圖像視覺顯著性和改進型SVM在圖像分割中的研究.pdf

1、圖像分割目標(biāo)是把待檢測圖像根據(jù)相應(yīng)規(guī)則劃分成具有相似特征的若干個子區(qū)域，并從中提取感興趣區(qū)域(Region of Interest，ROI)的圖像處理過程。圖像分割是圖像理解和目標(biāo)識別的前提條件。圖像分割發(fā)展過程可分為基于灰度和梯度的經(jīng)典圖像分割處理技術(shù)、活動輪廓模型及其改進方法、融合先驗知識的圖像分割方法和彩色圖像分割方法等。從已有圖像分割發(fā)展過程可見，在圖像分割過程中融入先驗知識越多，圖像分割方法擁有的智能化程度會越高，圖像分割處理

2、能力也會越強。
　　本文針對計算機視覺中的圖像分割進行相關(guān)研究工作，并在目標(biāo)分割方面進行部分研究工作。圖像分割任務(wù)是將圖像以相似特征作為依據(jù)區(qū)分成多個區(qū)域，圖像分割結(jié)果是圖像理解和目標(biāo)識別的基礎(chǔ)，也可以理解成圖像理解和目標(biāo)識別的初級階段。在圖像分割方面，通過應(yīng)用圖像空間一致性和無監(jiān)督聚類算法構(gòu)造概率樹結(jié)構(gòu)的貝葉斯網(wǎng)絡(luò)進行融合執(zhí)行圖像分割過程;通過構(gòu)造向量值圖像的邊界檢測算子提出向量值圖像的全局分割方法，提出新型具有凸性質(zhì)的向量值圖

3、像變分形式及計算方法，最終將全局分割方法應(yīng)用于新型彩色圖像分割過程。在圖像預(yù)處理方面，針對已有視覺顯著性度量方法進行改進和提高，提出改進視覺顯著性度量方法和多尺度化視覺顯著性檢測算法，并將這些經(jīng)過改進的圖像預(yù)處理方法應(yīng)用于圖像分割方面。在圖像分割和目標(biāo)分割基礎(chǔ)方法方面，提出增量式支持向量機學(xué)習(xí)方法，包括在線增量學(xué)習(xí)和在線減量學(xué)習(xí)方法兩個方面;基于增量式支持向量機學(xué)習(xí)方法提出變量學(xué)習(xí)支持向量機，包括變量學(xué)習(xí)支持向量機上的增量學(xué)習(xí)算法和減量

4、學(xué)習(xí)算法;基于變量學(xué)習(xí)支持向量機改進成為自適應(yīng)的變量學(xué)習(xí)支持向量機，并將這些改進型支持向量機理論在圖像分割和目標(biāo)分割方面進行應(yīng)用研究。本文所做主要工作和研究成果如下:
　　(1)針對圖像空間結(jié)構(gòu)中的圖像空間一致性和無監(jiān)督聚類相關(guān)信息應(yīng)用在圖像分割過程中，提出應(yīng)用兩者結(jié)合來達到快速執(zhí)行圖像分割新方法。首先，在目標(biāo)圖像上應(yīng)用概率樹結(jié)構(gòu)的貝葉斯網(wǎng)絡(luò)改善傳統(tǒng)圖像分割中常見的“過分割”現(xiàn)象，并使得這些區(qū)域能夠達到理想邊緣部分;然后應(yīng)用基于概

5、率的無監(jiān)督圖像分割框架來處理待分割區(qū)域。
　　(2)根據(jù)向量值圖像的邊界檢測算子提出向量值圖像的全局分割方法，提出新型具有凸性質(zhì)的向量值圖像變分形式及計算方法。新模型針對很多已有模型的優(yōu)良特性進行融合。此方法不會受到初始值選取的影響和局限性，并且在理論基礎(chǔ)上證明泛化能力已經(jīng)達到全局極小值。
　　(3)與現(xiàn)有計算機視覺注意機制的圖像分割方法進行比較，給出改進視覺顯著性度量生成的視覺顯著性結(jié)果圖能夠更準(zhǔn)確地表現(xiàn)原始圖像中各個像素

6、點的視覺顯著性值，根據(jù)系統(tǒng)顯著圖進行閾值分割便可以對前景目標(biāo)和背景區(qū)域進行區(qū)分，不需要加入其他方法，這樣既可以降低時間復(fù)雜度，又可以使得圖像分割結(jié)果更符合人類視覺習(xí)慣。
　　(4)多尺度化視覺顯著性檢測算法能夠快速產(chǎn)生和原始輸入圖像大小相同的細致化視覺顯著性結(jié)果圖。多尺度化視覺顯著性檢測方法可以生成應(yīng)用在實時性較高的視頻圖像序列的幀圖像視覺顯著性圖。同時，此方法還可執(zhí)行視覺顯著性區(qū)域檢測。
　　(5)在線增量學(xué)習(xí)OIV-SV

7、M和減量學(xué)習(xí)ODV-SVM的支持向量機算法，針對訓(xùn)練樣本，特別是大規(guī)模容量訓(xùn)練樣本，OIV-SVM能夠在確保其泛化能力的前提下，有效節(jié)約訓(xùn)練執(zhí)行時間。
　　(6)為了解決傳統(tǒng)支持向量機方法的執(zhí)行時間長、執(zhí)行效率低等相關(guān)問題，提出基于增量學(xué)習(xí)向量的支持向量機學(xué)習(xí)方法。利用該初始化分類器在有關(guān)條件下針對初始訓(xùn)練樣本集進行縮減得到精簡縮小集，再應(yīng)用精簡縮小集針對初始支持向量機的分類器反向加工來得到支持向量機的最終分類器。該方法可大幅度降

8、低大容量數(shù)據(jù)集上支持向量機的學(xué)習(xí)時間，并且具有很好的泛化能力。為了驗證本學(xué)習(xí)方法的可應(yīng)用性，從Berkeley圖像分割數(shù)據(jù)集BSDS500和Intenet網(wǎng)絡(luò)上選取相關(guān)彩色圖像進行仿真實驗，實驗結(jié)果表明該方法得到分割結(jié)果的過程不僅比傳統(tǒng)支持向量機耗時少，且與Berkeley圖像分割數(shù)據(jù)集中人工標(biāo)注結(jié)果比較得到較好分割效果。
　　(7)基于視覺顯著性特征和自適應(yīng)變量學(xué)習(xí)支持向量機的目標(biāo)圖像分割算法。該算法根據(jù)圖像局部特征、全局特征、