基于显著性的图像分割研究

论文摘要

现有的图像分割方法大部分基于一致性的准则，难以分割不一致的目标。为了解决这个问题，人们所采取的方法包括引入视觉显著性将显著的不一致目标分割出来，以及引入人工信息建立交互式分割。但是这两种方法都存在一些缺陷，显著性分割方法难以得到目标精确的边界轮廓以及比较难分割出具有一致性的目标，交互式分割方法的问题在于人工信息的不确定性以及分割结果对人工信息的敏感性。基于以上两点本文首先提出了一种基于显著性的N-cut算法，通过引用INP算法中计算显著图的像素不一致因子PIF，使经典的N-cut分割过程充分考虑到图像的亮度特征，得到精确的目标边界轮廓，准确地分割出目标。其次本文在一种新的基于最大相似性的区域合并算法的基础上，提出了基于显著性种子点区域合并的图像分割框架。同一个目标中具有不同特征的像素点都可以作为代表先验交互信息的候选点，同时这些点由于具有较高的显著性而引起人们的注意。通过显著性分析可以自动地获得理想的先验信息，从而替代费时费力的人工信息。对大量自然图像数据库中的图像进行实验，结果表明本文提出的基于显著性的N-cut算法和基于显著性种子点区域合并的自动的图像分割算法都可以从背景复杂的图像中准确的分割出目标。

论文目录

• 摘要
• Abstract
• 图表清单
• 注释表
• 第一章 绪论
• 1.1 背景介绍
• 1.1.1 图像分割概述
• 1.1.2 图像分割的发展现状及趋势
• 1.1.3 图像分割评价简介
• 1.2 本文主要工作
• 1.2.1 提出基于显著性的 N-CUT 算法
• 1.2.2 提出基于显著性种子点区域合并的自动图像分割框架
• 1.3 本文主要章节与安排
• 第二章 显著性分割算法的简要回顾
• 2.1 模拟生物体的视觉注意模型（IT）
• 2.2 基于图论的视觉注意模型（GB）
• 2.3 基于空间频域分析的模型（IG）
• 2.4 基于剩余谱的模型（SR）
• 2.5 基于邻域不一致性的模型（NIF）
• 2.6 本章小结
• 第三章 基于显著性的 N-CUT 算法
• 3.1 像素不一致因子 PIF
• 3.2 基于显著性的 N-CUT 算法
• 3.2.1 N-CUT 算法的简要回顾
• 3.2.2 基于显著性的 N-CUT 算法框架
• 3.3 算法结果展示
• 3.4 本章小结
• 第四章 基于显著性种子点区域合并的自动图像分割算法
• 4.1 问题的提出
• 4.2 显著性种子点的区域合并
• 4.2.1 MSRM 算法的简要回顾
• 4.2.2 显著性种子点的区域合并算法框架
• 4.2.3 参数设置
• 4.3 实验比较
• 4.3.1 定性结果比较
• 4.3.2 定量结果评价
• 4.3.3 失败的例子
• 4.4 本章小结
• 第五章 总结与展望
• 参考文献
• 致谢
• 在学期间的研究成果及发表的学术论文