武勃译．图像处理、分析与机器视觉[M]．(2)．北京:人民邮电出版社,2003:118-119．
[3] 艾海舟、武勃译．图像处理、分析与机器视觉[M]．(2)．北京:人民邮电出版社,2003:17-18．