基于圖結(jié)構(gòu)的目標(biāo)檢測(cè)與分割算法研究.pdf

1、隨著圖像、視頻等多媒體技術(shù)的發(fā)展，如何對(duì)快速增長的圖像和視頻數(shù)據(jù)進(jìn)行高效處理逐漸成為熱點(diǎn)和難點(diǎn)問題，而圖像分割正是解決這些問題的關(guān)鍵技術(shù)和必要的前提。由于實(shí)際圖像的復(fù)雜和多樣，使得分割算法的設(shè)計(jì)具有極大挑戰(zhàn)性。其中，目標(biāo)的表示和分割模型設(shè)計(jì)是兩個(gè)關(guān)鍵問題，本文主要針對(duì)這兩點(diǎn)展開深入的研究。
　　首先，在分割算法中高效地嵌入圖像多特征和上下文信息是提高算法魯棒性的重要途徑。為了設(shè)計(jì)高效的分割算法，我們結(jié)合圖結(jié)構(gòu)在對(duì)數(shù)據(jù)關(guān)聯(lián)性進(jìn)行建模

2、方面的優(yōu)勢(shì)提出了多種模型。以圖結(jié)構(gòu)為基礎(chǔ)，本文提出了面向交互式分割的多特征條件隨機(jī)場(chǎng)圖模型、與半監(jiān)督學(xué)習(xí)相結(jié)合的單目標(biāo)分割模型、結(jié)合自適應(yīng)分簇和利用區(qū)域聚合分簇的多目標(biāo)分割模型等。其次，對(duì)分割目標(biāo)進(jìn)行定位是減小圖像復(fù)雜性和模糊性對(duì)分割精度的影響和提高目標(biāo)表示準(zhǔn)確性的有效手段。自動(dòng)分割算法中需要對(duì)目標(biāo)進(jìn)行自主定位和信息挖掘，目標(biāo)檢測(cè)是可實(shí)現(xiàn)自動(dòng)信息獲取的關(guān)鍵技術(shù)。因此針對(duì)于自動(dòng)圖像分割而設(shè)計(jì)高效的目標(biāo)檢測(cè)模型是本文的另一個(gè)重點(diǎn)研究方向?？?/p>

3、地來說本論文研究了與交互式分割相關(guān)的模型、目標(biāo)檢測(cè)相關(guān)模型和以目標(biāo)檢測(cè)為初始化的分割模型，本文的主要?jiǎng)?chuàng)新點(diǎn)如下：
　　在交互式圖像分割算法的研究中，為了充分利用種子點(diǎn)中所含的圖像特征和上下文信息，論文提出了一種基于分塊訓(xùn)練地隨機(jī)場(chǎng)模型參數(shù)學(xué)習(xí)算法，該算法具有訓(xùn)練速度快、所需樣本少以及泛化能力強(qiáng)等優(yōu)點(diǎn)。為了進(jìn)一步提高了分割的精度和交互的效率，本文研究了基于主動(dòng)學(xué)習(xí)模型的迭代式分割框架。此外針對(duì)于交互式分割方法在在醫(yī)學(xué)體數(shù)據(jù)上的應(yīng)用，

4、本文提出了一種局部分簇算法用于初始目標(biāo)定位，充分利用體數(shù)據(jù)的時(shí)空約束進(jìn)行信息傳遞，從而將二維交互式分割算法擴(kuò)展到三維體數(shù)據(jù)分析中。
　　在基于分簇的圖像分割的研究中，論文提出了一種利用先驗(yàn)自適應(yīng)分簇的分割模型，相比于傳統(tǒng)的分割模型該方法該分簇算法更適用于目標(biāo)檢測(cè)等任務(wù)，提出的算法不僅可保留與所檢測(cè)目標(biāo)相關(guān)的信息同時(shí)也提高了分割的計(jì)算效率，此外通過直方圖分析來自動(dòng)決定分簇個(gè)數(shù)，也解決傳統(tǒng)模型中需要手動(dòng)設(shè)置分簇?cái)?shù)量參數(shù)的問題。

5、　　在研究中我們發(fā)現(xiàn)，通過顯著性信息對(duì)目標(biāo)進(jìn)行定位是提高分割算法效率的重要手段，因此本文針對(duì)于顯著性目標(biāo)檢測(cè)和分割也展開研究，并提出了三種顯著性目標(biāo)檢測(cè)與分割的框架。首先，為了在統(tǒng)一的圖結(jié)構(gòu)框架下解決目標(biāo)檢測(cè)與分割問題，本文提出了基于多層圖結(jié)構(gòu)與非參數(shù)學(xué)習(xí)模型的檢測(cè)和分割模型，通過構(gòu)建多層圖結(jié)構(gòu)對(duì)圖像中高階上下文信息進(jìn)行建模和在檢測(cè)能量函數(shù)中加入高階標(biāo)號(hào)一致性約束能量函數(shù)項(xiàng)，所提出的方法在如復(fù)雜背景、低對(duì)比度或紋理圖像等條件下能取得較現(xiàn)

6、有算法更高的檢測(cè)和分割的精度。此外在自適應(yīng)分割算法的基礎(chǔ)上提出了三種區(qū)域顯著性計(jì)算指標(biāo)，并與貝葉斯框架相結(jié)合進(jìn)行顯著性目標(biāo)檢測(cè)，所提出的算法能夠更有效和快速地突出顯著性目標(biāo)或抑制雜亂的背景。在目標(biāo)檢測(cè)地基礎(chǔ)上提出基于合作分類自動(dòng)種子點(diǎn)生成和隨機(jī)場(chǎng)模型的目標(biāo)分割算法，該算法中自動(dòng)種子點(diǎn)生成提高了顯著性提取初始目標(biāo)的精度，同時(shí)基于多特征融合的隨機(jī)場(chǎng)分割模型提高了目標(biāo)分割的精度。最后為了在多目標(biāo)分割算法中進(jìn)行多目標(biāo)區(qū)域定位，本文還提出一種基于

7、先驗(yàn)信息擴(kuò)散的顯著性檢測(cè)模型。
　　顯著性信息不僅可用于單目標(biāo)定位，研究過程中也發(fā)現(xiàn)顯著性圖中蘊(yùn)含著豐富的多尺度、多層次圖像結(jié)構(gòu)信息。從利用顯著性圖中層次結(jié)構(gòu)信息進(jìn)行目標(biāo)分割的角度出發(fā)，本文提出基于圖擴(kuò)散的生成式多標(biāo)號(hào)圖像分割模型，與傳統(tǒng)的算法中顯著性模型多用于單目標(biāo)檢測(cè)與分割的思路不同，算法將顯著性模型的功能從單目標(biāo)區(qū)域定位擴(kuò)展到多目標(biāo)區(qū)域定位，并用于多目標(biāo)分割。此外提出了基于多層圖結(jié)構(gòu)和顯著性區(qū)域聚合分簇的分割算法，通過構(gòu)建二