论文摘要：基于图割理论的目标提取方法研究

图像分割是指将一幅图像分解为若干互不交迭区域的集合，是图像处理中的基本问题之一，是由图像处理进到图像分析的关键环节，其结果的优劣直接影响到随后的目标表达、特征提取以及参数测量等。
图割理论是一个以马尔可夫随机场为图像模型，以最大流-最小割算法为优化技术的智能优化理论，该理论具有全局最优的求解能力及结合多种先验知识的统一框架，是近年来基于能量最小化思想兴起的一个研究热点。
以图割理论为支撑，本文对图像分割中的目标提取问题进行研究，主要有以下四个方面的创新工作：
⑴提出了两种基于GMM快速估计与图割的目标提取算法。GrabCut算法具有方便快捷的人机交互以及高精度的分割能力，但高成本确定GMM参数是严重制约该算法效率的瓶颈。该算法实质是先实现GMM参数迭代估计、最终才进行目标提取的切割，本文提出以极少数典型样本点取代海量像素样本点实现快速估计GMM参数的改进思路，并分别采用两种策略加以实现：①通过分水岭变换将图像划分为若干区域得到分块图，以该分块图代替原来的像素图；②引入多尺度分析方法，通过构造合适的多尺度数据结构，对图像进行金字塔式分解，得到一个尺度由粗至细的图像序列，以该图像序列代替原来固定尺度的原始图像序列。通过上述方法消除了算法瓶颈，实验表明，两种改进算法目标提取时间为GrabCut的1/5~1/6。
⑵提出了一种基于内向变宽邻域图割的目标提取算法。针对GCBAC算法对已达目标曲线段所在邻域重复切割、相邻轮廓线邻域之间重叠、无法提取凹型目标以及容易陷入局部极值等不足，本文对应分三步进行算法改进：①由宽度固定的轮廓线邻域改进为宽度可变的轮廓线邻域，消除对已达目标曲线段所在邻域的重复切割；②将轮廓线向两侧膨胀改进为仅向轮廓线内侧膨胀得到单侧向内的宽度可变的轮廓线邻域，避免相邻轮廓线邻域之间的重叠；③引入权值调整系数，实现凹型目标的提取，增强活动轮廓线跨越噪声的能力，减少其陷入局部极值的可能。所得改进算法鲁棒性更强、收敛速度更快、应用范围更广。
⑶提出了一种新的基于图像边缘信息的目标提取方法——BandCut：以人机交互输入一个将目标边界包围在内的环状窄带区域；以边缘像素间颜色值的剧烈变化来表征目标边界，实现彩色目标的提取；通过引入距离图对s-t网络权值进行补偿，实现松散的窄带区域界定。该方法无需迭代、计算量小、无局部极值问题、参数设置鲁棒，目标提取快速准确。
⑷基于平面式s-t网络进行图像分割的原理架构，设计了一种操作简便、实时响应、不破坏已有正确提取结果的交互式目标提取修正方法。该方法除能够实现局部错误的自动修正外，还提供一种以人工方式进行的“硬约束”修正操作，使得修正方法更为完整有效。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://87cpy.com/254641.html