視覺感知啟發(fā)的圖像分割系統(tǒng)研究.pdf

1、圖像分割是個廣義的概念，包括圖像處理中狹義的分割，即將圖像特定性質(zhì)的區(qū)域分離開的技術(shù)，還包括對圖像中目標物體與其它背景物體的分離技術(shù)，尤其是后者一直是一個圖像處理和計算機視覺領(lǐng)域中的基本難題。在這些領(lǐng)域中，分割都是重要的圖像分析技術(shù)，為物體識別、圖像各種度量和圖像的理解等提供定量依據(jù)，在靜態(tài)和動態(tài)圖像信息處理中有廣泛的應(yīng)用。 人們往往感興趣的圖像區(qū)域只是特定的部分，其中，物體分割特指將語義上的目標物體區(qū)域或?qū)ο髲谋尘爸蟹指畛鰜恚?/p>

2、傳統(tǒng)的狹義圖像分割更多的是提取特征相似或特定特征的區(qū)域，受復雜的背景和各種成像干擾影響，特定特征的區(qū)域有時難以確定，最困難的還是來自物體內(nèi)部較大的特征差異，狹義圖像分割難以將物體從背景區(qū)分開來。這樣導致依靠圖像中特定目標的后續(xù)計算工作沒有建立很好的基礎(chǔ)，造成物體識別、測量等方面的困難。 和其它的圖像處理、計算機視覺技術(shù)一樣，圖像分割的技術(shù)也從與其它學科的交叉中獲得發(fā)展。其中，聯(lián)系較密切的是視覺感知系統(tǒng)的心理和生理研究。生物的視覺

3、感知系統(tǒng)具有非常優(yōu)秀的信息處理機制，是生物進化的完美結(jié)果，對物體與背景的分離輕而易舉，對物體的識別判斷準確快速。受到生物視覺系統(tǒng)的啟發(fā)，許多研究都在尋找一種機器智能計算與生物活動的對應(yīng)聯(lián)系，以求將計算機的處理流程不斷優(yōu)化。 本文從視覺感知啟發(fā)的角度認識分割，并借鑒生物視覺活動的流程，對分割技術(shù)的分類和發(fā)展思路作了一定的分析，研究了與兩個典型視覺活動流程相關(guān)的分割技術(shù)，即自底向上(Bottom-up)分割和自頂向下(Top-dow

4、n)分割，在這兩個方面作了一定的創(chuàng)新研究。與本文有關(guān)的視覺感知啟發(fā)包括多尺度分析，注意機制和Top-down & Bottom-up分割識別一體化流程。涉及的主要計算機技術(shù)領(lǐng)域包括非線性尺度空間的建立和分割應(yīng)用，基于注意機制和區(qū)域競爭的圖像分割和層次化Top-down和Bottom-up結(jié)合的物體分割體系。還涉及的其它Bottom-up技術(shù)還包括水平集分割方法。 現(xiàn)在圖像分割領(lǐng)域新發(fā)展的自頂向下(Top-down)分割技術(shù)就是將

5、物體的分割引入到物體識別的范疇，與Bottom-up分割技術(shù)互補，視覺通路中的對照的是視覺神經(jīng)反饋和前饋回路，主要是通過建立先驗知識和物體模型，以模型驅(qū)動圖像分割，模仿生物認知高級活動的預測和決策功能。針對上面提到的分割所面臨的復雜情況，跳出Bottom-up分割技術(shù)最常見的聚類技術(shù)的局限，發(fā)展到以物體的種類為基本特征單元，完成物體識別和分割同步協(xié)調(diào)的漸進處理流程。 本文的主要工作是從新的角度建立物體的樹結(jié)構(gòu)層次表示模型，樹結(jié)點

6、是含局部特征的碎片或其子碎片，模型含有形狀，表面和位置等信息。訓練學習階段中，提取碎片的標準包括常見的按形狀和表面灰度特點，還包括對物體的拓撲結(jié)構(gòu)分析求得物體骨架，本文創(chuàng)新地建立一套以骨架為標準的碎片提取方法和碎片匹配方法，將碎片與圖像匹配，獲得物體的形狀、位置等估計，形成物體的Top-down相似程度圖。對物體估計，除了Top-down結(jié)果，還需配合按通常Bottom-up分割方法求出圖像區(qū)域的相似程度圖，共同構(gòu)成總的物體的估計圖完成

