基于混合高斯模型的服裝圖像分割方法

通過圖像和分析算法對(duì)服裝圖像進(jìn)行處理，使服裝識(shí)別，對(duì)服裝和服裝電子商務(wù)的實(shí)現(xiàn)具有良好的現(xiàn)實(shí)意義和廣闊的發(fā)展前景。針對(duì)互聯(lián)網(wǎng)上大量的服裝展示圖像,基于人及其所著衣物的色彩特征,利用閾值和聚類統(tǒng)計(jì)理論可實(shí)現(xiàn)圖像中衣物的分割和提取。1圖像分割算法圖像分割技術(shù)是計(jì)算機(jī)視覺與圖像分析中的一個(gè)重要研究領(lǐng)域,在其40年的研究歷史中,涌現(xiàn)出了許多經(jīng)典算法,近10年更是層出不窮。由于圖像分割目前還沒有通用的分割理論,大多數(shù)分割算法都只是針對(duì)具體問題,因而對(duì)一個(gè)給定的圖像分析問題要選擇適當(dāng)?shù)姆指钏惴?。傳統(tǒng)的圖像分割按對(duì)象可以分為灰度圖像和彩色圖像兩大類。在實(shí)際研究過程中,針對(duì)灰度的分割方法無法準(zhǔn)確分割出服裝圖像的各種成分,灰度信息是一維特征,而彩色圖像包含的特征信息是三維的,信息量比灰度圖像多,因此服裝圖像分割算法主要針對(duì)彩色圖像展開。2算法的設(shè)計(jì)2.1彩色圖像處理在復(fù)雜條件下,只利用灰度信息無法從背景中分離出目標(biāo),因此必須借助于色彩特征信息。彩色圖像提供了比灰度圖像更加全面的特征信息,并且隨著計(jì)算機(jī)處理能力的日漸提高,彩色圖像處理正成為學(xué)術(shù)界的研究熱點(diǎn)。人眼所感知的色彩是由紅、綠、藍(lán)3種顏色分量混合而成。RGB適合于圖像的顯示,但不適合于圖像分割和分析,可以采用線性或非線性變換,轉(zhuǎn)換RGB顏色空間為其他的顏色特征空間。其中HSI顏色特征空間與人眼的色彩感知相吻合,因色調(diào)與高亮、陰影無關(guān),而對(duì)區(qū)分不同顏色的物體非常有效。首先把圖像從RGB色彩空間變換到HSI色彩空間,然后在H分量即色調(diào)通道上進(jìn)行分割。2.2圖像序列的預(yù)處理Otsu方法是由N·Otsu提出的最大類間方差法,其優(yōu)點(diǎn)是不需要先驗(yàn)知識(shí),是應(yīng)用范圍很廣,性能比較突出的圖像分割方法之一。選取Otsu方法作為新提出算法的性能參考對(duì)象。設(shè)一幅灰度圖像的灰度值為(0,1…,L-1)級(jí),灰度級(jí)為i的象素點(diǎn)數(shù)為ni,圖像的總象素?cái)?shù)為:Ν=L-1∑i=0ni(1)歸一化的直方圖:pi=ni/ΝL-1∑Ι=0pi=1(2)圖像灰度均值μT:μΤ=L-1∑i=0i×pi(3)用閾值T來劃分圖像灰度值的集合,分T以上的和T以下的,即根據(jù)門限T劃分為C1和C2兩個(gè)類。最大類間方差法就是根據(jù)C1和C2兩個(gè)類的平均方差與各組方差的比值為最大確定閾值T。ω1(T)和ω2(T)是各類出現(xiàn)的概率,而μ1(T)和μ2(T)為各類內(nèi)均值。ω1(Τ)=Τ∑i=0pi=ω(Τ)(4)ω2(Τ)=L-1∑i=Τ+1pi=1-ω(Τ)(5)μ1(Τ)=Τ∑i=0i×piω1(Τ)=μ(Τ)ω(Τ)(6)μ2(Τ)=L-1∑i=Τ+1i×piω2(Τ)=μΤ-μ(Τ)1-ω(Τ)(7)C1和C2類的方差分別定義為:σ21(Τ)=Τ∑i=0(i-μ1(Τ))2×piω1(Τ)(8)σ22(Τ)=L-1∑i=Τ+1(i-μ2(Τ))2×piω2(Τ)(9)C1和C2類內(nèi)方差σ2W(T)為:σ2W(Τ)=ω1(Τ)σ21(Τ)+ω2(Τ)σ22(Τ)(10)C1和C2類間方差σ2B為:σ2B(Τ)=ω1(Τ)(μ1(Τ)-μΤ)2+ω2(Τ)(μ2(Τ)-μΤ)2(11)設(shè)分離度為η(T),則:η(Τ)=[σ2B(Τ)σ2W(Τ)](12)使式(12)最大的T值就是所找的分割閾值。2.3密度函數(shù)px利用GMM算法進(jìn)行圖像分割的思路是把每一個(gè)像素點(diǎn)所具有的顏色用M個(gè)高斯分布模式來表示,M可以取3-5。像素點(diǎn)所體現(xiàn)的顏色用隨機(jī)向量X來表示,圖像的像素值為隨機(jī)向量X的取樣。則對(duì)于第k個(gè)模式(0<k≤M),像素的顏色分布可表示為:pk(x|k,?k)=1(2π)n/2|∑k|1/2e-1/2(x-μk)Τ∑-1(x-μk)(13)這里,μk和∑k分別為期望和協(xié)方差矩陣。