图像分割是数字图像处理和计算机视觉中的一项重要研究,其任务是将图像中包含的前景物体提取出来,从而为图像检索、识别等相关视觉任务奠定了基础。现有的单幅前景分割算法通常基于用户交互展开,而图像集的前景分割算法多基于需大量标注图像训练的深度神经网络进行。虽然相关研究已取得了一定的进展,但由于图像内容的复杂性和多样性,对给定图像集进行前景分割仍是一个极具挑战性的问题。本文旨在研究同类前景图像集的前景分割技术,其基本策略是先交互式分割其中少量样本图像;再构建一种基于变换的卷积神经网络模型,用于学习同类前景之间的各种姿态变换。具体来说,本文研究的主要内容包括以下两方面:(1)融合局部和非局部特征关联的随机游走图像分割算法现有的基于图切割及随机游走的交互式图像分割算法,通常只关注单目标前景的分割,当图像中包含重复前景物体时,这些算法需要对每个目标进行多次交互标记,且分割效果通常欠佳。本文通过引入自然图像中的非局部性原理来改进传统的随机游走分割算法。非局部性原理指出自然图像中存在特征相近的非相邻区域,且这些区域可以相互表示。为此,我们对图像中的非相邻区域之间建立关联表示;进而构建非局部特征关联拉普拉斯矩阵,再与传统随机游走分割算法中构造的局部特征关联拉普拉斯矩阵相结合。利用局部和非局部的综合相关性指导最后的分割过程。.实验表明,传统的随机游走分割算法易在部分图像区域产生伪边界,结合了非局部特征关联的改进算法能够有效改善这一问题。且在分割重复目标时,只需对其中个别目标进行手动标定,减少了交互量。(2)基于变换卷积神经网络的同类前景图像集分割现有的卷积神经网络分割算法存在以下不足.· 1)通常需要提取图像的多级特征图来完成分割,对相似前景之间的几何相关性关注较少;2)模型的训练通常需要大量带有标注的训练集。相关研究表明对图像前景几何特性的预判能够有效提高图像前景匹配和识别率。鉴于此,我们构建了一个对前景姿态变换预判的卷积神经网络分割模型。特点是,训练时的输入是一个4通道图像,前3个通道为原始图像,旨在用来提取各种可用于分割的图像特征;第4个通道为变换掩码,用于估算待分割目标图像前景与训练图像前景之间姿态变化。变换掩码由训练样本的标注图像进行多次仿射和薄板样条变换得到。测试时,假定待测试目标前景的姿态可以由训练样本的前景姿态变化得到,将测试图像与训练样本的标注结合,由网络自动估算样本图像与测试图像之间的姿态变化并输出最终的分割结果。在仿真实验和10组蝴蝶图像数据集上的分割精度统计及实验对比显示,本文方法能够用少量训练样本完成对较大同类前景图像的有效分割。