图像中的超像素生成方法

发布时间：2018-05-09 05:51

  本文选题：超像素 + 图像过分割　； 参考：《山东大学》2017年博士论文

【摘要】：图像的过分割技术,也即超像素分割一般作为计算机视觉以及图像处理等领域中一个预处理步骤,是重要的研究课题之一。图像的超像素分割是指根据图像像素的各种特征(如颜色、纹理、空间位置等),对像素进行局部聚类,使得属于同一超像素内的像素具有相同或相似特征。相比于像素,超像素包含更多的局部信息,而且可以保持图像中大部分的边界及结构,因此超像素作为更高一层的处理单元,应用到图像处理以及计算机视觉等各种任务时,可以显著提高处理效率。由于自然图像自身的复杂性,在对图像进行超像素分割时,图像像素的各个特征会相互影响,互相制衡,如何有效利用图像像素的各种特征进行聚类,是图像的超像素分割的关键问题[1-4]。由于基于扩散的超像素分割算法[5,6]相比于其他算法可以考虑到更多的图像信息,本文主要基于扩散的超像素分割算法展开讨论。与其他超像素生成算法相比,从内向外扩散的算法不仅考虑了两个像素之间的直接信息,还考虑了它们之间路径上的信息,因而可以有效处理边界两边具有相似图像内容的情形。然而,传统的在二维图像上基于由内向外扩散的超像素分割算法一般基于测地距离或者水平集,过多的考虑了路径上的信息,因此不能较好的贴合模糊边界。另外,纹理作为图像中的一个重要特征,鲜少被应用到图像的超像素分割中。随着深度相机的普及,深度图像受到越来越广泛的应用,如何对深度图像进行超像素分割也具有重要的研究意义,针对以上问题,本文重点进行了以下研究工作:(1)针对于之前的基于几何流扩散的算法不能较好的贴合模糊边界的问题,本文从具体的扩散过程的角度进行分析,认为主要原因是过多地考虑了中间路径上的内容。因此本文提出了基于泛洪算法的超像素分割方法,并通过一个距离函数综合像素的各个特征,来衡量超像素的种子点(代表超像素)和像素之间的距离,从而可以提高超像素分割的精度。(2)纹理特征可以作为图像分割的一个重要的特征,本文将图像的纹理特征考虑到超像素分割过程中,由于图像的纹理特征图存在边界处比较模糊等问题,本文提出了先对图像提取主结构,之后基于图像的局部复杂度,使用神经网络训练图像的各个特征在距离函数中所占的权重,来综合利用图像像素的各个特征对图像进行超像素分割,进一步提高超像素分割的精度。(3)针对带深度的RGBD图像的超像素分割问题进行研究。带深度的图像相比于二维图像包含更多的信息,而且可以利用相机参数将二维深度图像转换为三维点云,因此可以获得更丰富的三维几何信息。之前针对于深度图像的超像素分割算法主要基于欧式距离,因此对于很多边界,尤其是室内场景中存在的两边具有相似内容的图像边界,欧式距离并不能很好的保持。本文将RGBD图像的过分割问题转化为三维网格上的过分割问题,并在此网格上定义了一种测地度量来衡量种子点和像素点的距离,由于该度量综合利用了 RGB-D生成的网格的有效特征,因此可以很大程度地提高超像素的分割结果。
[Abstract]:Super pixel segmentation is one of the most important research topics in the fields of computer vision and image processing. The super pixel segmentation of images refers to the local clustering of pixels according to various features of the image pixels, such as color, texture, space location, etc., so that the pixels belong to the same pixel. Pixels in a super pixel have the same or similar features. Compared with pixels, the superpixel contains more local information and can maintain most of the boundaries and structures in the image. As a higher layer of processing units, superpixels can be applied to various tasks such as image processing and computer vision, which can significantly improve the processing efficiency. Rate. Because of the complexity of the natural image itself, when the image is segmented by super pixel, each feature of the image pixels will affect each other and balance each other. How to effectively use the various features of the image pixels to cluster it is the key problem in the super pixel segmentation of the image [1-4]. is compared to the [5,6] based on the diffusion based super pixel segmentation algorithm. In this paper, more image information can be considered. This paper mainly discusses the diffusion based super pixel segmentation algorithm. Compared with other super pixel generation algorithms, the algorithm not only takes into account the direct information between two pixels, but also takes into account the path information between them, so that the algorithm can effectively handle both sides of the boundary. However, the traditional super pixel segmentation algorithm based on the internal and outward diffusion in the two-dimensional image is generally based on the geodesic distance or the level set, and the information on the path is considered too much, so it can not fit the fuzzy boundary well. In addition, the texture is rarely used as an important feature of the image. To the super pixel segmentation of the image, with the popularity of the depth camera, the depth image is more and more widely used. How to carry out the super pixel segmentation of the deep image is also of great significance. In this paper, the following research work is carried out in this paper: (1) the algorithm based on the geometric flow diffusion is not good. In this paper, the main reason is to consider the content of the middle path too much. Therefore, this paper proposes a super pixel segmentation method based on flood algorithm, and uses a distance function to integrate the characteristics of the image element to measure the seed points of the super pixels. The distance between the super pixel and the pixel can improve the precision of the super pixel segmentation. (2) the texture features can be used as an important feature of the image segmentation. In this paper, the texture features of the image are taken into consideration in the process of super pixel segmentation. Based on the local complexity of the image, based on the local complexity of the image, the neural network is used to train the weight of each feature of the image in the distance function. The image is divided into super pixel by using the features of the image pixels to further improve the precision of the super pixel segmentation. (3) the super pixel for the RGBD image with depth is super pixels. The depth image contains more information than the two-dimensional image, and the two-dimensional depth image can be converted to a three dimensional point cloud with the camera parameters. Therefore, more abundant 3D geometric information can be obtained. In this paper, the over segmentation problem of the RGBD image is transformed into a over segmentation problem on the three-dimensional grid, and a geodesic measure is defined to measure the distance between the seed points and the pixel points on this grid. The volume effectively utilizes the effective features of the mesh generated by RGB-D, thus greatly improving the segmentation results of the super pixels.

