一种适用于网络图像集的联合分割方法

发布时间：2017-10-09 10:03

  本文关键词：一种适用于网络图像集的联合分割方法

  更多相关文章： 联合分割 联合显著性 Grabcut 结构相似性比较 物体性

【摘要】：图像分割是计算机视觉领域中的最重要并且也最具挑战性的研究领域,它可以应用于视觉领域的多个方向,比如物体检测,场景分析和物体识别等。传统的图像分割方法主要是关注单张图片的分割,比如通过颜色的差异,边缘的对比等一些特征得到一个局部的连贯区域。但是在某些图像中,物体的特征不显著,如对比度不足或边缘不明显等等。在这种情况下如果不提供一些相应的先验知识,传统的无监督单图像分割方法是很难得到一个精确的分割结果。为了解决这个问题,人们随后提出了交互式的图像分割技术。交互式分割是数字图像处理中重要的一部分,它可以通过用户的交互提高分割的准确性。但是交互式的方法会大大增加用户的工作量。目前人们又提出了一种新的联合分割方法。该方法不仅可以减少用户的操作,并且可以提高分割的准确性。联合分割是在一系列具有相似物体的图像中提取出目标物体。通过这一系列的相似图像,计算出图像中的共同特征,从而得到所期望的目标区域。这种方法弥补了传统的图像分割时先验知识不足的问题。在日常生活中,联合分割可以应用在很多方面,例如1)在社交网站中,用户们很喜欢上传一些具有相同物体的照片,比如自拍照,那么工程师可以利用联合分割技术得到该用户最感兴趣的目标区域,从而做一些视觉的分析工作。2)联合分割还可以很方便的分割由用户通过关键字搜索(例如谷歌)得出的图片集中的目标区域。目前常用的联合分割方法会基于一个前提,即图像集合中的所有图片都会包含目标区域。但是我们会发现在一些图像序列中有可能存在噪声,即该图像不包含目标物体或我们期望的物体不是该图像的主要内容,例如上述通过图像搜索引擎得来的网络图片集中很有可能包含一些噪声图像,那么这种情况将会制约大部分联合分割方法的使用。为了解决这一问题,Michael Rubinstein在[6]中提出了一种联合分割方法可以处理噪声图像。虽然该方法可以分割出具有不同形状,纹理以及视角的公共物体,但是该方法时间效率较低,运算量较大。由于考虑到图像搜索引擎技术的进一步完善,搜索的结果会越来越准确,内容也会越来越统一,所以我们将之前用于处理不同形状,纹理以及视角的公共物体的复杂方法简化为只采用一些简单的特征进行网络图像集的分割,从而提高分割的效率。因此,本文提出一种简单而有效的联合分割方法用于在具有噪声的图像集中发现和提取目标物体。
【关键词】：联合分割 联合显著性 Grabcut 结构相似性比较 物体性
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 引言12-18
• 1.1 研究背景和意义12-13
• 1.2 国内外研究现状13-17
• 1.2.1 联合分割研究现状13-16
• 1.2.2 视觉显著性研究现状16-17
• 1.3 主要研究内容以及创新点17
• 1.4 本文组织结构17-18
• 第二章 研究基础18-33
• 2.1 显著性18-21
• 2.1.1 显著性理论基础18-19
• 2.1.2 RC19-21
• 2.2 物体检测21-24
• 2.2.1 什么是物体?21-23
• 2.2.2 BING23-24
• 2.3 Grabcut24-33
• 2.3.1 图像分割理论基础24-25
• 2.3.2 Graph-cut25-29
• 2.3.3 高斯混合模型29
• 2.3.4 基于Graph-cut的改进方法：Grabcut29-33
• 第三章 前景估计33-39
• 3.1 一种新的co-saliency模型的构造方法33-35
• 3.2 一种新的基于一般性物体检测BING的窗口得分策略35-39
• 第四章 前景相似性比较39-43
• 4.1 SSIM(结构相似性)39-40
• 4.2 一种新的基于SSIM的前景相似性比较算法40-43
• 第五章 有向图的构建43-47
• 5.1 有向无环图43-44
• 5.2 路径权重44-45
• 5.3 最短路径45-47
• 第六章 实验结果展示47-52
• 6.1 iCoseg数据库47-50
• 6.2 MSRC数据库50
• 6.3 Internet数据集50-51
• 6.4 图像搜索引擎数据集51-52
• 第七章 总结和展望52-53
• 参考文献53-56
• 致谢56-57
• 攻读学位期间发表学术论文目录57-58
• 攻读学位期间参与科研项目情况58-59
• 学位论文评阅及答辩情况表59

【相似文献】

中国期刊全文数据库 前10条

1 王锐拓;赵耀;林春雨;白慧慧;刘美琴;;基于图像集大小优化的图像集压缩算法[J];铁道学报;2014年07期

2 华艳秋;;浅谈图像集在视觉概念检测中的应用[J];科技资讯;2012年20期

3 汪粼波;郭延文;夏天辰;金国平;;样本驱动的半自动图像集前背景分割[J];计算机辅助设计与图形学学报;2013年06期

4 余平;杨有;尚晋;;基于模板差分的档案图像集合冗余压缩研究[J];计算机科学;2011年07期

5 曾青松;;黎曼流形上的保局投影在图像集匹配中的应用[J];中国图象图形学报;2014年03期

6 曾青松;;基于支持向量域描述的图像集匹配[J];模式识别与人工智能;2014年08期

7 包金宇;王慧斌;陈哲;沈洁;;基于背景图像集与稀疏分析的运动目标检测[J];计算机应用;2013年05期

8 王耀明,王仲国,沈毅俊;图像集的离散度矩阵及其在人脸图像识别中的应用[J];计算机应用与软件;2001年05期

9 詹宇斌;殷建平;李宽;;缺失像素图像集的流形学习算法[J];吉林大学学报(工学版);2011年03期

10 宋文娟;于威威;;一种应用PCA的人脸图像集识别方法[J];现代计算机(专业版);2014年12期

中国重要报纸全文数据库 前1条

1 来新夏;可供历史实证的图像[N];中华新闻报;2006年

中国博士学位论文全文数据库 前1条

1 赵烨;大规模图像集自动摘要技术研究[D];合肥工业大学;2014年

中国硕士学位论文全文数据库 前9条

1 李岳尊;一种适用于网络图像集的联合分割方法[D];山东大学;2015年

2 李锐杰;基于LBP的人脸图像集识别算法的研究[D];吉林大学;2014年

3 吴斌炜;互联网旅游信息挖掘和展示技术研究[D];浙江大学;2011年

4 盖健;基于旋转不变LBP的图像集人脸识别算法[D];吉林大学;2015年

5 宁尚军;基于R_1-PCA的图像集人脸识别算法的研究[D];吉林大学;2015年

6 刘起芳;人体解剖图像集的可视化[D];北京交通大学;2007年

7 王辰;基于判别型典型相关分析的多流形识别[D];东北师范大学;2011年

8 陆瑶;基于图像集表示判别分析[D];辽宁师范大学;2013年

9 付彦伟;多视点视频内容分析与摘要技术研究[D];南京大学;2011年

，

本文编号：999551