论文部分内容阅读
近年来,图像协同分割逐渐成为图像分割领域的研究热点。作为一种弱监督分割方法,协同分割假设一组图像存在相同或相似的目标,从而利用该信息,实现比一幅图像更好的分割效果;相对于有监督分割方法,图像协同分割方法无需人工标记训练样本,具有更好的应用前景。在过去的十多年里,协同分割取得了巨大的发展,从基于马尔可夫随机场模型的协同分割方法发展到基于多种理论和模型的协同分割方法;从图像对的协同分割发展到多图像的协同分割;从单目标的协同分割发展到多目标的协同分割;从图像协同分割发展到视频协同分割。然而,当图像较为复杂时,目前方法的效果仍有待提高,研究图像协同分割具有重要的意义。 几何主动轮廓模型,即水平集方法,具有诸多优势,它能将图像数据信息、曲线固有属性等知识整合在一个能量泛函中;能够灵活地处理演化曲线的拓扑变化等。本文基于几何主动轮廓模型,研究图像协同分割方法,提出了两种改进方法: (1)提出了一种基于PCA重构误差的主动轮廓模型,实现图像协同分割。基于PCA的重构技术使用PCA正交基向量的线性组合重新构造原始数据,并使用重构误差来衡量重构效果。本文将PCA重构技术引入到图像协同分割方法中,通过PCA分解获取图像对中联合前景的基向量集以及每幅图像中背景的基向量集;采用这些基向量分别重构每幅图像的前景和背景,并基于重构误差设计相关正则项;将相关正则项加入主动轮廓模型中,通过迭代演化实现图像协同分割。 (2)提出了一种基于Hellinger距离的主动轮廓模型,实现图像协同分割。相对于其他距离度量,Hellinger距离满足三角不等式性质,常被用于衡量两个概率分布的相似性,且具有简单的形式。本文将Hellinger距离应用到图像协同分割方法中,测量图像中前背景概率分布、图像间前景概率分布之间的距离;基于这些距离设计主动轮廓模型的相关能量项,最后通过优化能量泛函实现图像协同分割。 本文选择了三种具有代表性的协同分割方法,在四个经典的数据库,即MSRC、images pairs、Coseg-rep和iCoseg上验证本文所提出方法的效果。实验结果表明,本文两种方法均取得了预期的效果;当图像较为复杂时,其效果优于目前主流方法。