7、分割。 面對外部環(huán)境中物體有繁簡和疏密的差異，視覺系統(tǒng)應(yīng)對的方法是多尺度、多分辨率地描述物體特征，提高感知的穩(wěn)定性。這個特點很早地被圖像處理的研究工作者注意到，并形成以尺度空間為代表的圖像多尺度分析，給圖像處理帶來一種主要的技術(shù)手段，幾乎是所有圖像分割都考慮的環(huán)節(jié)。尺度空間分線性和非線性兩種，實現(xiàn)方法有線性和非線性濾波，程度不同的濾波可以對應(yīng)不同程度的尺度。采用各向異性的非線性濾波可以保持邊界結(jié)構(gòu)進而保持物體形狀，這樣可以建立起

8、非線性尺度空間，逐層地描述物體的整體結(jié)構(gòu)和細致結(jié)構(gòu)。 本文工作之一是建立一種快速非線性尺度空間的構(gòu)造方法，更好地為多尺度分割提供圖像結(jié)構(gòu)信息。與以往的全變分模型不同，本文研究了尺度參數(shù)選擇問題，提出尺度全變分概念，修改全變分的算法，將尺度的選擇從擴散時間延伸到擴散空間，根據(jù)結(jié)構(gòu)張量，定義了變化空間域的散度計算的新概念，形成以大小逐級變化的濾波鄰域為參數(shù)。克服以往尺度局限在時間參數(shù)上時迭代次數(shù)會很長的缺點，現(xiàn)改為的空間尺度，加快濾

9、波處理，也符合尺度概念的常識。本文介紹了濾波方法構(gòu)建尺度空間的基礎(chǔ)，分析尺度參數(shù)的選擇，設(shè)計多尺度處理新方法，分析了停止條件，以在多尺度基礎(chǔ)上的圖像分割和光滑為應(yīng)用，說明尺度全變分的優(yōu)點和不足。 基于區(qū)域的分割一個特點是設(shè)定種子點，例如，相關(guān)的技術(shù)有模糊連接度方法，這已成為醫(yī)學圖像分割的實用方法，但其中比較困難的步驟是設(shè)定多種子點，目前自動給定的手段還不是很有效。如果不作顯性設(shè)置，則需要同時對分割目標和背景考慮，判斷像素是否屬于

10、目標還是背景，實際上是隱性設(shè)置種子點。盡管種子點的提取或設(shè)定可以用很多的定量標準，但從視覺注意的機制定量分析還不多見。經(jīng)過從視覺活動的規(guī)律分析，本文借助視覺注意機制對物體區(qū)域的感知，設(shè)計注意模型引導物體的正確識別，即可以將物體與背景分割開來。 本文工作之一是將種子點等價于視覺特征顯著點，提出了視覺注意模型引導下種子點給定的新方法。通過研究顯著點定位與圖像特征概率密度估計之間的關(guān)系，引入新的視覺特征估計地圖，構(gòu)造了注意計算模型，采

11、用無閾值方法定位各類物體的視覺顯著點并用于引導區(qū)域增長方式的圖像分割。新的注意計算模型的定量描述能力較以往的模型有很大提高，適用于處理模糊圖像。新方法能完全自動定位種子點，有效分割圖像，提高準確率。多種子點之間引入的競爭策略加快了圖像分割中的區(qū)域增長處理過程。 近年來發(fā)展的水平集分割來自主動輪廓模型方法，是經(jīng)典的分割方法，主動輪廓模型本來就是一種Top-down分割雛形，現(xiàn)在的水平集方法研究也從Bottom-up流程為主走向To

12、p-down流程，即圖像的底層特征與高層的物體統(tǒng)計模型結(jié)合。主動輪廓模型本身還是需要不斷完善，包括Bottom-up和Top-down兩個流程。當然，Top-down流程的影響作用加強，能提高目標物體分割的魯棒性，所以水平集分割技術(shù)還是很有發(fā)展前途的。 本文的工作之一主要從Bottom-up的角度研究水平集分割，對Chan-Vese模型進行改進，發(fā)展新的基于區(qū)域的水平集分割方法，針對模糊圖像以及弱邊界的情況，增強區(qū)域的特征對比，

13、獲得更準確的物體特征估計，解決類似弱邊界的問題。強調(diào)區(qū)域的相互作用，可以將弱邊界的問題轉(zhuǎn)化到不同物體的分類上，實際效果是對全局性質(zhì)的特征處理，避免單獨區(qū)域的擴張或收縮，也避免對弱邊界特征的判據(jù)只是借助局部性質(zhì)。本文提出的圖像分解方法和合并方法，密切配合水平集分割，引入多區(qū)域之間的競爭關(guān)系，將圖像區(qū)域按類似二叉樹結(jié)構(gòu)不斷分解形成子區(qū)域，避免一般的多區(qū)域競爭關(guān)系中區(qū)域只有合并沒有分裂的問題，將多目標物體的水平集分割先變成子區(qū)域的合并和分裂過