结合改进引导滤波的GrabCut容器前景图像分割

针对传统GrabCut算法用户交互后得到的目标容器分割结果存在的边缘凹陷、突刺问题，提出结合引导滤波算法与GrabCut函数的方法改善以上问题。该方法通过用户交互在彩色图像中用矩形框标记出存在容器的目标区域，通过GrabCut算法分割出目标容器，然后结合引导滤波算法，将分割后的结果二值化，作为引导滤波的引导图像掩膜，最后通过引导滤波器结合原图像和引导图像得到目标容器分割结果。实验测量了所提方法与其他对比方法的峰值信噪比(PSNR)、结构相似性(SSIM)及平均运行时间，同其他几种方法相比，实验结果表明，该方法对于GrabCut分割后的边缘凹陷、突刺问题优于对比方法，有明显改善。

图像分割是计算机视觉领域的基础，所谓图像分割就是把图像分成若干个特定的、具有独特性质的区域并分割出感兴趣目标区域的技术和过程。目前有很多图像分割算法，常用的图像分割方法有基于图论的分割方法、基于区域的分割方法、基于阈值的分割方法、基于边缘的分割方法等。

其中图割是一种利用图像中纹理信息和边界反差信息的图像分割算法，2001 年，Boykov 等[1]提出了GraphCut 算法，该算法以灰度图像为主，用户交互标注出图像中的目标和背景区域，针对目标及背景区域建立灰度直方图模型， 该算法最后通过一次最小估计完成能量最小化达到目标分割。

2004 年， Rother等[2]提出了GrabCut 算法， 该算法是以GraphCut 为基础通过用户交互， 对目标及背景区域建立高斯混合模型，即预先用矩形框标记处背景区域。对高斯混合参数进行更新学习，用估计过程中可进化的迭代算法取代GraphCut 算法中的一次最小估计来完成能量最小化从而达到目标分割。从GraphCut 到GrabCut算法，图割算法受到越来越多的重视，在军事、遥感、气象等场景应用中需求不断增大。目前GrabCut算法的应用非常广泛，许多学者对其进行了改进。Chen 等[3]通过优化混合高斯模型，提高了GrabCut算法的性能。

Wooi-Nee Tan 等[4]提出了一种基于blob 分析的GrabCut 分割算法， 该算法应用于将已开放的花朵从图像中分割出来， 结果证明该算法分割效果优于原始算法。

Adrià A 等[5]就GrabCut 算法做了本质上的改进，结合多种方法对前景进行初始提取，将得到的前景初始估计作为GrabCut 算法的输入，避免了交互的需要。王凯等[6]通过结合GrabCut 算法和颜色空间变换应用于超声相控阵图像中，对目标进行交互式图像分割，实验结果克服了背景噪声，保留了目标图像细节。Li Hong 等[7]提出了一种基于图割的立体匹配算法，将立体匹配问题描述为分段域中的能量最小化问题，快速逼近最优解，该算法在视差不连续和遮挡部分的效果有所提高。Shuo Deng 等[8]先对图像进行粗化预处理，得到不同比例的低分辨率图像，分别对其建立混合高斯模型进行分割，最终分割结果精度更高，时间消耗更低。周良芬等[9]就GrabCut 算法对于局部噪声敏感、耗时且提取边缘不理想等缺点，采用多尺度分水岭对梯度图像平滑去噪，优化分割能量函数，抑制了目标信息的损失。C. Guo 等[10]利用显著性信息初始化GrabCut 算法