【学位授予单位】：山东大学
【学位级别】：博士
【学位授予年份】：2017
【分类号】：TP391.41

【相似文献】

中国期刊全文数据库 前10条

1 丁晓莲;周激流;李晓华;吴朋;;人脸识别率与图像分辨率关系的比较分析[J];计算机工程;2009年11期

2 贾丽娟;;关于图像分辨率的教学思考[J];印刷世界;2011年05期

3 张秀屏，，刘锡国，丛玉良;提高彩电图像分辨率的研讨[J];光学精密工程;1994年02期

4 周中华;如何使拷屏图像更清楚[J];桌面出版与设计;1999年04期

5 林阿岚;;如何取得完美图像[J];电子测试;2001年08期

6 宋其华;郭根生;;解析计算机图像分辨率[J];中国电化教育;2003年11期

7 冯金菊;;浅谈分辨率[J];才智;2008年22期

8 江静;蔡鹤;;小议分辨率与输出图像的关系[J];科教文汇(上旬刊);2008年03期

9 李春雨;李卫平;;篡改图像的识别技术研究与仿真[J];计算机仿真;2011年11期

10 ;教你详细了解各种分辨率[J];计算机与网络;2011年24期

中国重要会议论文全文数据库 前10条

1 王江宁;纪力强;;昆虫图像特征研究[A];第十五届全国图象图形学学术会议论文集[C];2010年

2 杨德强;苏光大;徐天伟;;一种基于幻想脸的人脸图像分辨率提升新技术[A];第二十七届中国控制会议论文集[C];2008年

3 张莉;李佩臻;;用Photoshop对1：1万DRG入库数据的处理[A];全国测绘科技信息网中南分网第二十一次学术信息交流会论文集[C];2007年

4 任晓晖;龚勇清;;体全息存储再现图像分辨率实验研究[A];第十一届全国光学测试学术讨论会论文（摘要集）[C];2006年

5 廖熠;赵荣椿;;一种基于小波分层模型的自然景物图像表面恢复算法[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

