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、模式識別和計算機視覺等領域中一項基礎而關鍵的工作。由于自然圖像內(nèi)容的復雜性，完全自動的分割方法往往通用性較差，準確性也較差，相比之下引入智能優(yōu)化手段的交互式半自動分割通過有限的用戶交互，獲取盡可能多的分割信息，快速，準確的分割出目標對象，具有更強的實用性。圖割是一種優(yōu)秀的智能優(yōu)化算法，近年來受到了人們的廣泛關注?；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合起來，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用，在圖像分割領域中成為了一個新的研究熱點。本文對基于圖割的交互式圖像分割模型進行了優(yōu)化，主要從提高算法效率、多特征融合、shrinking bias問題的解決三個方面進行了研究。本學位論文主要包括以下幾個方面的研究內(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估計高斯混合模型(Gaussian MixtureMod

3、el，GMM)參數(shù)的做法，嚴重制約了算法的效率。針對這一問題，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，對GrabCut算法模型進行優(yōu)化。通過對圖像進行小波變換，將變換中的低頻子帶圖像作為估計GMM參數(shù)的訓練樣本進行多尺度迭代分割，將粗尺度的易分割性與細尺度的精確性有效結合起來，在保證準確性的前提下，有效減少了樣本數(shù)目，提高了算法效率。另外，針對圖割算法固有的shrinking bias問題，本文利用高

4、頻系數(shù)進行多尺度邊緣檢測，用于計算局部自適應的正則化參數(shù)，改善了對細長邊界的分割效果。
　　(2)提出了基于圖割的JPEG圖像快速分割模型。針對圖割算法對高分辨率圖像分割的實時性能不佳的問題，本文面向被廣泛應用于互聯(lián)網(wǎng)和數(shù)碼相機的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)學習的訓練樣本數(shù);結合

5、直流系數(shù)與交流系數(shù)(Alternating Current，AC)生成紋理特征，通過計算顏色與紋理特征分布之間的KL距離，將兩種特征有機結合起來;利用AC系數(shù)的高頻特性，計算像素的邊緣概率，構造局部自適應正則化參數(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，從而提高了對高分辨率JPEG圖像的分割效率，改善了對紋理圖像和細長型邊界的分割能力。
　　(3)提出了結合視覺顯著性與圖割的圖像分割算法。針對當前景和背景

6、的顏色重疊時，容易產(chǎn)生分割錯誤及shrinking bias現(xiàn)象，以及利用邊緣概率構造局部自適應正則化參數(shù)存在邊界難以確定，增加了額外的計算等問題，本文提出了結合視覺顯著性約束的圖割算法，結合圖像內(nèi)容的視覺顯著性分析，在能量函數(shù)中加入顯著性約束項，提高數(shù)據(jù)項約束的可靠性;通過構造均值顯著圖平抑噪聲，并進一步對小面積區(qū)域進行降噪處理，提高顯著性約束的準確性;通過對顏色重疊現(xiàn)象的估計，自適應調(diào)整顏色約束項與顯著性約束項的作用比例;直接利用像

7、素屬于前景/背景的概率構造局部自適應的正則化參數(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)提出了結合CS LBP紋理特征與圖割的快速分割算法。針對基于像素計算導致的交互效率不高，以及當前景和背景的顏色很相似時，數(shù)據(jù)項的值將也很接近，能量函數(shù)的值將主要取決于光滑項，此時用戶通過交互引入的先驗信息將作用有限，從而導致錯誤的分割，而且當光滑項起主導作用時，由于能量函數(shù)的最小化，對細長邊

8、界的分割將產(chǎn)生影響，容易導致shrinking bias現(xiàn)象，因此必須考慮重要的紋理特征，而常見的利用共生矩陣、Gabor濾波器提取紋理特征，又存在計算量大，復雜度高的問題，本文提出了結合CS LBP紋理特征的快速圖割算法，利用Mean Shift算法對圖像進行預分割，形成超像素，構建區(qū)域鄰接圖，有效減小s-t網(wǎng)絡流圖的規(guī)模，提高了算法的效率;利用累計直方圖、簡單有效的CS_ LBP紋理描述子對每個區(qū)域進行顏色和紋理特征的提取，在能量函