基于圖割的交互式圖像分割算法研究.pdf

1、圖像分割是圖像分析、模式識(shí)別和計(jì)算機(jī)視覺(jué)等領(lǐng)域中一項(xiàng)基礎(chǔ)而關(guān)鍵的工作。由于自然圖像內(nèi)容的復(fù)雜性，完全自動(dòng)的分割方法往往通用性較差，準(zhǔn)確性也較差，相比之下引入智能優(yōu)化手段的交互式半自動(dòng)分割通過(guò)有限的用戶交互，獲取盡可能多的分割信息，快速，準(zhǔn)確的分割出目標(biāo)對(duì)象，具有更強(qiáng)的實(shí)用性。圖割是一種優(yōu)秀的智能優(yōu)化算法，近年來(lái)受到了人們的廣泛關(guān)注?；趫D割理論的交互式分割模型由于其很好的將圖像區(qū)域特征與邊界特征結(jié)合起來(lái)，并具有多特征融合、全局最優(yōu)、算法

2、效率高等優(yōu)良特性獲得了廣泛應(yīng)用，在圖像分割領(lǐng)域中成為了一個(gè)新的研究熱點(diǎn)。本文對(duì)基于圖割的交互式圖像分割模型進(jìn)行了優(yōu)化，主要從提高算法效率、多特征融合、shrinking bias問(wèn)題的解決三個(gè)方面進(jìn)行了研究。本學(xué)位論文主要包括以下幾個(gè)方面的研究?jī)?nèi)容:
　　(1)提出了基于圖割的小波多尺度迭代分割模型。GrabCut算法是一種有效的交互式圖像分割算法，但其基于整幅圖像迭代分割來(lái)估計(jì)高斯混合模型(Gaussian MixtureMod

3、el，GMM)參數(shù)的做法，嚴(yán)重制約了算法的效率。針對(duì)這一問(wèn)題，本文提出了基于圖割的小波多尺度迭代分割模型，利用小波變換多分辨率分析的特點(diǎn)，對(duì)GrabCut算法模型進(jìn)行優(yōu)化。通過(guò)對(duì)圖像進(jìn)行小波變換，將變換中的低頻子帶圖像作為估計(jì)GMM參數(shù)的訓(xùn)練樣本進(jìn)行多尺度迭代分割，將粗尺度的易分割性與細(xì)尺度的精確性有效結(jié)合起來(lái)，在保證準(zhǔn)確性的前提下，有效減少了樣本數(shù)目，提高了算法效率。另外，針對(duì)圖割算法固有的shrinking bias問(wèn)題，本文利用高

4、頻系數(shù)進(jìn)行多尺度邊緣檢測(cè)，用于計(jì)算局部自適應(yīng)的正則化參數(shù)，改善了對(duì)細(xì)長(zhǎng)邊界的分割效果。
　　(2)提出了基于圖割的JPEG圖像快速分割模型。針對(duì)圖割算法對(duì)高分辨率圖像分割的實(shí)時(shí)性能不佳的問(wèn)題，本文面向被廣泛應(yīng)用于互聯(lián)網(wǎng)和數(shù)碼相機(jī)的JPEG圖像，提出了基于圖割的JPEG圖像快速分割模型。利用JPEG圖像的特殊編碼格式，提取圖像編碼中的直流系數(shù)（Direct Current，DC）生成DC低頻圖像，降低GMM參數(shù)學(xué)習(xí)的訓(xùn)練樣本數(shù);結(jié)合

5、直流系數(shù)與交流系數(shù)(Alternating Current，AC)生成紋理特征，通過(guò)計(jì)算顏色與紋理特征分布之間的KL距離，將兩種特征有機(jī)結(jié)合起來(lái);利用AC系數(shù)的高頻特性，計(jì)算像素的邊緣概率，構(gòu)造局部自適應(yīng)正則化參數(shù)。該模型由于直接利用圖像的JPEG編碼數(shù)據(jù)而不需要額外的其他變換，從而提高了對(duì)高分辨率JPEG圖像的分割效率，改善了對(duì)紋理圖像和細(xì)長(zhǎng)型邊界的分割能力。
　　(3)提出了結(jié)合視覺(jué)顯著性與圖割的圖像分割算法。針對(duì)當(dāng)前景和背景

6、的顏色重疊時(shí)，容易產(chǎn)生分割錯(cuò)誤及shrinking bias現(xiàn)象，以及利用邊緣概率構(gòu)造局部自適應(yīng)正則化參數(shù)存在邊界難以確定，增加了額外的計(jì)算等問(wèn)題，本文提出了結(jié)合視覺(jué)顯著性約束的圖割算法，結(jié)合圖像內(nèi)容的視覺(jué)顯著性分析，在能量函數(shù)中加入顯著性約束項(xiàng)，提高數(shù)據(jù)項(xiàng)約束的可靠性;通過(guò)構(gòu)造均值顯著圖平抑噪聲，并進(jìn)一步對(duì)小面積區(qū)域進(jìn)行降噪處理，提高顯著性約束的準(zhǔn)確性;通過(guò)對(duì)顏色重疊現(xiàn)象的估計(jì)，自適應(yīng)調(diào)整顏色約束項(xiàng)與顯著性約束項(xiàng)的作用比例;直接利用像

7、素屬于前景/背景的概率構(gòu)造局部自適應(yīng)的正則化參數(shù)，提高了算法的效率。本文方法有效改善了分割效果及shrinking bias現(xiàn)象。
　　(4)提出了結(jié)合CS LBP紋理特征與圖割的快速分割算法。針對(duì)基于像素計(jì)算導(dǎo)致的交互效率不高，以及當(dāng)前景和背景的顏色很相似時(shí)，數(shù)據(jù)項(xiàng)的值將也很接近，能量函數(shù)的值將主要取決于光滑項(xiàng)，此時(shí)用戶通過(guò)交互引入的先驗(yàn)信息將作用有限，從而導(dǎo)致錯(cuò)誤的分割，而且當(dāng)光滑項(xiàng)起主導(dǎo)作用時(shí)，由于能量函數(shù)的最小化，對(duì)細(xì)長(zhǎng)邊

8、界的分割將產(chǎn)生影響，容易導(dǎo)致shrinking bias現(xiàn)象，因此必須考慮重要的紋理特征，而常見(jiàn)的利用共生矩陣、Gabor濾波器提取紋理特征，又存在計(jì)算量大，復(fù)雜度高的問(wèn)題，本文提出了結(jié)合CS LBP紋理特征的快速圖割算法，利用Mean Shift算法對(duì)圖像進(jìn)行預(yù)分割，形成超像素，構(gòu)建區(qū)域鄰接圖，有效減小s-t網(wǎng)絡(luò)流圖的規(guī)模，提高了算法的效率;利用累計(jì)直方圖、簡(jiǎn)單有效的CS_ LBP紋理描述子對(duì)每個(gè)區(qū)域進(jìn)行顏色和紋理特征的提取，在能量函