圖像分割是根據(jù)圖像的顏色、灰度值、紋理、形狀等特征或特征集合的相似性準(zhǔn)則,將其分成一些不同且不重疊的區(qū)域。圖像分割是計(jì)算機(jī)視覺中的基本而又核心的問題之一,以歸一化割(Normalized cut,簡稱Ncut)等為代表的無符號(hào)圖聚類方法在該問題上獲得了成功應(yīng)用。相比于無符號(hào)圖,加權(quán)符號(hào)圖能夠表達(dá)更豐富的關(guān)系。當(dāng)前普遍應(yīng)用于圖像分割的圖聚類方法均以無符號(hào)圖為基礎(chǔ),本文嘗試?yán)眉訖?quán)符號(hào)圖聚類進(jìn)行半監(jiān)督圖像分割,分析了加權(quán)符號(hào)圖上的符號(hào)歸一化割(Signed Normalized cut,簡稱 Signed Ncut)的表現(xiàn),并提出了基于MRF正則化的改進(jìn)方案。本文的工作有兩部分:(1)將半監(jiān)督信息表達(dá)為成對(duì)約束,并將像素之間的關(guān)系表達(dá)為加權(quán)符號(hào)圖,用符號(hào)歸一化割進(jìn)行聚類。采用了圖聚類的主流優(yōu)化方法——譜方法來求解其松弛問題,通過k-means算法得到圖像的二相分割。Signed Ncut的整體表現(xiàn)明顯優(yōu)于Ncut,說明其在半監(jiān)督圖像分割問題上具有可行性。但是,Signed Ncut在分割精度等統(tǒng)計(jì)指標(biāo)以及輪廓貼合性上仍有待提升。(2)嘗試在SignedNcut中引入MRF正則化勢(shì)函數(shù),以進(jìn)一步提升Signed Ncut的分割效果。通過對(duì)Signed Ncut進(jìn)行線性近似,構(gòu)造了上界輔助函數(shù),基于圖割技術(shù)迭代地優(yōu)化逼近最優(yōu)解。實(shí)驗(yàn)表明,MRF正則化的SignedNcut具有更好的輪廓貼合性,在相關(guān)的統(tǒng)計(jì)指標(biāo)上表現(xiàn)更好。綜上所述,本文嘗試?yán)脦?quán)符號(hào)圖來表達(dá)像素之間的關(guān)系,將Signed Ncut與MRF正則化進(jìn)行了融合,為圖像分割提供了新思路,也擴(kuò)充了符號(hào)圖聚類的應(yīng)用。
【學(xué)位單位】：湖南師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：C81
【部分圖文】：

基于加權(quán)符號(hào)圖聚類和馬爾科夫隨機(jī)場的圖像分割的相似性大，則對(duì)應(yīng)的圖像也劃分為兩類，得到最終的圖像分割表２－１無符號(hào)圖上的典型聚類準(zhǔn)則??圖聚類方法?目標(biāo)函數(shù)??Ｍｉｎｉｍａｌ?ｃｕｔ［６］?Ｍｉｎｃｕｔ｛Ａ，Ｂ）＝?ｗ（ｕ，ｖ）??ｕｅＡ．ｖｅＢ??Ｎｏｒｍａｌｉｚｅｄ?ｃｕｔ［１１］?Ｎｃｕｔ（Ａ．Ｂ）?＝?ｃｕｔ＾＾?ｉ?ｃｕｔ＾＾??ｖｏｌ（Ａ）?ｖｏ?１（Ｂ）??Ｍｉｎ－ｍａｘ?ｃｕｔ［８］?ＭｍｃｕｔｉＡ．?Ｂ）?＝?ｃｕｆ（義，＋?ｃｕｔ（Ａ．?Ｂ）??ｃｕｔ?（Ａ．?Ａ）?ｃｕｔ（Ｂ．Ｂ）??Ｒａｔｉｏ?ｃｕｔ［１０］?Ｒｃｕｔ（４?Ｂ）＝ｃ－ｕｔ（＜Ａ，Ｂ＾?＋?ｃｌｌｔ＾Ａ，＾??、，）＼Ａ＼?＼Ｂ＼??

