基于超像素的目標協(xié)同分割與搜索.pdf

1、人類的視覺能力能夠輕松實現(xiàn)對圖像的分割，但這一能力對計算機視覺系統(tǒng)卻是艱巨的挑戰(zhàn)。近年來，由于圖像信息的大量增多，對多張圖像實現(xiàn)聯(lián)合分割比單獨對每一張圖像進行分割更為合理與高效，因為多張圖像中往往包含有共同的前景物體或同一類別的相似物體。這一類圖像分割方法被稱之為協(xié)同分割。在廣泛調(diào)研并深入研究了目前國際上有關(guān)協(xié)同分割經(jīng)典算法的基礎(chǔ)上，本論文重點研究了基于超像素的目標協(xié)同分割算法、高維特征描述子設(shè)計和分割能量模型的優(yōu)化求解方法等，并致力于

2、利用協(xié)同分割思想實現(xiàn)目標同時搜索與分割應(yīng)用。
　　本研究主要內(nèi)容包括：⑴提出了一種基于目標發(fā)現(xiàn)與樹圖約束的協(xié)同分割算法，解決協(xié)同分割中因圖像間背景相似而前景劇烈變化造成的前背景混淆問題，以及大多數(shù)基于馬爾科夫隨機場的協(xié)同分割算法僅適用于小數(shù)據(jù)集（如圖像對）的局限性。新的目標發(fā)現(xiàn)機制引入了基于超像素的顯著性先驗以及重復性度量的感知信息，有效地利用協(xié)同分割的先驗信息解決了前背景混淆問題。同時，將基于超像素的分割問題轉(zhuǎn)化為組合優(yōu)化問題，

3、通過樹圖約束的優(yōu)化求解方法不但降低了計算復雜度，且搜索得到的最優(yōu)解使得物體的分割更加完整和準確。⑵提出了采用高維特征學習的方法對目標發(fā)現(xiàn)機制得到的訓練樣本進行學習，使算法能夠擴展到更大的數(shù)據(jù)集。此外，還提出了森林圖約束模型及其優(yōu)化方法，將已有的基于樹圖約束的單目標分割擴展為多目標分割，解決了基于超像素的協(xié)同分割算法往往對多目標場景（如體育賽事圖像）下的分割處理效果欠佳等問題。⑶提出了一個新的融合感知信息的協(xié)同分割統(tǒng)一模型及其優(yōu)化方法以解

4、決分步式的協(xié)同分割算法對目標初始化較為敏感且僅在初始化階段利用共同物體先驗、顯著性先驗等信息的局限性；提出將包含區(qū)域集顯著性、重復性以及空間位置信息等的感知信息作為全局約束項引入能量模型，同時采用基于感知的結(jié)構(gòu)化森林框架加以優(yōu)化求解，充分利用了感知信息解決目標的協(xié)同分割。⑷借鑒交互式的協(xié)同分割思想，提出了一個新穎的視覺目標同時搜索與分割模型，實現(xiàn)對互聯(lián)網(wǎng)圖片中感興趣目標的同時搜索與分割提取。在這一算法中，我們提出將種子超像素作為聯(lián)系目標