本文選題：目標分割　切入點：形狀先驗　出處：《浙江大學》2017年博士論文　論文類型：學位論文

【摘要】：利用計算機模擬人眼的功能準確分割圖像中的目標,對于計算機視覺和圖像處理至關重要。由于在實際圖像中,目標可能受到噪聲、遮擋、缺損或背景粘連等因素的影響,僅依賴圖像本身的信息對目標進行分割往往效果不佳�；谛螤钕闰炆蛇^完備形狀字典,并結合稀疏表示模型對目標分割過程進行監(jiān)督可較好的改善分割效果。本文在深入分析了國際上一些經(jīng)典的稀疏形狀表示模型和變分分割方法的基礎上,重點研究了形狀的稀疏表示方法、映射空間過完備字典的生成方法以及結合稀疏表示的變分目標分割方法等內(nèi)容,提出了多種基于形狀先驗的變分稀疏分割模型。論文的主要工作和創(chuàng)新之處在于:1.基于相關命題推出通過擴展形狀映射系數(shù)的定義,可基于映射公式構造形狀凸集和其稀疏子集。利用上述子集中的稀疏組合約束輸入目標在形狀凸集上的投影,可進一步建立基于映射空間的變分稀疏分割模型。論文對結合獨立形狀分量和非線性核空間的凸形狀集研究表明,上述基于映射凸集的變分稀疏形狀表示方法具有一定的通用性,該方法也為建立映射空間變分稀疏分割模型提供了一種新的思路。2.結合變分水平集方法、獨立形狀分量和稀疏形狀表示,提出了一種基于稀疏獨立分量表示的變分目標分割方法。該方法解決了直接使用獨立分量構造稀疏形狀組合無法確保重建形狀的有效性問題。此外,模型還使用對數(shù)極坐標形狀代替原始形狀,實現(xiàn)了稀疏形狀表示模型中的目標自動對齊。通過在獨立形狀分量張成的空間中構造映射形狀集,并迭代求解水平集函數(shù)在該形狀集上的稀疏表示等方法,解決了利用稀疏獨立分量表示模型監(jiān)督變分目標分割的問題。3.本文結合近期發(fā)展起來的“Wake-sleep”優(yōu)化方法,提出了一種分層分割框架。該框架將能量最小化過程分解為“Wake”和“Sleep”兩個階段,通過“Wake”階段強化模型對底層圖像的表達。同時,通過“Sleep”階段強化高層能量對輸入形狀的表示。此外,本文還提出一個對偶連接能量項來平衡“Wake”和“Sleep”階段的演化。綜合上述幾項技術,本文構建了一種基于隱含核稀疏形狀表示的變分分割模型,該模型解決了非線性核空間中稀疏近鄰的搜索問題及利用隱含核形狀表示指導底層變分目標分割的問題。4.針對小樣本情況下過完備字典形狀表示能力弱的缺陷,提出了一種基于映射字典群的變分稀疏分割模型。該模型在傳統(tǒng)稀疏表示函數(shù)中引入了局部約束項和局部權重系數(shù)來實現(xiàn)形狀的局部調整。與傳統(tǒng)方法相比,新的模型充分挖掘了訓練集中的形狀信息,大幅提高了基于形狀先驗的變分稀疏分割模型在小樣本情況下的形狀表達能力,解決了目標存在局部形變的情況下,現(xiàn)有變分稀疏分割方法無法充分利用訓練集樣本的局部特征重建目標形狀的問題。5.提出了距離約束概率形狀和對數(shù)極坐標模糊分解兩種形狀建模方法,改善了傳統(tǒng)稀疏組合形變能力不足的問題。其中,基于距離約束的概率形狀通過引入距離約束的概念模擬了平均形狀普遍存在的“過渡帶”特征,拓展了單個形狀樣本的內(nèi)涵。基于對數(shù)極坐標模糊分解的形狀字典生成方法對訓練集形狀進行了更深層次的分解和挖掘,為小樣本情況下構建過完備形狀字典群提供了更加豐富的信息,大幅改善了小樣本情況下的分割精度。論文在公開數(shù)據(jù)集和自建數(shù)據(jù)集上的實驗結果表明,上述基于形狀先驗的變分稀疏分割模型具備較好的分割精度和噪聲魯棒性。
[Abstract]:Accurate segmentation of the object in the image using computer to simulate human eyes features for computer vision and image processing is very important. Due to the actual image, the target may be affected by noise, occlusion, effect of defect or background adhesion and other factors, the target segmentation is often ineffective only depend on the image itself. Based on the prior shape generates a complete shape the dictionary, and combined with the sparse representation model of target segmentation process supervision can better improve the segmentation effects. Based on the in-depth analysis of the shape of some classical sparse representation based on the model and variational segmentation methods, focusing on the shape of the sparse representation method, method of generating space mapping over complete dictionary and the sparse representation the variational target segmentation method, put forward a variety of shape prior variational sparse image segmentation model based on the main. The work and innovations: 1. based on the related proposition launched by the expansion of the definition of shape mapping coefficient, mapping formula is constructed and its convex shape based on sparse subset. Sparse constrained combinatorial input target using the subset in the shape of projection on convex set, can further build mapping space variational image segmentation model based on the sparse. The shape of convex shape with independent component and nonlinear kernel space research show that the mapping of convex variational method based on sparse representation of shape has certain versatility, this method also sparse segmentation model provides a new method combining.2. with variational level set method for establishing the mapping space, independent component shape