一种图像处理方法和装置的制造方法
【技术领域】
[0001 ] 本发明属于图像处理领域，尤其涉及一种图像处理方法和装置。
【背景技术】
[0002] 图像分割，预先确定感兴趣的特定特征，从原始图像中提取出具有该特定特征的 区域，将提取出的区域作为前景。现有的图像分割方法主要包括以下几类：基于阈值的分割 方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。
[0003] 目前最热的为，结合硬聚类算法（K-means算法）和最大流最小割算法的图像分割 方法。具体应用时，用户通过鼠标或触摸的方式操作笔在原始图像的目标区域内画出操作 轨迹，根据该操作轨迹经过的区域，从原始图像中选取该区域内的像素，并通过K-means算 法筛选出N个相似度最大的颜色；同理，用户通过鼠标或触摸的方式操作笔在原始图像的 目标区域外画出操作轨迹，根据该操作轨迹经过的区域从原始图像中选取对应的像素，并 通过K-means算法筛选出N个相似度最大的颜色。进而构建最大流最小割模型，针对原始 图像中每个像素，分别计算该像素与K-means算法筛选出的颜色（针对目标区域内）的最 小欧式距离，将计算出的值的倒数作为最大流最小割模型中该像素到源点的权重；同时，分 别计算该像素与K-means算法筛选出的颜色（针对目标区域外）的最小欧式距离，将计算 出的值的倒数作为最大流最小割模型中该像素到汇点的权重；最后根据最大流最小割模型 确定出前景。但是，对于结合K-means算法和最大流最小割算法的图像分割方法，仅使用 K-means算法筛选出的相似度最大的颜色确定原始图像中每个像素到源点的权重和每个像 素到汇点的权重，没有利用与笔触选择的每个像素计算原始图像中每个像素到源点的权重 和到汇点的权重，确定方式比较粗糙，从而确定出的前景不够精确。
【发明内容】
[0004] 本发明的目的在于提供一种图像处理方法和装置，以解决结合K-means算法和最 大流最小割算法进行图像分割，确定出的前景不够精确的问题。
[0005] 第一方面，本发明提供一种图像处理方法，所述图像处理方法包括：
[0006] 获取原始图像；
[0007] 接收第一选取指令并从所述原始图像获取所述第一选取指令指定的第一像素集， 对所述第一像素集建立第一高斯混合模型；
[0008] 接收第二选取指令并从所述原始图像获取所述第二选取指令指定的第二像素集， 对所述第二像素集建立第二高斯混合模型；
[0009] 根据所述第一高斯混合模型确定前景边权重，根据所述第二高斯混合模型确定背 景边权重，以确定的前景边权重和确定的背景边权重建立最大流最小割模型，并根据建立 的最大流最小割模型确定所述原始图像的前景；
[0010] 其中，所述前景边权重为所述最大流最小割模型的源点到所述原始图像的像素的 权重，所述背景边权重为所述最大流最小割模型的汇点到所述原始图像的像素的权重。
[0011] 第二方面，本发明提供一种图像处理装置，所述图像处理装置包括：
[0012] 原始图像单元，用于获取原始图像；
[0013] 第一模型建立单元，用于接收第一选取指令并从所述原始图像获取所述第一选取 指令指定的第一像素集，对所述第一像素集建立第一高斯混合模型；
[0014] 第二模型建立单元，用于接收第二选取指令并从所述原始图像获取所述第二选取 指令指定的第二像素集，对所述第二像素集建立第二高斯混合模型；
[0015] 最大流最小割模型单元，用于根据所述第一高斯混合模型确定前景边权重，根据 所述第二高斯混合模型确定背景边权重，以确定的前景边权重和确定的背景边权重建立最 大流最小割模型，并根据建立的最大流最小割模型确定所述原始图像的前景；所述前景边 权重为所述最大流最小割模型的源点到所述原始图像的像素的权重，所述背景边权重为所 述最大流最小割模型的汇点到所述原始图像的像素的权重。
