基于詞袋模型和上下文信息的圖像對(duì)象分割系統(tǒng).pdf

1、圖像對(duì)象分割就是從一幅具有復(fù)雜背景的圖像中將感興趣的對(duì)象提取出來(lái)，是圖像分割技術(shù)的最高目標(biāo)，是結(jié)合了識(shí)別過(guò)程的圖像分割。圖像分割技術(shù)幾乎出現(xiàn)在所有與圖像相關(guān)的領(lǐng)域，具有廣泛的應(yīng)用需求。另外圖像分割的好壞直接關(guān)系到圖像分析和圖像理解，關(guān)系到是否能圓滿完成視覺(jué)任務(wù)。因此對(duì)圖像對(duì)象的分割理論和相關(guān)技術(shù)進(jìn)行研究具有十分重要的意義。
　　本文建立了一個(gè)完整的圖像對(duì)象分割系統(tǒng)，該系統(tǒng)在沒(méi)有任何人工交互的情況下完成了對(duì)圖像中對(duì)象實(shí)例的精確分割。

2、本文的分割系統(tǒng)主要由Bag-of-Words識(shí)別模型、提供空間信息的隨機(jī)場(chǎng)、Dirichlet過(guò)程以及Gibbs抽樣組成。其中Bag-of-Words識(shí)別模型是由圖像特征提取和視覺(jué)詞匯的構(gòu)建這兩部分支持的。Bag-of-Words模型能夠成功的預(yù)測(cè)圖像中是否存在要分割的對(duì)象，但是該模型不能精確的定位對(duì)象的邊界。隨機(jī)場(chǎng)可以描述圖像像素或者圖像patch（像素塊）之間的空間信息，但是它不能提供對(duì)象識(shí)別所需要的圖像上更大尺度的結(jié)構(gòu)信息。于是我

3、們?cè)谶@些部分的基礎(chǔ)上增加了Dirichlet過(guò)程，Dirichlet過(guò)程把圖像看作是由多個(gè)區(qū)域組成的，每個(gè)區(qū)域代表一個(gè)單一的對(duì)象實(shí)例。用Gibbs抽樣對(duì)測(cè)試圖像的參數(shù)進(jìn)行估計(jì)，從而完成圖像對(duì)象的分割。
　　首先我們基于圖像的一種典型局部特征SIFT特征提出了一種SIFT的密集采樣算法，即DenseSift，并用該方法提取圖像的特征。接著實(shí)現(xiàn)了一種基于決策樹(shù)的高效視覺(jué)詞匯構(gòu)建算法，用形成的視覺(jué)詞匯表示圖像。然后構(gòu)建由Dirichle

4、t過(guò)程、隨機(jī)場(chǎng)和Gibbs抽樣組成的對(duì)象分割模型，完成圖像對(duì)象分割系統(tǒng)。最后將該系統(tǒng)應(yīng)用于the TU Graz-02數(shù)據(jù)集，獲得該數(shù)據(jù)集三類圖像（car類、bike類和person類）的分割結(jié)果，并對(duì)分割結(jié)果進(jìn)行分析。
　　實(shí)驗(yàn)結(jié)果表明，本文的圖像對(duì)象分割系統(tǒng)能夠獲得較好的分割結(jié)果。盡管圖像往往具有復(fù)雜的背景，圖像中對(duì)象的外觀具有多變性，視點(diǎn)、照明等成像條件也經(jīng)常發(fā)生變化，甚至還經(jīng)常出現(xiàn)遮擋，本文圖像對(duì)象分割系統(tǒng)仍然能夠成功的將