and sparse shape representation, the paper proposes a segmentation method based on sparse representation independent component variational target. The method solves the problem of directly using independent component structure sparsed To ensure the effectiveness of the combination of shape reconstruction of shape. In addition, the model also uses log polar shape instead of the original shape, the shape of said automatic target alignment sparse model. By constructing a map shape in a shape independent component space set, and iterative solution of the level set function in the shape of the sparse set. Said method, it solves the sparse representation model of independent component supervision variational target segmentation problem of.3. combined with the recent development of "Wake-sleep" optimization method, proposes a hierarchical segmentation framework. The framework of the energy minimization process is decomposed into "Wake" and "Sleep" two stages, enhanced the expression of the underlying model the image through the "Wake" stage. At the same time, through the "Sleep" stage to enhance the senior energy input shapes. In addition, this paper also offers a dual energy connection To balance the evolution of the "Wake" and "Sleep" stage. The above technique, this paper constructs a sparse hidden nuclear shape representation based on variational segmentation model, the model solves the problem of nonlinear kernel space search and sparse neighbor by hidden nuclear shape representation to guide the underlying variational segmentation problem.4. in the case of small samples over complete dictionary weak shape representation, we propose a segmentation model based on sparse dictionary mapping group. The model indicates that the partial adjustment function was introduced in the local constraints and local weights to achieve the shape in the traditional sparse. Compared with traditional methods, the new model fully tap the shape information in the training set, a substantial increase in the ability to express the shape of variational sparse segmentation model in the case of small samples based on the shape of the target, to solve the existence of local shape Under the condition of variable,.5. local feature reconstruction target shape problem existing variational sparse segmentation method can not make full use of the training sample set the distance constraint probability shape and log polar fuzzy decomposition two shape modeling method, improved the traditional sparse combination deformation capacity problem which, based on the probability of shape by distance constraint the introduction of the concept of distance constraint to simulate the average shape of widespread "transition zone" feature, expand the connotation of individual shapes. The shape of sample log polar fuzzy dictionary generation method based on the decomposition of the training set shape is decomposed and deeper, for the case of small samples to construct overcomplete dictionary group provides shape more information is greatly improved under the condition of small samples. The accuracy of segmentation in the public data sets and built experimental results on the dataset table It is clear that the proposed variational sparse segmentation model based on shape prior has better segmentation precision and noise robustness.