像素的顏色分布可用M個(gè)高斯分布的加權(quán)和來表示:p(x|Φ)=∑k=1Μπkpk(x|k,?k)(14)其中πk是權(quán)值,說明由第k個(gè)分布產(chǎn)生的采樣值占總采樣值的比例,且∑k=1Μπk=1。Φ是全部參數(shù)的集合,定義為Φ={π1,π2…πM;?1,?2…?M},所有參數(shù)需要從X的觀察值估計(jì)得到。期望最大化(EM)算法是一種從不完整數(shù)據(jù)集以及從有數(shù)據(jù)缺失的數(shù)據(jù)集中求解未知分布參數(shù)的最大似然估計(jì)方法。因?yàn)閺?fù)雜情況下,無法直接求解參數(shù)的似然函數(shù),通過假設(shè)隱含數(shù)據(jù)的存在并引入它們,可以降低求解似然函數(shù)的難度。已知一個(gè)依賴于參數(shù)集Φ的密度函數(shù)p(x|Φ)和一組長度為N的樣本數(shù)據(jù)X=(x1,…,xN)。樣本數(shù)據(jù)的聯(lián)合概率密度函數(shù)表示為:Ρ(x|Ф)=∏i=1Νp(xi|Φ)=L(Φ|X)(15)我們知道最大似然估計(jì)方法的目標(biāo)是要找到一個(gè)使L取最大值的Φ*,即Φ*=argmaxL(Φ|X)。假定pi(x|?i)服從高斯分布,則有下面的結(jié)果:μi=∑l=1Νxlp(i|xl,Φh)∑l=1Νp(i|xl,Φh)πi=1Ν∑l=1Νp(i|xl,Φh)(16)∑i=∑l=1Νp(i|xl,Φh)(xl-μi)(xl-μi)Τ∑l=1Νp(i|xl,Φh)(17)按照以上3個(gè)方程進(jìn)行迭代,根據(jù)樣本值和舊的參數(shù)值計(jì)算更新參數(shù)值。方程左邊的πi,μi和∑i是迭代運(yùn)算得到的新參數(shù)值,Φh為舊的參數(shù)值,p(i|xl,Φh)表示隨機(jī)向量X屬于第i個(gè)高斯分布的概率,計(jì)算公式如下:p(i|xl,Φh)=πip(i|xl,Φh)∑j=1Μπjpj(xl|Φh)(18)3對(duì)不同模式區(qū)域的分割效果比較圖1是使用OTSU算法對(duì)圖像在H通道上分割,分割的閾值分別為2、3、4個(gè)時(shí)候的實(shí)驗(yàn)結(jié)果。對(duì)于原始圖像a,可以發(fā)現(xiàn)在把像素分為2類時(shí),分割效果比較理想。當(dāng)把像素分為3類時(shí),可以區(qū)分出圖像的光照明暗區(qū)域,但分為4類時(shí),對(duì)噪聲過于敏感。對(duì)于原始圖像b,可以發(fā)現(xiàn)在把像素分為2類和3類時(shí),分割效果都比較理想。在分為4類時(shí),由于服裝上褶皺的影響,服裝區(qū)域內(nèi)部被錯(cuò)誤的分為2個(gè)部分。對(duì)于原始圖像c和d來說,在分割閾值取2、3、4個(gè)的時(shí)候分割效果均不理想。原始圖像c服裝上衣有花朵紋理,僅利用色彩特征來分割會(huì)分割出很多小區(qū)域,而褲子由于沒有紋理,分割效果比較好。原始圖像d服裝和背景色彩的區(qū)分度不大,所以O(shè)TSU算法基本失效。因此,OTSU算法的關(guān)鍵參數(shù)就是分割閾值的個(gè)數(shù),同時(shí)可以發(fā)現(xiàn)OTSU算法對(duì)紋理服裝圖像分割效能較差。圖2是使用GMM算法對(duì)同樣一組圖像分割,模式數(shù)目分別為2、3、4個(gè)時(shí)候的實(shí)驗(yàn)結(jié)果。對(duì)于原始圖像a,可以發(fā)現(xiàn)在把像素分為2類時(shí),分割效果比較理想。當(dāng)把像素分為3類時(shí),可以區(qū)分出服裝、背景和人體部分,分為4類時(shí),同樣對(duì)噪聲過于敏感。對(duì)于原始圖像b,可以發(fā)現(xiàn)在把像素分為2類、3類和4類時(shí),分割效果都比較理想。原始圖像c服裝上衣有花朵紋理,而褲子由于沒有紋理,在模式數(shù)目為3和4的時(shí)候分割效果比較好。同樣,原始圖像d服裝在模式數(shù)目為3和4的時(shí)候分割效果比較好。與OTSU算法的分割效果進(jìn)行對(duì)比,可以發(fā)現(xiàn)同等條件下GMM算法的性能更優(yōu)越。4服裝圖像的分割處理通