法存在一個(gè)很大的缺點(diǎn)，即更加傾向于在圖中切割單獨(dú)的頂點(diǎn)。因?yàn)槭剑ǎ玻玻┲袑?duì)??割的定義只考慮了兩個(gè)子圖之間的割最小，所以劃分的兩個(gè)子集之間任意增加一??條邊都會(huì)使割增大，所以最小割方法會(huì)傾向于分割單個(gè)頂點(diǎn)。圖２－２中顯示了這??種情況，若假設(shè)圖中邊的權(quán)重與兩點(diǎn)之間的距離成反比，可以看到分離出的頂點(diǎn)??ｎ，或頂點(diǎn)ｎ２的割值都很小。實(shí)際上，將任何一個(gè)處于右半部分的單獨(dú)頂點(diǎn)分割??出去的割值都會(huì)比將左右兩個(gè)部分分割開來的割值小，這就使得最小割的最優(yōu)解??傾向于分割出單個(gè)的頂點(diǎn)，難以得到最佳的劃分結(jié)果。??Ｉ??Ｉ?／??？蠹⑩?＃?Ｉ?Ａ??攀感瘳■?１?？?攀?Ｍｉｎ－ｃｕｔ?２??參？⑩Ｉ?＿??？?１籲?？??？?；?？?＃ｎ？?Ｍｉｎ－ｃｕｔ?１??ｂｅｔｔｅｒ?ｃｕｔ—??（??圖２－２最小割方法傾向于分割單個(gè)頂點(diǎn)??為了避免劃分出單個(gè)頂點(diǎn)這樣的不正常情況，Ｓｈｉ和Ｍａｌｉｋ提出了一種歸一??化的準(zhǔn)則來衡量分割效果，這個(gè)方法將割作為圖中與一個(gè)集合中所有頂點(diǎn)相關(guān)聯(lián)??的邊的一部分來計(jì)算，而不是僅僅只考慮連接兩個(gè)部分之間邊的權(quán)值，這種方法??稱為歸一化割（Ｎｏｒｍａｌｉｚｅｄ?Ｃｕｔ

（左圖為標(biāo)記圖像，右圖為分割的圖像）??（２）塊一致性約束??對(duì)應(yīng)于Ｐｎ－Ｐｏｔｔｓ模型，文＿在任意的高階基團(tuán)集０上定義了一個(gè)有用的塊一??致性約束�；鶊F(tuán)為預(yù)先定義好的頂點(diǎn)子集，例如超像素或者具有相同顏色??和特征的一塊像素。該模型針對(duì)每個(gè)基團(tuán)內(nèi)的分割不一致性進(jìn)行懲罰：??（２－１３）??ｑ＾Ｑ?ｑ＾Ｆ??其中，Ｔ為一個(gè)閾值，丨ｘｊ＊?＝?ｍａｘｅ?為０內(nèi)最大分割的頂點(diǎn)數(shù)。顯然，??當(dāng)每個(gè)基團(tuán)內(nèi)均具有一個(gè)分割時(shí)，上述勢(shì)函數(shù)達(dá)到最小值０。圖２－７為塊一致性??約束構(gòu)造圖，灰色部分的四個(gè)頂點(diǎn)為一個(gè)塊，若這四個(gè)頂點(diǎn)被劃分為不同的區(qū)域，??則罰值會(huì)加大。圖２－８塊一致性約束在語義圖像分割中的應(yīng)用，左圖為原圖，右??圖為語義圖像分割中的相同塊，將這幅圖像分割為天空、樹、建筑、草地四部分。??
【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 溫菊屏;鐘勇;;圖聚類的算法及其在社會(huì)關(guān)系網(wǎng)絡(luò)中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用與軟件;2012年02期

2 陸明俊,王潤生;基于MRF模型的可靠的圖像分割[J];電子學(xué)報(bào);1999年02期

本文編號(hào)：2852018