[0016] 本发明的有益效果：对于原始图像，用户触发第一选取指令，针对属于前景中的像 素集进行部分选取，对选取的属于前景的像素集建立第一高斯混合模型；用户触发第二选 取指令，针对不属于前景中的像素集进行部分选取，对选取的不属于前景的像素集建立第 二高斯混合模型；进而，根据所述第一高斯混合模型确定所述最大流最小割模型的源点到 所述原始图像的像素的权重，根据所述第二高斯混合模型确定背景边权重确定所述最大流 最小割模型的汇点到所述原始图像的像素的权重，并建立最大流最小割模型；通过建立的 最大流最小割模型确定出前景。本发明结合高斯混合模型和最大流最小割模型进行图像分 害IJ，能够完全利用获取到的第一像素集和第二像素集中的每个像素来建立高斯混合模型， 并且在建立最大流最小割模型时也会间接利用第一像素集和第二像素集中的每个像素；因 此，相比于结合K-means算法和最大流最小割算法进行图像分割的方式，能够完全利用获 取到的第一像素集和第二像素集，更加精确地从原始图像中提取出前景。
【附图说明】
[0017] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述 中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些 实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些 附图获得其他的附图。
[0018] 图1是本发明实施例提供的图像处理方法的工作流程图；
[0019] 图2是图1中步骤S2的具体工作流程图；
[0020] 图3是图1中步骤S3的具体工作流程图；
[0021] 图4是图1中步骤S4的具体工作流程图；
[0022] 图5是图4中步骤S42的具体工作流程图；
[0023] 图6是执行图5所示步骤的过程中的结果示意图；
[0024] 图7是本发明实施例提供的图像处理装置的组成结构；
[0025] 图8是图7中第一模型建立单元62的一种组成结构；
[0026] 图9是图7中第二模型建立单元63的一种组成结构；
[0027] 图10是图7中最大流最小割模型单元64的一种组成结构；
[0028] 图11是图10中前景单元643的一种组成结构；
[0029] 图12是图7中最大流最小割模型单元64的又一种组成结构。
【具体实施方式】
[0030] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
[0031] 本发明实施例所述的目标前景，定义为：期望从原始图像中抠选出的前景。本发明 实施例所述的前景为：结合第一高斯混合模型（Gaussian Mixture Model, GMM)模型、第二 GMM模型和最大流最小割模型，实际从所述原始图像中抠选出的图像；因此，实际扣选出的 前景与期望扣选出的目标前景可能不同。本发明实施例所述的背景为：原始图像中除抠选 出的前景以外的图像。因此，原始图像分为前景和背景两部分，一个像素只能属于前景或者 属于背景。
[0032] 需说明的是，GMM模型，是结合多个高斯模型来表征图像中各个像素点的特征。在 本发明实施例中，第一 GMM模型，是用来表征所述原始图像中属于前景的像素集的特征；第 二GMM模型，是用来表征所述原始图像中不属于前景（即属于背景）的像素集的特征。
[0033] 图1示出了本发明实施例提供的图像处理方法的工作流程，为了便于描述，仅示 出了与本发明实施例相关的部分。
[0034] 本发明实施例提供的所述图像处理方法，如图1所示，所述图像处理方法包括：
[0035] 步骤S1，获取原始图像。
[0036] 在本发明实施例中，预先载入执行图像分割（抠选动作）所针对的图像。
[0037] 待完成图像的载入之后，根据分辨率阈值（预先根据实验确定）来判断是否需要 从该图像中进一步裁剪出所述原始图像。
[0038] 如果载入的图像的分辨率小于或等于所述分辨率阈值，可将载入的图像直接作为 原始图像，直接对载入的图像进行前景的抠选。
[0039] 如果图像分辨率大于所述分辨率阈值，同时需抠选的前景仅占该载入的图像中的 小部分（即待扣选的前景的分辨率远小于该载入的图像的分辨率），为了提高抠选效率，为 快速从该图像中精确抠选出前景，以及为在选取第一像素集和第二像素集时的操作方便， 可从该图像中选取包含前景的局部图像作为原始图像。
[0040] 另外，如果图像分辨率较大，但需抠选的前景较复杂，无法一次性从该图像中筛选 出整个