vs中四点画矩形的算法_实战基于图割算法的木材表面缺陷图像分析

鉴于图割方法的明显优势，白雪冰及其团队采用Graph Cuts算法和Grab Cut算法分别对木材表面的单目标和多目标缺陷图像进行分割试验，以总结传统图割方法的不足和改进算法的优点。

针对传统Graph Cuts算法只能针对灰度图像进行分割、运行时参数的选择比较复杂，并且存在该算法效率和精度较低的缺陷，采用这两种方法分别对3种木材表面缺陷活节、虫眼和死节图像进行分割实验。为了验证Grab Cuts方法的适用性，用含有多个缺陷目标的木质板材图像做了图像分割验证。

结果表明：缺陷图像的目标和背景的种子点选取直接影响Graph Cuts算法的分割结果，Graph Cuts算法的计算效率较低，分割时间较长，对相邻像素间的区分度较差，分割结果不理想。改进后的Grab Cut算法是迭代的Graph Cuts，该方法虽然在图像分割前也需要人工画定初始化矩形框，但操作相对简单，分割结果能够得到完整的闭合缺陷区域边界，且不受木材表面缺陷的类型、数量、尺寸和缺陷形状的影响，分割效果好，分割速度快，抗噪性强，对灰度图像和彩色图像都可使用。

图割算法

---

1.1 Graph Cuts 算法的原理

图割(Graph Cuts)交互式图像分割算法是一种基于图论的组合最优化方法，其基础是最大流算法，将图像分割问题转化成能量函数的最小化问题，通过最小化能量函数，从而实现图像的最优分割。首先，建立能量函数：

            E(L) ＝ R(L) ＋ λB(L)    (1)

式中:R(L)是区域项，表示区域属性；B(L)是边界项，表示边界属性；λ 为平衡因子，当λ 较小时，边界项可忽略，当λ 较大时，图像的所有点被赋予相同标记。

设P＝｛p1，p22，…，pN2 ｝ 是像素集合，L＝｛0,1｝是像素标记集合，0表示背景，1表示目标；像素的标记可以表示为从P到L的映射， 记作fp＝｛fp｜ fp ∈Ｌ｝。

因此，式(1)中的区域项表示为R(f)＝Rp(fp )，p ∈ P，用Rp(fp) 来进行判定像素p分配给某种标记的可能性。通常对能量函数中的区域项取概率的负对数，且将预定义的种子点作为目标和背景的采样，以此估计目标和背景的灰度直方图分布，对于目标/背景的二值分割，区域项可表示为：

式(2)代表了像素p分配给目标区域的可能性，式(3)代表像素p分配给背景区域的可能性，随着可能性的增大， Rp(•) 的值会减小，从而可通过最小化能量函数来实现对图像的准确分割。式(1)的边界项可表示为：

式中: p和q为相邻像素，边界项体现图像边界像素值的不连续性； N为4邻域或8邻域系统。通过变分模型可以将式(4)写为：

其中， T(fp ,fq ) 为指标函数，满足 ：

B p,q > 为对像素p 、q不连续性的惩罚值：

式中:Ip 、Iq为像素p、q的灰度值； dist(p,q)是p和q的距离； δ为图像噪声。p和q越相近，则B p,q >越大；若p和q相差较大，则B p,q >趋近于0 。当B p,q >的值较小时，两个像素会更易于分给不同的区域，这时图像分割得到最小的能量值。

Graph Cuts算法源于图论，通过最小化能量函数实现图像分割 。首先要对(1)的能量函数公式来构造网络图，把表示带有非负边权的无向图G＝ (V,E)作为图像，其中V为顶点集，与其相对应图像的边集为像素点集P