带约束的二阶TGV图像前后景分割模型研究

发布时间：2021-06-16 12:43

　　在图像分割过程中,通常一幅图像会被分成前景（目标区域）和背景（非目标区域）两部分,对图像分割所得的目标区域进行特征提取和分析有助于我们对图像所表示的物体的本质有更好地认识并提供相应的行为方案.本文针对传统的总变分（Total Variation,TV）图像前后景分割模型在分割过程中易产生阶梯效应和丢失图像细节信息而导致分割得到的图像质量下降的问题,提出了总广义变分（Total Generalized Variation,TGV）图像前后景分割模型.然后采用交互约束对分割进行指导,得到更加准确的目标前景.主要研究工作如下:1.针对传统TV图像前后景分割模型在分割过程中易导致阶梯效应的缺陷,提出了TGV图像前后景分割模型.新模型融合TV分割模型的数据项和TGV正则项,可充分发挥TGV能逼近任意阶多项式函数的优势,保护了图像的纹理和细节等重要结构信息.为进一步提升图像分割的质量,在TGV中引入边缘检测算子,提出了自适应TGV前后景分割模型,用于自适应区分图像的边缘和平滑区域.自适应TGV模型能在图像的边缘区域减弱扩散,较好地保护图像的边缘特征;在图像的平滑区域增强扩散,有效地消除噪声和抑制阶... 

【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

实验图像

35果图与TGV模型相比较,分割出的鞋子的底部边缘更加清晰.比较而言,通过标记矩形框进行交互约束的ICTGV模型,对于背景复杂或者前景与背景特征相似的图像有较好的分割效果.IGTGV模型可以较好地去除这类图像背景中被误分割的部分,同时可以使分割得到的前景更加完整.如图像Flower中,ICTGV模型不仅剔除了ATGV模型被误分割成背景的部分,而且对前景花朵的花心部分有更加完整的分割.再如图像Sponge和图像Stone,ICTGV模型得到的分割结果图有更加完整的前景.(a)画框图像(b)TV(c)TGV(d)ATGV(E)ICTGV图4-2不同模型分割效果比较

35果图与TGV模型相比较,分割出的鞋子的底部边缘更加清晰.比较而言,通过标记矩形框进行交互约束的ICTGV模型,对于背景复杂或者前景与背景特征相似的图像有较好的分割效果.IGTGV模型可以较好地去除这类图像背景中被误分割的部分,同时可以使分割得到的前景更加完整.如图像Flower中,ICTGV模型不仅剔除了ATGV模型被误分割成背景的部分,而且对前景花朵的花心部分有更加完整的分割.再如图像Sponge和图像Stone,ICTGV模型得到的分割结果图有更加完整的前景.(a)画框图像(b)TV(c)TGV(d)ATGV(E)ICTGV图4-2不同模型分割效果比较

【参考文献】：
期刊论文
[1]二阶总广义变分图像修复模型及其算法[J]. 许建楼,冯象初,郝岩.  西安电子科技大学学报. 2012(05)
[2]聚类算法研究[J]. 孙吉贵,刘杰,赵连宇.  软件学报. 2008(01)

博士论文
[1]图像分割的变分模型及数值实现[D]. 吴永飞.重庆大学 2016



本文编号：3233100