6 刘达;李枢平;;对DCI数字影院技术规范中图像分级技术的理解[A];中国电影电视技术学会影视技术文集[C];2007年

7 汤敏;王惠南;;基于IDL语言的医学图像可视化初步研究[A];第十二届全国图象图形学学术会议论文集[C];2005年

8 赵源萌;邓朝;张馨;张存林;;被动式人体太赫兹安检成像的分辨率增强算法研究[A];中国光学学会2011年学术大会摘要集[C];2011年

9 张尚军;徐光;祁小江;;影响CR胶片质量原因的探讨[A];2009中华医学会影像技术分会第十七次全国学术大会论文集[C];2009年

10 何东晓;隋守鑫;刘微;;高清透雾摄像机的研发及在交通领域的应用[A];第八届中国智能交通年会优秀论文集——智能交通与安全[C];2013年

中国重要报纸全文数据库 前10条

1 刘筱霞;陈永常;PHOTOSHOP中图像分辨率的设置[N];中国包装报;2002年

2 王树连;从购买图像到租用卫星[N];中国测绘报;2003年

3 杨兴平;如何抓取指定分辨率的图像[N];中国电脑教育报;2003年

4 李鑫;飞利浦200BW8商务人士明智新宠[N];电子资讯时报;2007年

5 记者 曾遗荣邋通讯员 冷承秋 实习生 向哲林;美国一高科技公司将落户武汉[N];湖北日报;2007年

6 唐凤碧;正确运用数码相机分辨率[N];中国摄影报;2007年

7 ;创维TWH-43L（DLP）光显背投图像不良的检修[N];电子报;2008年

8 WLF;细说分辨率[N];电脑报;2003年

9 宏杉;感受专业动力[N];中国计算机报;2001年

10 宋连党;家庭VCD像册大制作[N];中国电脑教育报;2003年

中国博士学位论文全文数据库 前10条

1 吴辉群;慢性病信息管理系统中视网膜图像的互操作性及其血管网络定量分析研究[D];复旦大学;2014年

2 田虎;单目图像的深度估计[D];北京邮电大学;2015年

3 唐玉芳;商品图像分类算法研究[D];北京邮电大学;2015年

4 贾勇;建筑物透视探测关键技术研究[D];电子科技大学;2014年

5 黄仁杰;非可控条件下人脸识别中的若干问题研究[D];电子科技大学;2015年

6 万方;基于多幅图像的三维结构化场景重建技术研究[D];武汉大学;2013年

7 马钟;视觉感知启发的对象发现关键技术研究[D];西北工业大学;2015年

8 张旭;面向局部特征和特征表达的图像分类算法研究[D];合肥工业大学;2016年

9 潘晓;图像中的超像素生成方法[D];山东大学;2017年

10 王洪;航空光电平台图像稳定技术研究[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2012年

中国硕士学位论文全文数据库 前10条

1 杨栋;面向CTA图像的冠脉血管分割算法研究和血管狭窄度分析[D];浙江大学;2015年

2 龚若皓;基于嵌入式移动GPU的图像编解码并行优化[D];西南交通大学;2015年

3 曹福来;发动机燃油喷雾图像筛选及处理方法的分析研究[D];长安大学;2015年

4 曹飞寒;高速高分辨率工业相机系统设计[D];苏州大学;2015年

5 夏桂林;航海视觉增强系统研究[D];大连海事大学;2015年

6 刘静;SAR图像建筑物的三维信息提取算法的研究[D];天津理工大学;2015年

7 王玉萍;基于OCT图像的青光眼病变定量分析研究[D];南京理工大学;2015年

8 刘潇;自动色彩均衡算法的优化[D];华中师范大学;2015年

9 宋庆欢;场景识别技术研究[D];中国科学院研究生院（光电技术研究所）;2015年

10 鹿晓龙;非均相液体制剂沉降自动监测方法及装置的研究[D];上海应用技术学院;2015年

本文编号：1864848