圖像視覺(jué)顯著性和改進(jìn)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(cè)圖像根據(jù)相應(yīng)規(guī)則劃分成具有相似特征的若干個(gè)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(guò)程。圖像分割是圖像理解和目標(biāo)識(shí)別的前提條件。圖像分割發(fā)展過(guò)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(dòng)輪廓模型及其改進(jìn)方法、融合先驗(yàn)知識(shí)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(guò)程可見(jiàn)，在圖像分割過(guò)程中融入先驗(yàn)知識(shí)越多，圖像分割方法擁有的智能化程度會(huì)越高，圖像分割處理

2、能力也會(huì)越強(qiáng)。
　　本文針對(duì)計(jì)算機(jī)視覺(jué)中的圖像分割進(jìn)行相關(guān)研究工作，并在目標(biāo)分割方面進(jìn)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(gè)區(qū)域，圖像分割結(jié)果是圖像理解和目標(biāo)識(shí)別的基礎(chǔ)，也可以理解成圖像理解和目標(biāo)識(shí)別的初級(jí)階段。在圖像分割方面，通過(guò)應(yīng)用圖像空間一致性和無(wú)監(jiān)督聚類算法構(gòu)造概率樹(shù)結(jié)構(gòu)的貝葉斯網(wǎng)絡(luò)進(jìn)行融合執(zhí)行圖像分割過(guò)程;通過(guò)構(gòu)造向量值圖像的邊界檢測(cè)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(jì)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(guò)程。在圖像預(yù)處理方面，針對(duì)已有視覺(jué)顯著性度量方法進(jìn)行改進(jìn)和提高，提出改進(jìn)視覺(jué)顯著性度量方法和多尺度化視覺(jué)顯著性檢測(cè)算法，并將這些經(jīng)過(guò)改進(jìn)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(jī)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(gè)方面;基于增量式支持向量機(jī)學(xué)習(xí)方法提出變量學(xué)習(xí)支持向量機(jī)，包括變量學(xué)習(xí)支持向量機(jī)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(jī)改進(jìn)成為自適應(yīng)的變量學(xué)習(xí)支持向量機(jī)，并將這些改進(jìn)型支持向量機(jī)理論在圖像分割和目標(biāo)分割方面進(jìn)行應(yīng)用研究。本文所做主要工作和研究成果如下:
　　(1)針對(duì)圖像空間結(jié)構(gòu)中的圖像空間一致性和無(wú)監(jiān)督聚類相關(guān)信息應(yīng)用在圖像分割過(guò)程中，提出應(yīng)用兩者結(jié)合來(lái)達(dá)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(shù)結(jié)構(gòu)的貝葉斯網(wǎng)絡(luò)改善傳統(tǒng)圖像分割中常見(jiàn)的“過(guò)分割”現(xiàn)象，并使得這些區(qū)域能夠達(dá)到理想邊緣部分;然后應(yīng)用基于概

5、率的無(wú)監(jiān)督圖像分割框架來(lái)處理待分割區(qū)域。
　　(2)根據(jù)向量值圖像的邊界檢測(cè)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(jì)算方法。新模型針對(duì)很多已有模型的優(yōu)良特性進(jìn)行融合。此方法不會(huì)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(dá)到全局極小值。
　　(3)與現(xiàn)有計(jì)算機(jī)視覺(jué)注意機(jī)制的圖像分割方法進(jìn)行比較，給出改進(jìn)視覺(jué)顯著性度量生成的視覺(jué)顯著性結(jié)果圖能夠更準(zhǔn)確地表現(xiàn)原始圖像中各個(gè)像素

6、點(diǎn)的視覺(jué)顯著性值，根據(jù)系統(tǒng)顯著圖進(jìn)行閾值分割便可以對(duì)前景目標(biāo)和背景區(qū)域進(jìn)行區(qū)分，不需要加入其他方法，這樣既可以降低時(shí)間復(fù)雜度，又可以使得圖像分割結(jié)果更符合人類視覺(jué)習(xí)慣。
　　(4)多尺度化視覺(jué)顯著性檢測(cè)算法能夠快速產(chǎn)生和原始輸入圖像大小相同的細(xì)致化視覺(jué)顯著性結(jié)果圖。多尺度化視覺(jué)顯著性檢測(cè)方法可以生成應(yīng)用在實(shí)時(shí)性較高的視頻圖像序列的幀圖像視覺(jué)顯著性圖。同時(shí)，此方法還可執(zhí)行視覺(jué)顯著性區(qū)域檢測(cè)。
　　(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(jī)算法，針對(duì)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(shí)間。
　　(6)為了解決傳統(tǒng)支持向量機(jī)方法的執(zhí)行時(shí)間長(zhǎng)、執(zhí)行效率低等相關(guān)問(wèn)題，提出基于增量學(xué)習(xí)向量的支持向量機(jī)學(xué)習(xí)方法。利用該初始化分類器在有關(guān)條件下針對(duì)初始訓(xùn)練樣本集進(jìn)行縮減得到精簡(jiǎn)縮小集，再應(yīng)用精簡(jiǎn)縮小集針對(duì)初始支持向量機(jī)的分類器反向加工來(lái)得到支持向量機(jī)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(jī)的學(xué)習(xí)時(shí)間，并且具有很好的泛化能力。為了驗(yàn)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(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明該方法得到分割結(jié)果的過(guò)程不僅比傳統(tǒng)支持向量機(jī)耗時(shí)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(jué)顯著性特征和自適應(yīng)變量學(xué)習(xí)支持向量機(jī)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、