基于隨機游走算法的圖像分割方法研究.pdf

1、圖像分割指的是利用圖像的某些低維視覺特征，按照一定的相似性準則將圖像劃分為一系列彼此互不重疊的勻質(zhì)區(qū)域，并將感興趣目標分離出來的技術(shù)和過程。該技術(shù)是特征提取和目標識別等眾多高層應(yīng)用的基礎(chǔ)，因此被廣泛應(yīng)用于通信、軍事、遙感、氣象、醫(yī)學、智能交通、農(nóng)業(yè)及工業(yè)自動化檢測等諸多領(lǐng)域。然而，由于物質(zhì)的復(fù)雜性、多樣性和隨機性等特點，加之人類缺乏對視覺系統(tǒng)的深層認知以及圖像分割算法本身所具有的“病態(tài)”性質(zhì)，迄今為止，尚未有十分成熟的分割方法能夠滿足各

2、種不同應(yīng)用環(huán)境的需求。因此，深入研究圖像分割技術(shù)，設(shè)計準確高效且具有普遍適用性的分割算法，對促進圖像處理和計算機視覺的發(fā)展具有十分重要的意義。
　　傳統(tǒng)的自動圖像分割方法由于缺乏圖像的先驗信息，很難取得理想的分割結(jié)果，在實際應(yīng)用中有著很大的局限性。近年來，交互式的圖像分割方法由于融入了用戶的經(jīng)驗知識和主觀要求，可以更加準確而細致地提取出目標對象的輪廓，正在變得越來越主流。然而，該類算法的分割效果在很大程度上依賴于用戶提供的先驗信息

3、，且人工交互過程費時費力，這在一定程度上限制了交互式分割算法的實時性和可用性。針對上述問題，本論文圍繞基于圖論的交互式圖像分割算法展開研究，重點研究了顯著性檢測方法與基于圖論的交互式隨機游走算法相結(jié)合的自動圖像分割算法，并提出了基于熵率超像素分割的顯著性檢測方法。此外，結(jié)合多尺度非線性結(jié)構(gòu)張量、矩陣、維數(shù)約簡、流形學習等技術(shù)優(yōu)勢和數(shù)學理論，提出了新的特征建模方法，并將其運用于自動圖像分割和交互式多類目標分割算法，取得了令人滿意的分割結(jié)果

4、。本論文的創(chuàng)新性研究成果可歸納為如下幾個部分:
　　首先，本文提出了一種基于熵率超像素分割的視覺顯著性提取方法。針對現(xiàn)有的顯著性方法中存在的效率比較低以及效果比較差等問題，本文首先對輸入的原始圖像進行熵率超像素分割，以便保留圖像相關(guān)的局部結(jié)構(gòu)同時去除不必要的細節(jié)，然后以超像素為單元計算全局對比度，得到超像素區(qū)域的顯著性值?；陟芈食袼氐娘@著性檢測方法不僅可以一致高亮整個目標區(qū)域，并可以清晰地指明物體的輪廓。
　　其次，針對

5、傳統(tǒng)交互式隨機游走算法費時費力且分割效果易受先驗信息影響的問題，本文提出了融合顯著性種子點和交互式隨機游走算法的自動圖像分割方法。具體地，算法首先通過基于熵率超像素分割的視覺顯著性提取方法和近鄰傳播聚類算法自動得到前、背景種子點信息。然后將獲取的顯著性種子點作為啟發(fā)信息，代替人工交互，使用交互式隨機游走算法實現(xiàn)全自動分割。然而，由于提取到的種子點有錯誤標記現(xiàn)象，因此，本文利用Grabcut算法對取得的種子點進行修正，它通過迭代機制進行參

6、數(shù)的更新和學習。此外，為了提高算法的分割效果，我們提出了一種將局部近鄰的L*a*b*顏色信息、多尺度非線性結(jié)構(gòu)張量紋理信息以及空間位置信息通過協(xié)方差矩陣有機結(jié)合的新的特征描述算子。
　　最后，進一步提出了通過協(xié)方差矩陣將局部近鄰的顏色、緊致的多尺度非線性結(jié)構(gòu)張量紋理以及空間信息相結(jié)合的特征描述算子，并將其用于交互式多目標圖像分割算法的研究。多尺度非線性結(jié)構(gòu)張量具有全方向和多尺度的紋理描述能力，然而，將其拆分成一系列標量形式的獨立分