一種基于圖像底層特征的對象粒認(rèn)知方法研究.pdf

1、對象非監(jiān)督發(fā)現(xiàn)、分割的應(yīng)用領(lǐng)域相當(dāng)廣泛，包括圖像理解、視頻監(jiān)控、圖像和視頻編輯、人機(jī)交互、圖像和視頻檢索、視頻編碼以及對象識別等。分析已有的眾多應(yīng)用，發(fā)現(xiàn)有三點(diǎn)顯得至關(guān)重要：一是所發(fā)現(xiàn)的對象與真實(shí)對象的逼近度，如邊緣的吻合性等；二是所設(shè)計(jì)的應(yīng)用算法的通用性和擴(kuò)展能力，由于圖像、視頻種類繁多，一次性設(shè)計(jì)出通用性完美的發(fā)現(xiàn)、跟蹤算法是不可能的，為達(dá)到無限地逼近真實(shí)對象的目的，相關(guān)算法具有持續(xù)升級能力和好的移植能力便顯得十分必要；三是因眾多資

2、源有限的應(yīng)用環(huán)境的出現(xiàn)，例如無線傳感網(wǎng)等，為讓圖像、視頻對象的非監(jiān)督發(fā)現(xiàn)和跟蹤能用于這些環(huán)境，相應(yīng)的算法得輕便，易于硬化，最好是線性的。本文針對以上問題，以對象非監(jiān)督提取和跟蹤為目標(biāo)，借鑒心理學(xué)的認(rèn)知模型，基于底層特征構(gòu)筑了一個對象粒認(rèn)知平臺，并將其用于顯著對象的非監(jiān)督粗糙提取。本文的主要工作包括：
　　 第一，針對復(fù)雜運(yùn)動對象的跟蹤失效情形，提出了一種基于顏色閾值和區(qū)域融合的方法。運(yùn)動在采樣時間尺度變長、物體本身外型較復(fù)雜且動

3、作軌跡不受約束或受遮擋時，其復(fù)雜性將增加。此時將導(dǎo)致被連續(xù)跟蹤幀間的變化增大，均值漂移算法會因Bhattarchayya系數(shù)太低而失效。針對這種情況，本文基于快速顏色閾值和區(qū)域融合，改進(jìn)了均值漂移算法。實(shí)驗(yàn)證明，改進(jìn)算法消除了失效。為做到進(jìn)一步精密，比如讓跟蹤的邊緣貼合于所跟蹤的對象等，本文繼續(xù)作了以下幾項(xiàng)工作。
　　 第二，為讓計(jì)算機(jī)非監(jiān)督地獲得“感覺”，提出并實(shí)現(xiàn)了一種粒截分模型。通過分析已有的圖像、視頻底層特征的處理和語義

4、挖掘算法，本文歸納出了一種映射關(guān)系，即底層特征、知識表示、語義概念對人類認(rèn)知的感覺、知覺、表象。以此為指導(dǎo)，開始探索一種由感覺到表象的對圖像、視頻對象的非監(jiān)督認(rèn)知方法。做為基礎(chǔ)，為讓計(jì)算機(jī)能自主產(chǎn)生對彩圖的“感覺”，基于人工智能領(lǐng)域中的長于模擬人類思維解決復(fù)雜問題的粒計(jì)算理論，提出了一種粒截分模型。首先以粗糙集和商空間理論為指導(dǎo)，構(gòu)建拓?fù)湫畔⑾到y(tǒng)。接下來，將數(shù)據(jù)視為超立方，建立由基礎(chǔ)截分向量和拓?fù)浣胤窒蛄繕?gòu)成的截分向量集，以圖分別示意基

5、礎(chǔ)截分向量和拓?fù)浣胤窒蛄康慕胤中Ч?，提出了概念粒和連通粒兩個新概念，給出了粒截分模型的定義。最后，為實(shí)現(xiàn)粒截分模型，設(shè)計(jì)一種單屬性分析器，論證相關(guān)的定理及引理，詳細(xì)描述所有概念粒的截分過程，討論了存在的不足，并通過計(jì)算證實(shí)了單屬性分析器的低復(fù)雜度。在超過三百幅各類彩圖上做了實(shí)驗(yàn)，結(jié)果顯示：單屬性分析器能有效分析所指定的屬性，讓計(jì)算機(jī)從彩圖中得到“感覺”。
　　 第三，為讓“感覺”更清晰，提出了一種可適用于任意圖像甚至圖像碎片的粒

6、標(biāo)注算法。首先，根據(jù)粒截分模型依據(jù)所選用的觀察概念截分圖像，得到相應(yīng)的概念粒。然后，行壓縮指定概念?；蛉扛拍盍＃玫綄?yīng)的行連通段。最后，給出了實(shí)現(xiàn)粒標(biāo)注的算法--IGL算法，詳細(xì)描述標(biāo)注、提取所有連通區(qū)(本文稱連通粒)的過程，定義可供后續(xù)處理應(yīng)用的開放存貯結(jié)構(gòu)，討論標(biāo)注模型向高維的可擴(kuò)展性。用二值圖和彩圖分別作驗(yàn)證和比較分析，所得結(jié)果表明：所呈標(biāo)注算法精確、魯棒，且較之傳統(tǒng)標(biāo)注算法更高速。
　　 第四，考慮到截分所得的“?！?/p>

7、是任意形狀、任意分布的連通區(qū)域，對以區(qū)域?yàn)榛魈卣魈崛『头治鲞M(jìn)行了探索，提出并實(shí)現(xiàn)了一種粒相關(guān)邊緣模型。本文針對現(xiàn)有邊緣提取算法不能提取任意形狀、任意分布區(qū)域的邊緣及所提取的邊緣缺乏統(tǒng)一模型、與實(shí)際對象的相關(guān)性不密切等問題，提出一種粒相關(guān)邊緣模型，并給出相應(yīng)的實(shí)現(xiàn)算法一任意區(qū)域邊緣提取算法(Arbitrary Region Edge Extraction，簡稱AREE)。粒相關(guān)邊緣模型兼容于粒計(jì)算理論，由拓?fù)湫畔⑾到y(tǒng)、概念粒、連通粒及

8、邊緣空間等概念組成。AREE算法引入行連通段等定義，給出并證明計(jì)算邊緣集的定理，隨后依據(jù)定理在壓縮狀態(tài)下搜索連通粒中的內(nèi)點(diǎn)，進(jìn)而完成邊緣提取。對比分析和示例實(shí)驗(yàn)都證明：本文所提出的算法能精確、快速地提取出各類圖像中任意連通粒的邊緣。
　　 第五，基于以上構(gòu)筑的認(rèn)知平臺，提出了一種顯著對象非監(jiān)督卡粗糙認(rèn)知算法。算法首先以粒截分模型用雙概念分別拓?fù)鋭澐终撚?，?biāo)注連通粒；依據(jù)尺度過濾掉過小拓?fù)涞葍r(jià)類；用拓?fù)溥B通強(qiáng)度、拓?fù)浞植济芏鹊扔?jì)算