论文部分内容阅读
随着互联网和多媒体技术的迅速发展，语义网络必将成为网络发展的下一阶段。图像的语义分割（Semantic Segmentation）是构建语义网络的基础，关键环节是寻找视频或图像基于内容的表示（Content-based Representation）。本课题的研究主要应用于基于视频的奶牛识别系统，其中，完成特定奶牛类图像的语义分割是实现该系统的基础。目前，语义分割面临的难题是底层特征向高层语义的映射，即“语义鸿沟”问题。本文利用词袋模型“Bag-of-Words”并结合基于内容和基于类的图像分割方法的优势，构建合理的语义映射模型，实现奶牛类图像的语义分割。本文根据目前的研究现状，主要进行了以下工作：1)基于多分辨率分析和分水岭变换技术，本文提出一种改进的多分辨率标记控制的分水岭分割算法。利用形态学重构去伪存真的优势提取出真实的区域极大值，再对重构结果求补后得到区域极小值，构建理想的标记模型；然后借助小波系数的三阶矩完成区域融合；最终利用小波逆变换将低分变率图像投影到高分辨率，完成从粗到细的分割。2)在基于类的Top-Down分割方法CSF-SEG(Class-specific FragmentSegmentation)的基础上，本文提出一种新的寻找对象基元CSF（Class Specific Fragment）的方法。同时构建CSF训练库和映射库用以指导新图像的分割，并利用相似性形准则找到图像的一个最佳覆盖，完成图像分割。3)基于词袋模型“Bag-of-Words”，并结合Top-Down和Bottom-Up准则的优点，本文提出一种有效的combined图像分割方法。首先使用基于词袋模型“Bag-of-Words”的Top-Down算法对图像初始分割，初始分割过程需要在YCbCr色彩空间中，采用基于小波变换的同态滤波算法，分别对训练图像和待分割图像做去光照预处理。然后将初始分割的结果作为Bottom-Up的输入，用改进的多尺度标记控制分水岭变换细化边缘，完成分割。算法的创新点：一，基于词袋模型，首先提取SIFT (Scale InvariantFeature Transform)局部特征描述子，经K均值聚类得到聚类中心作为视觉词汇表，利用相似性准则抽取有效的视觉词汇作为对象基元CSF，并匹配覆盖到待分割图像；二，利用改进的强制最小技术构建理想的标记模型。