【學位授予單位】：浙江大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 崔穎;江成順;;無約束圖像分割模型的快速數(shù)值算法[J];小型微型計算機系統(tǒng);2012年02期

2 詹天明;肖亮;張軍;韋志輝;;基于時空連續(xù)約束的4D腦圖像分割模型[J];電子學報;2013年08期

3 董建磊;郝礦榮;李允明;丁永生;;一種新的知覺分割模型[J];計算機應用研究;2007年04期

4 喻罡;李鵬;繆亞林;卞正中;;多分辨超聲心動圖像分割模型[J];西安交通大學學報;2006年04期

5 孫曉歡;楊豐;趙祺陽;;改進的分級多相圖像分割模型及其快速實現(xiàn)[J];數(shù)據(jù)采集與處理;2010年01期

6 俞璐;謝鈞;吳樂南;;格點上的一種統(tǒng)計分割模型(英文)[J];Journal of Southeast University(English Edition);2008年01期

7 王海軍;張圣燕;;融合局部和全局信息的兩相腦圖分割模型[J];濱州學院學報;2013年06期

8 吳繼明;龐雄文;;一種具有去噪能力的全局最小值分割模型[J];計算機工程;2012年07期

9 趙在新;成禮智;;模糊分段光滑圖像分割模型及其快速算法[J];光電子.激光;2011年06期

10 楊曉藝;王小歡;宋錦萍;;連續(xù)最大流圖像分割模型及算法[J];中國圖象圖形學報;2013年11期

相關會議論文 前10條

1 徐濤;;時間序列優(yōu)化分割模型和提取算法[A];2006中國控制與決策學術年會論文集[C];2006年

2 葉娜;鄭妍;朱靖波;張斌;;基于二維動態(tài)規(guī)劃的文本分割模型[A];第三屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2007年

3 文和平;綦耀光;柯映林;程耀東;;常用刀具的優(yōu)化分割模型[A];第一屆全國幾何設計與計算學術會議論文集[C];2002年

4 葉娜;羅海濤;鄭妍;朱靖波;張斌;;基于改進型Dotplotting的文本分割模型[A];中文信息處理前沿進展——中國中文信息學會二十五周年學術會議論文集[C];2006年

5 全剛;徐鐘;孫即祥;;一種改進的C-V圖像分割模型[A];第十四屆全國信號處理學術年會(CCSP-2009)論文集[C];2009年

6 張世學;吳恩華;;基于形狀特征與變形保持的動態(tài)模型簡化[A];中國計算機圖形學進展2008--第七屆中國計算機圖形學大會論文集[C];2008年

7 高劑斌;李裕梅;;基于復雜網(wǎng)絡的圖像形狀特征提取及多特征融合方案探究[A];中國系統(tǒng)工程學會第十八屆學術年會論文集——A12系統(tǒng)科學與系統(tǒng)工程理論在各個領域中的應用研究[C];2014年

8 胡帆;廖斌;薛巧平;;基于輪廓的形狀特征提取方法[A];2011年通信與信息技術新進展——第八屆中國通信學會學術年會論文集[C];2011年

9 路陽;董宏麗;;基于MATLAB實現(xiàn)水稻顆粒圖像形狀特征分析[A];黑龍江省計算機學會2007年學術交流年會論文集[C];2007年

10 李連;朱愛紅;;基于形狀的圖像檢索技術研究[A];’2004計算機應用技術交流會議論文集[C];2004年

相關博士學位論文 前10條

1 姚勁草;基于形狀先驗的變分稀疏分割模型研究[D];浙江大學;2017年

2 張秀君;顯著性目標分割模型及其應用[D];深圳大學;2016年

3 趙偉;自由形狀特征的重用與抑制[D];浙江大學;2008年

4 原野;偏微分方程圖像分割模型研究[D];重慶大學;2012年

5 王青;反求工程中基于變形的自由形狀特征重構[D];浙江大學;2006年

6 葛琦;基于局部統(tǒng)計和結構的活動輪廓分割模型[D];南京理工大學;2013年

7 陳飛;基于形狀先驗的同時分割與識別研究[D];浙江大學;2013年

8 柴倫紹;具有形變魯棒性的形狀特征研究及其在檢索中的應用[D];北京郵電大學;2014年

9 桂江生;二維水果形狀檢測與分類算法研究[D];浙江大學;2007年

10 賈棋;形狀不變特征提取及應用研究[D];大連理工大學;2014年

相關碩士學位論文 前10條

1 李春;基于Chan-Vese圖像分割模型的研究與應用[D];中央民族大學;2015年

2 林靜;PDE分割模型中的局部窗口動態(tài)調整及Bregman實現(xiàn)[D];福州大學;2014年

3 龔海晏;基于Ambrosio-Tortorelli圖像分割模型的研究與應用[D];安徽工業(yè)大學;2016年

4 尹溶芳;兩個變分圖像分割模型的數(shù)值求解[D];重慶大學;2016年

5 王昊;基于位置與形狀建模的視覺媒體語義分割研究[D];南京大學;2014年

6 張陳;融合局部和全局信息的活動輪廓分割模型研究[D];深圳大學;2017年

7 張娜;基于全局凸分割模型的兩相圖像分割研究[D];青島大學;2010年

8 王小歡;連續(xù)最大流圖像分割模型及其算法[D];河南大學;2013年

9 彭小朋;一種腦MRI圖像的混合分割模型[D];上海交通大學;2010年

10 李祁鳳;多相M-S模型最小圖分割理論與醫(yī)學應用研究[D];湖南大學;2011年

，

本文編號：1645931