基于人机交互式图割的目标快速提取

计算机工程与科学

基于人机交互式图割的目标快速提取

徐秋平

(武警工程大学信息工程学院，陕西西安 710086)

收稿日期:2019-04-03 修回日期:2019-08-29 出版日期:2020-02-25 发布日期:2020-02-25
基金资助:
陕西省自然科学青年基金(2018JQ6224)

Fast object extraction using human-machine

interactive graph cuts

XU Qiu-ping

(School of Information Engineering,Engineering University of Armed Police Force,Xi’an 710086,China)

Received:2019-04-03 Revised:2019-08-29 Online:2020-02-25 Published:2020-02-25

摘要/Abstract

摘要：

根据RGB颜色值表征像素距离，运用图割理论，提出一种人机交互式的目标快速提取方法。在目标外围人工划出封闭折线作为初始活动轮廓线，向内生成单侧变宽域，消除前后重叠，避免重复切割，构造能量函数，生成s-t网络，通过对s-t网络的最小代价切割实现目标提取。后期对局部错误提供方便快捷、安全导向、手自结合的纠错措施。实验表明，所提算法人机交互方便快捷，纠错方式有效完备，目标提取快速准确。

关键词: 目标提取, 图像分割, 图割, 人机交互

Abstract:

By characterizing pixel distance with RGB pixel value, based on graph cuts theory, an human-machine interactive fast object extraction method is proposed. Closed polygons are artificially drawn around the object as the initial contour line, a single-side variable width cyclic neighborhood is generated to avoid ineffective overlapping and repeated cutting. Meantime, an energy function is constructed and a s-t network is generated to achieve the object extraction through the minimus cost cutting of the s-t network. Repeat the above steps until converge to the best boundary of the object. Later, convenient, fast, safety-oriented, automatic and manual error correction measures are provided for local errors. Experiments show that method has the advantages of convenient human-machine interaction, efficient and complete error correction, and fast and accurate object extraction.

Key words: object extraction, image segmentation, graph cuts, human-machine interaction

徐秋平. 基于人机交互式图割的目标快速提取[J]. 计算机工程与科学.

XU Qiu-ping.

Fast object extraction using human-machine

interactive graph cuts

[J]. Computer Engineering & Science.

[1]	张文豪, 瞿绍军. 基于双解码器结构的多尺度注意力特征融合网络的视网膜血管分割#br#[J]. 计算机工程与科学, 2023, 45(12): 2175-2185.
[2]	吴从中, 董浩, 方静. 基于注意力机制的自适应滤波遥感图像分割网络[J]. 计算机工程与科学, 2022, 44(11): 2010-2018.
[3]	仇静博, 燕雪峰, 汪俊, 郭延文, 魏明强, . 基于全卷积神经网络的单幅隧道图像裂纹提取算法[J]. 计算机工程与科学, 2022, 44(05): 845-854.
[4]	曾增峰, 环宇翔, 邹卓, 郑立荣. 多尺度深度监督的高度近视萎缩病变分割方法[J]. 计算机工程与科学, 2021, 43(07): 1264-1272.
[5]	蒋芸, 高静, 王发林. SAG-Net：用于联合视盘和视杯分割的新型跳过注意力指导网络[J]. 计算机工程与科学, 2021, 43(07): 1273-1282.
[6]	张俊鹏, 刘辉, 李清荣. 基于FCN-LSTM的工业烟尘图像分割[J]. 计算机工程与科学, 2021, 43(05): 906-916.
[7]	陈爱莲, 丁正龙, 詹曙. 基于对抗学习和多尺度特征融合的前列腺MR图像分割[J]. 计算机工程与科学, 2021, 43(04): 697-703.
[8]	朱倩倩, 车文刚, 苗晗. 数字化藏文古籍中多样性字体的实现方法研究[J]. 计算机工程与科学, 2020, 42(11): 2073-2079.
[9]	赵仁和，王军锋. 自适应尺度的局部强度聚类图像分割模型[J]. 计算机工程与科学, 2020, 42(06): 1043-1048.
[10]	王卫民1,符首夫1,顾榕蓉1,王东升1,何林容2,关文斌3. 基于卷积神经网络的虫情图像分割和计数方法[J]. 计算机工程与科学, 2020, 42(01): 110-116.
[11]	任佳1,2，张胜男1，董超2，赵敏钧1. 基于改进模糊C均值的海面目标图像分割算法[J]. 计算机工程与科学, 2019, 41(05): 858-864.
[12]	吴尚智1，佘志用2，张霞1，赵慧琴3. 利用变精度粗糙熵的图像分割算法[J]. 计算机工程与科学, 2018, 40(10): 1837-1843.
[13]	易三莉，张桂芳，贺建峰，李思洁. 基于最大类间方差的最大熵图像分割[J]. 计算机工程与科学, 2018, 40(10): 1874-1881.
[14]	刘汉强，张青. 区间模糊谱聚类图像分割方法[J]. 计算机工程与科学, 2018, 40(09): 1611-1616.
[15]	谭志国1，2,欧建平1,张军1,沈先耿2. 多特征组合的深度图像分割算法[J]. 计算机工程与科学, 2018, 40(08): 1429-1434.