圖像分割是圖像理解和計算機視覺領(lǐng)域的重要內(nèi)容,應(yīng)用的范圍之廣遍及醫(yī)學(xué),航空航天,圖形學(xué),機器人領(lǐng)域等,在理論研究和現(xiàn)實應(yīng)用中得到了人們的高度重視。圖像分割是圖像從處理到分析的重要環(huán)節(jié),分割結(jié)果的優(yōu)劣直接影響著更進一步的信息處理。因此圖像分割在整個圖像處理當中,承擔著基石的作用,對下一步的特征提取等有著重要的影響。而重復(fù)元素又是在我們生活中扮演著不可或缺的角色,從圖像中自動分離出重復(fù)元素具有實際的意義,能夠減輕重復(fù)的搜索工作,把所有同類的重復(fù)元素當成一個整體來看待處理,直接把重復(fù)元素分離出來。而目前所有的研究,都需要用戶提供關(guān)于重復(fù)元素的信息,用于在全圖中匹配,我們提出了一種更加智能地提取重復(fù)元素的框架,可用于快速查找重復(fù)元素。本文的主要內(nèi)容是通過簡單交互快速提取圖像中的重復(fù)元素,給定一幅帶有重復(fù)元素的彩色圖像,用戶粗略的選擇重復(fù)元素所在的區(qū)域,我們便能從中得到精確的重復(fù)元素,并且在很大程度上符合用戶的期望。我們運用超像素為算法提供加速,并且沿著這個思路將所有超像素再一次聚類,這是為了從毫無語義信息的超像素中獲取粗糙前景的像素信息。依照重復(fù)元素的性質(zhì)和用戶交互的筆刷信息,從三個方面衡量兩... 

【文章來源】：深圳大學(xué)廣東省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖割算法流程示意圖

基于簡單交互的圖像重復(fù)元素提取12此處的圖和普通的圖稍有不同。GraphCut圖是在普通圖的基礎(chǔ)上多了2個不同類型的頂點，分別為圖2.1中的S和T點，統(tǒng)稱為終端頂點，分別對應(yīng)于圖中的前景和背景的終端頂點，與這兩個頂點的連線對應(yīng)的是每個點到前景或背景的聯(lián)系，這些邊通過點之間的特征被賦予不同的權(quán)重。除了這兩個終端頂點外，其它所有的頂點都必須和這2個頂點相連形成邊集合中的一部分。所以算法中有兩種頂點，也有兩種邊。第一種頂點和邊是：第一種普通頂點對應(yīng)于圖像中的每個像素。每兩個鄰域頂點（對應(yīng)于圖像中每兩個鄰域像素）的連接就是一條邊，這種邊也叫n-links。第二種頂點和邊是：除圖像像素外，還有另外兩個終端頂點，叫S（source：源點）和T（sink：匯點）。每個普通頂點和這2個終端頂點之間都有連接，組成第二種邊。這種邊也叫t-links。圖中邊的權(quán)值大小決定了最后的分割結(jié)果，圖像的割（圖2.1中的d圖）就是把圖像分割作為馬爾科夫隨機場（MRF）的能量最小化問題，得到前景和背景的像素集，而分割模型的能量式為：()=()+()(2-1)R(L)為區(qū)域項，B(L)代表邊界項，邊界平滑項是相鄰像素之間的不連續(xù)懲罰。通過最小化能量得到分割的前景和背景部分。對于重復(fù)元素，Huang[41]等人對此提出了改進，將能量項定義為：()=∑()∈+∑,(,)<∈+∑,·(,),m∈(2-2)它的區(qū)別在于增加了基于重復(fù)相似性的擴展領(lǐng)域系統(tǒng)H，像素n和像素m之間有著重復(fù)相似性，相似度量在某個閾值內(nèi)這兩個像素之間就能建立起一條新的邊，參考圖2.3與圖2.2之間的區(qū)別。圖2.2基礎(chǔ)s-t構(gòu)造圖[26]

基于簡單交互的圖像重復(fù)元素提取13圖2.3RepSnapping[26]算法s-t構(gòu)造圖Huang[41]等人通過求解基于相似特征構(gòu)建二維圖得到最優(yōu)化目標函數(shù)的解實現(xiàn)重復(fù)元素的分割，實際上是對傳統(tǒng)的基于馬爾可夫隨機場的圖像分割方法進行改進，在模型中增加了一項可用于同時分割重復(fù)物體的平滑項懲罰，同樣的轉(zhuǎn)化為最大流/最小割進行有效求解。2.2.2基于協(xié)同分割的重復(fù)元素提取圖像協(xié)同分割是指從包含共同對象的圖像組中分割出共同對象的問題，如圖2.4，這里的共同對象往往就是前景部分。Rother[28]等人在MRF分割模型基礎(chǔ)上增加兩幅圖像區(qū)域相似性的全局項，利用最小化Gibbs能量得到分割結(jié)果。這種方法通過懲罰兩個區(qū)域的不相似性來衡量前景的一致性。許多研究學(xué)者在此基礎(chǔ)之上探索優(yōu)化了基于MRF的協(xié)同分割算法。Hochbaum等人[29]就是針對該問題提出獎勵機制，在適當構(gòu)造的圖上使用最大流來求解多項式時間的最優(yōu)性。該模型嘗試同時最小化MRF模型中每個圖像的分離和偏差項，以及最大化兩個圖像中前景特征之間的相似性。圖2.4包含共同對象的圖像組[29]


本文編號：3393062