【摘要】：對于復雜場景下的自然圖像,全自動圖像分割方法難以獲得與真實情況吻合的結(jié)果,人們常常采用交互式分割手段實現(xiàn)精確分割。然而,當前及背景中存在顏色相似的區(qū)域時,傳統(tǒng)半監(jiān)督圖像分割方法只能通過大量增加手工標記獲得精確分割結(jié)果。為此,本文提出一種結(jié)合半監(jiān)督學習的基于回歸預測的集成學習交互式圖像分割方法。通過集成兩個互補的樣條回歸函數(shù),將圖像分割視為一個非線性預測問題。首先,基于已標記樣本訓練出兩個在屬性上互補的多元自適應(yīng)回歸樣條學習器(multivariate adaptive regression splines,MARS)和薄板樣條回歸學習器(thin plate spline regression,TPSR);接著,提出一種基于聚類假設(shè)和半監(jiān)督學習的回歸器增強算法,該算法從未標記樣本中抽選部分樣本輔助訓練MARS和TPSR;然后,引入支持向量回歸方法(support vector regression,SVR)集成MARS和TPSR的預測結(jié)果;最后,對SVR集成結(jié)果進行Graph Cut圖像分割。在標準數(shù)據(jù)庫BSDS500和Pascal VOC上進行大量實驗,驗證了所提算法的有效性。大量對比實驗證實,所提算法在交互式自然圖像分割上的表現(xiàn)與當前最先進算法相當。
[Abstract]:For natural images in complex scenes, automatic image segmentation methods are difficult to obtain results consistent with the real situation, people often use interactive segmentation methods to achieve accurate segmentation. However, when there are similar color regions in the background and present, the traditional semi-supervised image segmentation method can only obtain accurate segmentation results by adding a large number of manual markers. In this paper, an integrated learning interactive image segmentation method based on regression prediction combined with semi-supervised learning is proposed. Image segmentation is regarded as a nonlinear prediction problem by integrating two complementary spline regression functions. Firstly, based on the labeled samples, two multivariate adaptive regression spline Learner (multivariate adaptive regression splines,MARS) and thin Spline regression Learner (thin plate spline regression,TPSR) are trained. Then, a regression enhancement algorithm based on clustering hypothesis and semi-supervised learning is proposed. The algorithm has never labeled the samples selected from the samples to assist in training MARS and TPSR;. Then, support vector regression (support vector regression,SVR) is introduced to integrate the prediction results of MARS and TPSR. Finally, the Graph Cut image segmentation of SVR ensemble results is carried out. A large number of experiments are carried out on the standard database BSDS500 and Pascal VOC to verify the effectiveness of the proposed algorithm. A large number of comparative experiments show that the proposed algorithm is comparable to the most advanced algorithms in interactive natural image segmentation.
【作者單位】： School
【基金】：supported by the National Natural Science Foundation of China(Nos.61071176,61171192,and 61272337) the Doctoral Fund of the Ministry of Education of China(No.20130162110013)
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 唐偉力;龍建忠;;一種基于降雨模型的圖像分割方法在礫巖圖像分割中的應(yīng)用[J];成都信息工程學院學報;2007年02期

2 黃曉莉;曾黃麟;王秀碧;劉永春;;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割[J];信息技術(shù);2008年09期

3 肖飛;綦星光;;圖像分割方法綜述[J];可編程控制器與工廠自動化;2009年11期

4 汪一休;;一種交互式圖像分割的修正優(yōu)化方法[J];中國科學技術(shù)大學學報;2010年02期

5 李丹;;圖像分割方法及其應(yīng)用研究[J];科技信息;2010年36期

6 龔永義;黃輝;于繼明;關(guān)履泰;;基于熵的兩區(qū)域圖像分割[J];中國圖象圖形學報;2011年05期

7 張甫;李興來;陳佳君;;淺談圖像分割方法的研究運用[J];科技創(chuàng)新與應(yīng)用;2012年04期

8 汪梅;何高明;賀杰;;常見圖像分割的技術(shù)分析與比較[J];計算機光盤軟件與應(yīng)用;2013年06期

9 魏慶;盧照敢;邵超;;基于復雜性指數(shù)的圖像分割必要性判別技術(shù)[J];計算機工程與應(yīng)用;2013年16期

10 陳曉丹;李思明;;圖像分割研究進展[J];現(xiàn)代計算機(專業(yè)版);2013年33期

相關(guān)會議論文 前10條

1 楊魁;趙志剛;;圖像分割技術(shù)綜述[A];2008年中國高校通信類院系學術(shù)研討會論文集（下冊）[C];2009年

2 楊暄;郭成安;李建華;;改進的脈沖耦合神經(jīng)網(wǎng)絡(luò)及其在圖像分割中的應(yīng)用[A];第十屆全國信號處理學術(shù)年會（CCSP-2001）論文集[C];2001年

3 楊生友;;圖像分割在醫(yī)學圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學會影像技術(shù)分會第十七次全國學術(shù)大會論文集[C];2009年

4 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學應(yīng)用[A];第十五屆全國圖象圖形學學術(shù)會議論文集[C];2010年

5 高嵐;胡友為;潘峰;盧凌;;基于小生境遺傳算法的SAR圖像分割[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術(shù)論壇（交通運輸工程學科）論文集（下冊）[C];2005年

6 孫莉;張艷寧;胡伏原;趙榮椿;;基于Gaussian-Hermite矩的SAR圖像分割[A];第十三屆全國圖象圖形學學術(shù)會議論文集[C];2006年

7 李盛;;基于協(xié)同聚類的圖像分割[A];第十四屆全國圖象圖形學學術(shù)會議論文集[C];2008年

8 張利;許家佗;;舌象圖像分割技術(shù)的研究與應(yīng)用進展[A];中華中醫(yī)藥學會中醫(yī)診斷學分會第十次學術(shù)研討會論文集[C];2009年

9 秦昆;李振宇;李輝;李德毅;;基于云模型和格網(wǎng)劃分的圖像分割方法[A];《測繪通報》測繪科學前沿技術(shù)論壇摘要集[C];2008年

10 高惠琳;竇麗華;陳文頡;謝剛;;圖像分割技術(shù)在醫(yī)學CT中的應(yīng)用[A];中國自動化學會控制理論專業(yè)委員會A卷[C];2011年

相關(guān)博士學位論文 前10條

1 白雪飛;基于視覺顯著性的圖像分割方法研究[D];山西大學;2014年

2 黃萬里;基于高分衛(wèi)星數(shù)據(jù)多尺度圖像分割方法的天山森林小班邊界提取研究[D];福建師范大學;2015年

3 王輝;圖像分割的最優(yōu)化和水平集方法研究[D];電子科技大學;2014年

4 高婧婧;腦部MR圖像分割理論研究[D];電子科技大學;2014年

5 潘改;偏微分方程在圖像分割中的應(yīng)用研究[D];東北大學;2013年

6 馮籍瀾;高分辨率SAR圖像分割與分類方法研究[D];電子科技大學;2015年

7 李偉斌;圖像分割中的變分模型與快速算法研究[D];國防科學技術(shù)大學;2014年

8 鄧曉政;基于免疫克隆選擇優(yōu)化和譜聚類的復雜圖像分割[D];西安電子科技大學;2014年

9 帥永e，

本文編號：2302515