论文部分内容阅读
图像目标分割是对图像中的像素点进行分类的过程,经过多年发展,传统的单目图像目标分割技术已经十分成熟,可以较准确地分割出图像中的前景目标。随着双目立体视觉技术的逐渐成熟,双目立体相机不断增多,双目图像数据大量增长,双目图像目标分割受到了更多学者关注,双目图像目标分割在计算机视觉领域也越来越重要。通常情况下,图像中的前景和背景一般处于不同的深度中,因此,通过深度特征可以更好地分辨出图像的前景和背景。相比传统的单目图像,双目图像中隐含着被拍摄场景的深度信息,因此,如何有效地使用双目图像的深度信息来提升分割效果成为了双目图像目标分割方法的关键。本文将深度信息引入Graph Cuts图像分割方法,从而提升图像分割效果,主要研究内容如下:(1)提出了邻域加强的Graph Cuts双目图像分割方法。首先,将双目图像的颜色特征与深度特征整合,通过整合后的特征构建出图模型的前景/背景概率模型;然后,构建图模型的三种邻域系统,(a)找出图像中空间位置相邻的像素点对,构造传统的邻域系统,(b)通过左右视差图一致性检测找出正确匹配的像素点对,构造跨左右视图的邻域系统,(c)在特征空间中找出与每个像素点最相似的前K个像素点,构造特征空间的邻域系统;最后,构造出图模型,通过Graph Cuts算法进行能量最小化,得到最终分割结果。实验结果表明,该方法的分割结果更准确。(2)提出了多特征选择的Graph Cuts双目图像目标分割方法。由于(1)中的方法在目标边缘处的效果不好,针对该问题提出了多特征选择的分割方法,将图像分割问题转化为多分类问题处理。首先,分别在双目图像的颜色、纹理和深度特征上计算双目图像中像素点的前景和背景概率,构建出前景/背景概率模型;然后,针对(1)中方法的三种邻域系统的特点,分别对他们进行修改,以将其应用于多分类Graph Cuts框架,构建出图模型的邻域系统;最后,构造好图模型,通过多分类Graph Cuts算法进行能量最小化,得到分割结果。实验结果表明,该方法在目标边缘处的分割结果比(1)中的方法更好,最终分割结果比(1)中的方法更准确。