基于變分模型和圖割優(yōu)化的圖像與視頻目標(biāo)分割方法研究.pdf

1、圖像分割就是把圖像劃分成不同的區(qū)域,其中每個(gè)區(qū)域均具有特定的含義。圖像與視頻分割是計(jì)算機(jī)視覺(jué)和圖像處理領(lǐng)域的一個(gè)研究熱點(diǎn),也是一個(gè)頗具挑戰(zhàn)性的研究課題,并且?guī)缀跏撬谢趫D像分析的人工智能技術(shù)的基礎(chǔ),為眾多的高層應(yīng)用如檢測(cè)、識(shí)別及跟蹤提供了最重要的依據(jù),其分割質(zhì)量的好壞將直接影響后續(xù)圖像技術(shù)任務(wù)的有效性。然而由于缺乏對(duì)人類(lèi)視覺(jué)系統(tǒng)的深層認(rèn)識(shí),圖像分割同時(shí)也成為了計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)經(jīng)典難題。在近幾年的研究中,基于變分模型的圖像分割方法得

2、到了廣泛關(guān)注和研究,在實(shí)際應(yīng)用中也取得了良好的效果。這種方法將圖像本身的特征信息及目標(biāo)的位置和形狀大小等先驗(yàn)知識(shí)有機(jī)的結(jié)合在一個(gè)能量函數(shù)中,通過(guò)最小化這一能量函數(shù)有效地分割圖像目標(biāo)。而圖割(Graph Cuts)優(yōu)化方法作為一種優(yōu)秀的優(yōu)化工具由于其優(yōu)良特性也受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注,在圖像分割領(lǐng)域中成為了一個(gè)新的研究熱點(diǎn)。
　　本文的研究就是針對(duì)圖像分割領(lǐng)域中的一些問(wèn)題,對(duì)基于變分模型的圖像分割方法,以及圖割優(yōu)化算法進(jìn)行了較為深

3、入的總結(jié)、分析和研究,提出了一種改進(jìn)的新的變分模型,并基于此模型對(duì)圖割模型框架的諸多環(huán)節(jié)進(jìn)行了優(yōu)化設(shè)計(jì),研究了如何高性能的分割圖像和視頻目標(biāo)。具體的,本文的主要?jiǎng)?chuàng)新成果包括以下幾個(gè)部分。
　　首先,針對(duì)經(jīng)典的基于邊緣和區(qū)域的變分模型存在的局部最小化和無(wú)法處理異質(zhì)目標(biāo)或多目標(biāo)等主要問(wèn)題,對(duì)經(jīng)典的CV模型進(jìn)行了改進(jìn),提出了一種多分段常數(shù)的變分模型能量泛函,同時(shí)融合了經(jīng)典的基于邊緣的測(cè)地線主動(dòng)輪廓(Geodesic Active Con

4、tours,GAC)模型,提出了一種新的多分段常數(shù)(Multiple Piecewise Constant,MPC-GAC)變分模型,并使用圖割優(yōu)化算法對(duì)能量函數(shù)進(jìn)行最小化求解。通過(guò)人工標(biāo)記進(jìn)行初始化,接著進(jìn)行迭代計(jì)算,構(gòu)建了一種高性能的交互式圖像目標(biāo)分割方法。
　　然后,為了提出一種能夠廣泛運(yùn)用的具有普遍意義的自動(dòng)圖像分割方法,本文將前面提出的MPC-GAC模型擴(kuò)展到多類(lèi)的形式即融入GAC模型的多類(lèi)多分段常數(shù)(Multiphas

5、e Multiple Piecewise Constant,MMPC-GAC)模型,為了解決這一多類(lèi)問(wèn)題的最小化求解,采用了多層圖的圖割優(yōu)化算法來(lái)對(duì)這一能量函數(shù)進(jìn)行近似的最小化求解,并通過(guò)誤差分析展示了多層圖圖割優(yōu)化算法相對(duì)于α-expansion方法的優(yōu)越性。為了解決多類(lèi)問(wèn)題在計(jì)算求解中龐大的計(jì)算量問(wèn)題,本文引入了四色原理對(duì)分割區(qū)域進(jìn)行重標(biāo)記,從而將分割的類(lèi)別數(shù)總是控制在四類(lèi)以下,得到了一種實(shí)用的高性能的多類(lèi)自動(dòng)圖像分割方法。

6、　　最后,針對(duì)傳統(tǒng)的背景建模方法在進(jìn)行視頻目標(biāo)分割時(shí)因?yàn)闆](méi)有利用相鄰像素間的空間域信息,致使在運(yùn)動(dòng)目標(biāo)分割結(jié)果上總是存在噪聲分布、運(yùn)動(dòng)目標(biāo)提取分散、目標(biāo)區(qū)域捕獲不完整、突發(fā)性高斯白噪聲無(wú)法處理等問(wèn)題,提出了將視頻中的運(yùn)動(dòng)目標(biāo)分割問(wèn)題納入到一個(gè)馬爾科夫隨機(jī)場(chǎng)(Markov Random Field,MRF)能量函數(shù)模型中,并在這個(gè)能量函數(shù)模型中深度融合了視頻的時(shí)間域信息(使用混合高斯模型獲取)和空間域信息,同時(shí)提出了一種3D圖割優(yōu)化算法,