基于聚类学习的目标分割质量评价方法研究

发布时间：2021-01-29 22:25

　　图像分割在计算机视觉中占有相当重要的地位,是目标识别,场景分析,目标检测等多种任务的预处理步骤。分割质量的好坏将对这些任务的输出产生影响。目前,最常用的分割质量评价方法是主观评价,但是该方法耗时耗力。客观评价方法包括有监督和无监督的评价方法,其中有监督分割质量评价方法需要人工分割结果或预处理的参考图像。不需要参考分割的无监督分割质量评价方法是实现在线分割质量评价的关键。为了获得更好的无监督分割质量评价性能,本文对基于聚类学习的目标分割质量评价方法进行研究,主要研究内容是基于边缘特征,采用聚类学习发现图像分割区域的局部空间结构特征,以块结构中包含的边缘信息作为分割质量评价的依据,设计并实现无监督评价方法。本文首先介绍了图像分割以及图像分割质量评价的国内外现状。然后介绍了本文涉及的相关技术,包含有监督评价方法,无监督评价方法,边缘特征聚类,聚类以及显著性检测。接下来,本文提出了一种基于图像边缘特征聚类的分割质量评价方法,详细介绍了其训练数据构建和评价分数的计算,并在分割评价数据库和三种不同分割粒度分割上对该方法进行了验证和对比实验。实验结果表明该方法的评价性能超越了F,Hw,Zeb,Frc... 

【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

图2-1分割质量评价方法层次结构图

(a) (b) (c) (d)图 2-2 Sobel 算子[10]此外，研究人员倾向于利用亮度、梯度和纹理等底层信息设计边缘特征，然后的学习范式对边缘和非边缘像素进行分类。Pb[50]边缘检测就是其中之一。Pb 通部图像亮度、颜色和纹理的差异预测每个像素在一定方向上成为边缘的后验概心是以每个像素点为原点构建固定大小的圆，然后沿过一定方向的直径将圆划半圆，计算两个半圆对应颜色直方图的卡方距离，依此作为梯度大小。图 2-3 检测示意图，方向为 /4的直径将圆划分为蓝红两个半圆。而后 mPb[51]将 Pb尺度，再然后 gPb[29]利用标准归一化割[52]并结合局部信息将 Pb 推广到了全局层边缘特征符合主观对边缘特性的理解。然而该类特征表示高层信息的能力有限效检测带有语义信息的边缘。

(b) (c) 图 2-2 Sobel 算子[10]倾向于利用亮度、梯度和纹理等底层信息设计缘和非边缘像素进行分类。Pb[50]边缘检测就是色和纹理的差异预测每个像素在一定方向上成点为原点构建固定大小的圆，然后沿过一定方半圆对应颜色直方图的卡方距离，依此作为梯向为 /4的直径将圆划分为蓝红两个半圆。而b[29]利用标准归一化割[52]并结合局部信息将 P观对边缘特性的理解。然而该类特征表示高层信息的边缘。


本文编号：3007714