基于小波域马尔可夫模型的视频对象分割算法研究

论文摘要

随着通信和信息处理技术的发展,基于视频的应用呈现出强大的灵活性和可扩展性,远程医疗是随之出现的新兴领域。视频图像为远程医疗诊断、监护提供了重要信息,而高质量的视频图像数据的处理、传输需要更先进的数字处理技术,以便实现更高效的存储和传输,以及更准确的分析和更灵活的操作。在新一代视频编码标准MPEG-4中,视频图像被认为是由一系列相互独立的运动对象组成,其编码是直接针对视频对象,所以MPEG-4采用基于对象的视频编码。由于在编码过程中,针对不同对象采用不同的编码方法,因此不仅能大大提高视频图像的压缩比,而且允许用户对多媒体数据按内容进行交互式操作。视频对象的分割是基于对象编码的基础,因此视频对象的分割技术具有重要的研究价值和应用意义。视频对象分割涉及视频内容的分析和理解,而视频内容的复杂性使视频对象的自动分割需要大量复杂的计算,并且计算量随着分割准确性要求增加。因此如何有效地实现基于对象的视频分割,具有重大的理论意义和实际价值。为了提高视频分割的准确性,减少分割的计算量,以便能够满足视频图像的实时传输与处理,本文阐述了视频分割领域研究的发展线索及目前的状况,分析了不同视频对象分割算法的性能,给出了视频对象分割方法的基本结构。视频图像质量是影响分割效果的重要因素,为了克服噪声对视频图像分割的影响,本文研究了基于小波阈值去噪的基本技术,提出了一种基于小波阈值和系数放大相结合的去噪方法。该方法结合人眼的视觉特性,将视频图像小波变换后的低频系数和高频系数进行适当的放大,然后采用软阈值法进行消噪。实验表明,该方法在有效抑制噪声的同时也很好的保留了图像边缘。通过对现有的分割算法的研究,结合多分辨率分析方法,提出了一种基于小波变换的马尔可夫随机场的视频对象分割算法。该算法利用小波变换将图像序列分解到小波域,在小波域中建立马尔可夫随机场模型,引入变权参数构造马尔可夫模型的相应约束能量函数,使得分割模型不易于陷入局部最大值。为了减少计算量,将该方法移植到小波域中,通过从低分辨率到高分辨率的视频对象分割,降低分割的计算量,获得较准确的视频对象分割结果。利用最大后验估计（Maximum A Posteriori,MAP）求最小能量函数时采用加窗口的条件迭代模式（Iterated Conditional Mode,ICM）的方法,使用合适的窗口来求解能量函数的最优解,得出标记场,提取出运动对象,然后利用形态滤波的方法对分割结果进行修正。在加快处理速度的同时保持了分割准确性基本不受影响,达到计算速度和分析精度之间的平衡。实验结果显示,该算法保留了更多的图像信息,获得更准确的视频对象,降低了对象分割的计算量。由于视频序列中对象运动通常是缓慢、连续、非刚性的,利用连续两帧视频图像运动特征分析方法获得低分辨率下对象的运动区域,结合图像的空间信息,从而保证了对象提取的完整性。综上所述,论文为了保证视频图像分割的准确性,首先采用小波阈值和系数放大相结合的方法对图像进行消噪处理,然后在小波域中建立马尔可夫随机场模型,利用该模型实现了视频对象分割。在此基础上,采用人工合成图像以及视频图像序列作为仿真对象,通过大量的实验证明了该方法能有效的降低噪声,快速准确的提取出视频对象,保证对象提取的准确性和一致性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 多媒体发展及MPEG-4 简介
• 1.2 研究背景及意义
• 1.2.1 视频对象分割的概念
• 1.2.2 视频分割的研究意义
• 1.3 当前研究状况
• 1.4 本文结构
• 第2章 基于小波变换的图像去噪
• 2.1 视频图像噪声特点与评估
• 2.2 图像噪声处理
• 2.3 基于小波变换的图像去噪
• 2.3.1 小波阈值去噪方法
• 2.3.2 本文的小波去噪方法
• 2.4 实验结果与分析
• 2.5 结论
• 第3章 马尔可夫随机场模型
• 3.1 马尔可夫随机场模型
• 3.1.1 邻域系统和基团
• 3.1.1.1 邻域系统
• 3.1.1.2 基团
• 3.1.2 图像初始标记场的获取
• 3.1.2.1 简单阈值法
• 3.1.2.2 显著性检验
• 3.1.3 能量函数的确立
• 3.1.4 MAP 估算方法
• 3.1.4.1 条件迭代模式算法
• 3.1.4.2 模拟退火算法
• 3.2 几种算法介绍
• 3.2.1 一种简单的MRF 模型
• 3.2.2 高斯MRF 模型
• 3.2.3 均值场MRF 模型
• 3.3 实验结果分析
• 3.4 本章小结
• 第4章 视频对象分割
• 4.1 运动变化检测方法
• 4.2 基于小波变换的MRF 模型的对象分割
• 4.2.1 基于小波变换的MRF 模型对象分割的基本结构
• 4.2.2 图像小波分解
• 4.2.3 改进的马尔可夫随机场模型的对象分割
• 4.2.3.1 引入变权参数的MRF 模型
• 4.2.3.2 改进的MAP 估计算法
• 4.2.4 对象提取
• 4.3 实验结果与分析
• 4.4 总结
• 第5章 总结与展望
• 5.1 全文工作总结
• 5.2 今后工作展望
• 参考文献
• 致谢
• 附录: 攻读学位期间发表的论文