基于視覺(jué)顯著性的圖像分割方法研究.pdf

1、圖像分割是指根據(jù)某種相似性度量準(zhǔn)則,將圖像分成若干個(gè)互不相交的區(qū)域,使得同一區(qū)域內(nèi)的像素具有較相似的特征,而屬于不同區(qū)域的像素之間相似性較低。圖像分割產(chǎn)生的是圖像緊湊、抽象又有意義的表示形式,如物體的邊緣和輪廓、形狀信息、區(qū)域和超像素等;這些表示形式直接影響著后續(xù)高層視覺(jué)任務(wù)中的目標(biāo)識(shí)別和場(chǎng)景理解。隨著人們獲取圖像的途徑越來(lái)越方便和快捷,更多的圖像分割算法被應(yīng)用于互聯(lián)網(wǎng)、移動(dòng)設(shè)備的圖像處理任務(wù)中,如圖像分類、標(biāo)記、檢索以及縮略圖的生成等

2、,這就要求圖像分割算法快速、準(zhǔn)確、具有自動(dòng)處理和實(shí)時(shí)處理等優(yōu)點(diǎn)。
　　目前雖然有很多圖像分割方法提出,但仍存在通用性差、依賴用戶交互、分割結(jié)果與人類視覺(jué)感知不符等問(wèn)題。針對(duì)這些不足,本文對(duì)基于視覺(jué)顯著性的圖像自動(dòng)分割方法中的若干關(guān)鍵問(wèn)題展開(kāi)深入研究,有效解決了活動(dòng)輪廓模型初始曲線的自動(dòng)提取、基于顯著性的活動(dòng)輪廓模型構(gòu)建及水平集求解、SVM分類器用于圖像分割時(shí)訓(xùn)練樣本的自動(dòng)選擇、圖像的自動(dòng)分割等問(wèn)題。本文主要研究工作包括:
　

3、　(1)針對(duì)傳統(tǒng)活動(dòng)輪廓模型對(duì)初始曲線敏感的問(wèn)題,基于視覺(jué)認(rèn)知原理中的顯著性檢測(cè)機(jī)制,提出一種自適應(yīng)的初始曲線提取方法。通過(guò)顯著圖預(yù)測(cè)目標(biāo)物體的潛在位置,結(jié)合形態(tài)學(xué)運(yùn)算進(jìn)一步精確預(yù)測(cè)結(jié)果,獲得目標(biāo)物體的輪廓信息。實(shí)驗(yàn)結(jié)果表明,該方法具有主動(dòng)性和自適應(yīng)性,可以準(zhǔn)確獲取圖像中目標(biāo)物體的先驗(yàn)形狀信息,為活動(dòng)輪廓模型的初始曲線設(shè)置提供了一種新的思路。
　　(2)顯著信息是一種重要的圖像特征,本文將基于顯著性計(jì)算獲得的目標(biāo)物體先驗(yàn)形狀信息顯

4、式地嵌入到幾何活動(dòng)輪廓模型中,提出了一種具有自適應(yīng)初始輪廓的CV模型,并在此基礎(chǔ)上實(shí)現(xiàn)了一種基于區(qū)域顯著性的活動(dòng)輪廓模型。在模型求解過(guò)程中,通過(guò)目標(biāo)物體的先驗(yàn)形狀信息來(lái)構(gòu)造水平集函數(shù),使得初始曲線最大程度地逼近目標(biāo)邊界,大大減少了曲線收斂到目標(biāo)邊界的迭代次數(shù)。在合成圖像、自然圖像以及醫(yī)學(xué)圖像上的實(shí)驗(yàn)結(jié)果表明,該方法可以實(shí)現(xiàn)對(duì)圖像的自適應(yīng)分割和自動(dòng)分割,并且有效降低了初始曲線對(duì)活動(dòng)輪廓分割性能的影響。
　　(3)基于統(tǒng)計(jì)學(xué)習(xí)理論的S

5、VM分類器由于其優(yōu)越的分類性能也被廣泛應(yīng)用于圖像分割問(wèn)題中,但SVM本質(zhì)上是一種有監(jiān)督的學(xué)習(xí)算法,無(wú)法自動(dòng)獲取訓(xùn)練樣本。本文提出一種基于顯著性的SVM圖像分割方法,實(shí)現(xiàn)了SVM訓(xùn)練樣本的自動(dòng)選擇和圖像的自動(dòng)分割。在顯著圖基礎(chǔ)上形成的“三元圖”提供了圖像中前景和背景的空間信息,再結(jié)合直方圖分析得到的顏色分布特征,可以自動(dòng)生成圖像前景和背景的訓(xùn)練像素集,并從中選擇符合局部同質(zhì)特性的像素作為SVM分類器的訓(xùn)練樣本,使得SVM圖像分割完全由圖像

6、自身的視覺(jué)特征驅(qū)動(dòng)。實(shí)驗(yàn)結(jié)果表明,該方法的分割性能要明顯優(yōu)于其它基于SVM的圖像分割方法和自動(dòng)分割方法,訓(xùn)練樣本的自動(dòng)選擇也保證了分割算法的穩(wěn)定性。
　　(4)為了進(jìn)一步提升SVM圖像分割性能,提出一種基于顯著性和超像素的SVM圖像分割方法。用超像素代替像素作為處理單元,再結(jié)合視覺(jué)顯著性檢測(cè)得到的圖像全局顯著信息,自動(dòng)生成圖像中的前景超像素子集和背景超像素子集,從這兩個(gè)子集中選擇一部分超像素并進(jìn)行特征向量提取,用于SVM分類器的訓(xùn)

7、練。與像素相比,超像素的視覺(jué)粒度更符合人類視覺(jué)系統(tǒng)在處理視覺(jué)信息時(shí)的一般過(guò)程。實(shí)驗(yàn)結(jié)果表明,將具有相似特征的像素所構(gòu)成的超像素作為SVM分類器的處理單元,一方面利用了圖像的局部特征分布,另一方面降低了數(shù)據(jù)量,提高了處理效率。
　　(5)設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)集成的圖像分割系統(tǒng),為相關(guān)領(lǐng)域研究人員提供一個(gè)集圖像獲取、圖像預(yù)處理、圖像分割、分割算法評(píng)價(jià)、比較和分析等功能的集成實(shí)驗(yàn)平臺(tái),具有良好的實(shí)用性、交互性和可擴(kuò)展性。
　　圖像分割