基于图的彩色图像目标分割算法研究

论文摘要

本文介绍了两种基于图的目标分割算法：一种是基于超像素和多特征融合的交互式分割算法ISBS&M（Interactive Segmentation Based on Super-pixels and Multi-cues）,用于单幅图片的交互式分割；另一种是基于条件随机场和稀疏编码的目标分割算法OSBC&S（Object Segmentation Based on Conditional Random Field and Sparse Coding）,用于大集合图像库的目标分割。ISBS&M主要从三个方面改进算法使它的分割精度更高。首先,优化了在提取颜色和纹理特征时对边的权值的计算方法,不仅考虑边的两个端点的关系,同时考虑特定邻域结点的贡献；其次,通过对大量梯度图的观察,提出了一个新的边缘描述子,我们称之为“边缘连续性”,并将它作为一种新的图像特征参与到对边的权值的计算中；最后,通过参数学习方式预测出颜色、纹理和边缘特征信息计算时占的比重,按该比重融合在一个选定的图模型中。实验证明此算法有效提高了边缘重合率和区域连续性,在较少的用户干预下,取得了令人满意的分割结果。OSBC&S算法利用特征包（bag-of-feature）和稀疏编码（sparse coding）进行特征提取,以CRF模型为框架,并将ISBS&M中的多特征融合作为CRF的一个惩罚函数加入之中。算法除了在与ISBS&M算法类似的多特征融合方面进行改进外,还从两个方面进行了改进：首先,不再直接以像素或者区域（如ISBS&M算法的超像素）作为分割单元,而是先以块（patch）作为基本处理单元对图像进行初次分割,之后再以基于块的区域为单位进行最终分割。之所以按两种分割单位、以两步进行图像分割,原因有二：一是因为根据训练得到的像素级字典（learnt pixel-level dictionary）得到的稀疏码缺少空间信息,块包含很多局部结构特征,这些局部结构特征对它最终的归类（归为前景或背景）很有帮助,本算法用空间金字塔匹配（spatial pyramid matching）来表示块的局部结构特征。二是因为裂开的块,或称之为基于块的区域,其边缘可以很好的反映出图像的边界,这个正是图像最终的分割目的之一。该算法改进的第二个方面是,将训练得到的基于块的二值分类概率赋值给区域后,将经过简单运算后的区域概率作为CRF模型的一元惩罚函数的输入,融合到CRF框架中,并以这种区域作为基本的分割单元进行进一步分割。该算法在三个数据集上进行了实验,证明了该算法的优越性,分别是Weizmann马图片集,VOC2006牛图片集和MSRC多类图片集。三个数据集上的实验均从客观和主观两个角度证明了该算法相对于目前算法来说效果有很大提高。

论文目录

• 摘要
• 英文摘要
• 引言
• 1 绪论
• 1.1 彩色图像目标分割概述
• 1.2 彩色图像前背景分割技术的应用
• 1.3 交互式前背景分割方法及研究现状
• 1.4 本文主要工作
• 2 基于图论的分割模型
• 2.1 用于图像分割的图模型
• 2.2 基于图模型的交互式分割
• 2.3 基于CRF的目标分割
• 3 稀疏编码理论及在本文中的应用
• 3.1 稀疏编码的理论依据
• 3.1.1 稀疏编码理论起源
• 3.1.2 图像的稀疏编码表示与求解
• 3.1.3 空间金字塔匹配模型
• 3.1.4 图像分类的机制
• 3.2 本文中的稀疏编码与分割
• 4 基于超像素和多特征融合的交互式分割
• 4.1 内容简介
• 4.2 超像素
• 4.2.1 什么是超像素
• 4.2.2 超像素个数的选择
• 4.3 算法描述
• 4.3.1 颜色特征提取
• 4.3.2 纹理特征提取
• 4.3.3 边缘特征提取
• 4.3.4 三种特征的比重参数估计
• 4.4 实验部分
• 4.4.1 颜色空间的对比
• 4.4.2 均值和直方图的对比
• 2-BRD、χ²的比较'>4.4.3 BRD、L1-BRD、χ²-BRD、χ²的比较
• 2距离和N-χ²距离的比较'>4.4.4 χ²距离和N-χ²距离的比较
• 4.4.5 轮廓波变换和Gabor变换的比较
• 4.4.6 本算法实验结果
• 5 基于CRF和稀疏编码的目标分割
• 5.1 内容简介
• 5.2 算法描述
• 5.2.1 OSBC&S算法流程与详细描述
• 5.2.2 CRF一元惩罚函数
• 5.2.3 CRF二元惩罚函数
• 5.3 实验结果
• 5.3.1 数据库说明
• 5.3.2 一元与二元惩罚函数的作用
• 5.3.3 与其他方法的比较
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