基于简单交互的图像重复元素提取

发布时间：2021-09-11 13:13

　　图像分割是图像理解和计算机视觉领域的重要内容,应用的范围之广遍及医学,航空航天,图形学,机器人领域等,在理论研究和现实应用中得到了人们的高度重视。图像分割是图像从处理到分析的重要环节,分割结果的优劣直接影响着更进一步的信息处理。因此图像分割在整个图像处理当中,承担着基石的作用,对下一步的特征提取等有着重要的影响。而重复元素又是在我们生活中扮演着不可或缺的角色,从图像中自动分离出重复元素具有实际的意义,能够减轻重复的搜索工作,把所有同类的重复元素当成一个整体来看待处理,直接把重复元素分离出来。而目前所有的研究,都需要用户提供关于重复元素的信息,用于在全图中匹配,我们提出了一种更加智能地提取重复元素的框架,可用于快速查找重复元素。本文的主要内容是通过简单交互快速提取图像中的重复元素,给定一幅带有重复元素的彩色图像,用户粗略的选择重复元素所在的区域,我们便能从中得到精确的重复元素,并且在很大程度上符合用户的期望。我们运用超像素为算法提供加速,并且沿着这个思路将所有超像素再一次聚类,这是为了从毫无语义信息的超像素中获取粗糙前景的像素信息。依照重复元素的性质和用户交互的笔刷信息,从三个方面衡量两... 

【文章来源】：深圳大学广东省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图割算法流程示意图

基于简单交互的图像重复元素提取12此处的图和普通的图稍有不同。GraphCut图是在普通图的基础上多了2个不同类型的顶点，分别为图2.1中的S和T点，统称为终端顶点，分别对应于图中的前景和背景的终端顶点，与这两个顶点的连线对应的是每个点到前景或背景的联系，这些边通过点之间的特征被赋予不同的权重。除了这两个终端顶点外，其它所有的顶点都必须和这2个顶点相连形成边集合中的一部分。所以算法中有两种顶点，也有两种边。第一种顶点和边是：第一种普通顶点对应于图像中的每个像素。每两个邻域顶点（对应于图像中每两个邻域像素）的连接就是一条边，这种边也叫n-links。第二种顶点和边是：除图像像素外，还有另外两个终端顶点，叫S（source：源点）和T（sink：汇点）。每个普通顶点和这2个终端顶点之间都有连接，组成第二种边。这种边也叫t-links。图中边的权值大小决定了最后的分割结果，图像的割（图2.1中的d图）就是把图像分割作为马尔科夫随机场（MRF）的能量最小化问题，得到前景和背景的像素集，而分割模型的能量式为：()=()+()(2-1)R(L)为区域项，B(L)代表边界项，边界平滑项是相邻像素之间的不连续惩罚。通过最小化能量得到分割的前景和背景部分。对于重复元素，Huang[41]等人对此提出了改进，将能量项定义为：()=∑()∈+∑,(,)<∈+∑,·(,),m∈(2-2)它的区别在于增加了基于重复相似性的扩展领域系统H，像素n和像素m之间有着重复相似性，相似度量在某个阈值内这两个像素之间就能建立起一条新的边，参考图2.3与图2.2之间的区别。图2.2基础s-t构造图[26]

基于简单交互的图像重复元素提取13图2.3RepSnapping[26]算法s-t构造图Huang[41]等人通过求解基于相似特征构建二维图得到最优化目标函数的解实现重复元素的分割，实际上是对传统的基于马尔可夫随机场的图像分割方法进行改进，在模型中增加了一项可用于同时分割重复物体的平滑项惩罚，同样的转化为最大流/最小割进行有效求解。2.2.2基于协同分割的重复元素提取图像协同分割是指从包含共同对象的图像组中分割出共同对象的问题，如图2.4，这里的共同对象往往就是前景部分。Rother[28]等人在MRF分割模型基础上增加两幅图像区域相似性的全局项，利用最小化Gibbs能量得到分割结果。这种方法通过惩罚两个区域的不相似性来衡量前景的一致性。许多研究学者在此基础之上探索优化了基于MRF的协同分割算法。Hochbaum等人[29]就是针对该问题提出奖励机制，在适当构造的图上使用最大流来求解多项式时间的最优性。该模型尝试同时最小化MRF模型中每个图像的分离和偏差项，以及最大化两个图像中前景特征之间的相似性。图2.4包含共同对象的图像组[29]


本文编号：3393062