论文部分内容阅读
如何将目标从图像的背景中分离出来是机器视觉领域所要解决的问题,图像分割是解决这个问题的关键。图像分割是将图像中具有特殊意义的不同区域分开,其分割结果的优劣将会影响到对图像的理解等后续处理过程。随着彩色图像的使用越来越广泛,而且彩色图像更符合人类的视觉习惯,所以人们越来越关注与对彩色图像分割方法的研究。基于支持向量机(Support Vector Machine,SVM)的图像分割方法是将图像的分割看作分类问题来实现的,这种方法通常需要人工选择和标记训练样本,因而得到的训练样本受主观因素影响较大,不但会降低图像分割的自适应性,而且所选取的训练样本质量很大程度上会影响到SVM的分类性能。基于视觉注意的图像处理方法由于其充分考虑到人类视觉的特性,其处理结果更加地符合人类视觉习惯,而越来越受到人们的重视。基于视觉注意的显著区检测方法虽然能比较准确地获得图像的显著区域,但是通常得到的显著区域边界大都是不准确的,很难直接用于图像分割。本文充分利用了SVM良好的学习和分类能力,与更符合人类视觉习惯的显著性检测方法相结合,能够很好地解决上述问题。本文的研究内容总结如下:(1)提出一种基于视觉注意的SVM自然场景彩色图像分割方法,称为VA-SVM分割方法,并对新方法进行了初步的探讨和研究。新方法首先利用基于视觉注意的方法将待分割图像进行预分割,在预分割的基础上自动选取和标注SVM的训练样本,最后用训练好的SVM分类器对整幅图像进行分割。(2)针对实验中VA-SVM分割方法对于在前景和背景中有相同颜色区域的图像,不能获得很好的分割结果的问题进行了研究,并且对VA-SVM分割方法进行了改进。针对(?)VA-SVM方法存在的问题,提出了基于量化颜色空间的VA-SVM分割方法和结合空间信息的VA-SVM分割方法。(3)对VA-SVM分割方法和改进后的分割方法分别在图像数据库和互联网等大量图像上进行了实验,实验结果表明本文方法的分割结果与人类视觉习惯一致,并且与图像数据库中人工标注结果相比,分割效果较好,同时实验也验证了原先VA-SVM分割方法存在的问题得到了解决。图像分割是机器视觉中比较重要也是比较热门的研究方向,将具有很好学习和分类性能的SVM与更符合人类视觉习惯的基于视觉注意的方法结合起来用于图像分割能够取得更好的效果,并且使得结果更加的人性化。本文所做的工作不仅可以丰富支持向量机的理论与应用研究,而且可以拓宽视觉注意机制和支持向量机的应用范围,具有重要的理论意义和应用价值。