基于形狀先驗的變分稀疏分割模型研究.pdf

1、利用計算機模擬人眼的功能準確分割圖像中的目標，對于計算機視覺和圖像處理至關(guān)重要。由于在實際圖像中，目標可能受到噪聲、遮擋、缺損或背景粘連等因素的影響，僅依賴圖像本身的信息對目標進行分割往往效果不佳?；谛螤钕闰炆蛇^完備形狀字典，并結(jié)合稀疏表示模型對目標分割過程進行監(jiān)督可較好的改善分割效果。本文在深入分析了國際上一些經(jīng)典的稀疏形狀表示模型和變分分割方法的基礎上，重點研究了形狀的稀疏表示方法、映射空間過完備字典的生成方法以及結(jié)合稀疏表示的

2、變分目標分割方法等內(nèi)容，提出了多種基于形狀先驗的變分稀疏分割模型。
　　本研究主要內(nèi)容包括：⑴基于相關(guān)命題推出通過擴展形狀映射系數(shù)的定義，可基于映射公式構(gòu)造形狀凸集和其稀疏子集。利用上述子集中的稀疏組合約束輸入目標在形狀凸集上的投影，可進一步建立基于映射空間的變分稀疏分割模型。論文對結(jié)合獨立形狀分量和非線性核空間的凸形狀集研究表明，上述基于映射凸集的變分稀疏形狀表示方法具有一定的通用性，該方法也為建立映射空間變分稀疏分割模型提供了

3、一種新的思路。⑵結(jié)合變分水平集方法、獨立形狀分量和稀疏形狀表示，提出了一種基于稀疏獨立分量表示的變分目標分割方法。該方法解決了直接使用獨立分量構(gòu)造稀疏形狀組合無法確保重建形狀的有效性問題。此外，模型還使用對數(shù)極坐標形狀代替原始形狀，實現(xiàn)了稀疏形狀表示模型中的目標自動對齊。通過在獨立形狀分量張成的空間中構(gòu)造映射形狀集，并迭代求解水平集函數(shù)在該形狀集上的稀疏表示等方法，解決了利用稀疏獨立分量表示模型監(jiān)督變分目標分割的問題。⑶結(jié)合近期發(fā)展起來

4、的“Wake-sleep”優(yōu)化方法，提出了一種分層分割框架。該框架將能量最小化過程分解為“Wake”和“Sleep”兩個階段，通過“Wake”階段強化模型對底層圖像的表達。同時，通過“Sleep”階段強化高層能量對輸入形狀的表示。此外，本文還提出一個對偶連接能量項來平衡“Wake”和“Sleep”階段的演化。綜合上述幾項技術(shù)，本文構(gòu)建了一種基于隱含核稀疏形狀表示的變分分割模型，該模型解決了非線性核空間中稀疏近鄰的搜索問題及利用隱含核形狀

5、表示指導底層變分目標分割的問題。⑷針對小樣本情況下過完備字典形狀表示能力弱的缺陷，提出了一種基于映射字典群的變分稀疏分割模型。該模型在傳統(tǒng)稀疏表示函數(shù)中引入了局部約束項和局部權(quán)重系數(shù)來實現(xiàn)形狀的局部調(diào)整。與傳統(tǒng)方法相比，新的模型充分挖掘了訓練集中的形狀信息，大幅提高了基于形狀先驗的變分稀疏分割模型在小樣本情況下的形狀表達能力，解決了目標存在局部形變的情況下，現(xiàn)有變分稀疏分割方法無法充分利用訓練集樣本的局部特征重建目標形狀的問題。⑸提出了

6、距離約束概率形狀和對數(shù)極坐標模糊分解兩種形狀建模方法，改善了傳統(tǒng)稀疏組合形變能力不足的問題。其中，基于距離約束的概率形狀通過引入距離約束的概念模擬了平均形狀普遍存在的“過渡帶”特征，拓展了單個形狀樣本的內(nèi)涵?；趯?shù)極坐標模糊分解的形狀字典生成方法對訓練集形狀進行了更深層次的分解和挖掘，為小樣本情況下構(gòu)建過完備形狀字典群提供了更加豐富的信息，大幅改善了小樣本情況下的分割精度。論文在公開數(shù)據(jù)集和自建數(shù)據(jù)集上的實驗結(jié)果表明，上述基于形狀先驗