[发明专利]基于形状稀疏表示的联合目标分割和识别方法

说明书

技术领域

本发明涉及一种图像分割和目标识别方法，特别涉及一种基于形状稀疏表示的联合目标分割和识别方法。

背景技术

在图像处理和计算机视觉领域，图像分割和目标识别处于不同的层次，图像分割属于低层任务，目标识别属于高层任务。在实际应用中，仅仅利用低层信息来进行图像分割并不能取得理想的结果，而将低层特征和高层信息结合起来则可以提高分割精度。对于熟悉目标的分割和识别来说，利用目标形状的先验信息来提高目标分割精度已成为一种热门的分割方法，许多学者根据该思路提出了许多具体的方法。但是，由于受诸如噪声、目标被遮挡、目标信息缺失或背景杂乱等干扰因素的影响，这类方法往往不能取得理想的分割效果。同时，将分割和识别整合到一个框架中来，即同时实现目标分割和目标识别，仍旧是个有待解决的问题。

近些年来，基于变分的水平集方法由于其在图像分割过程中可以较好地考虑形状先验信息而被广泛研究应用，水平集方法是一种基于曲线演化的方法，而所有的基于曲线演化的方法都可以认为是数据项和形状约束项共同作用的，几何主动轮廓模型和Chan-Vese(一种由T.Chan和L.Vese两人提出的一种图像分割模型)模型是其中常见的两种由数据项来指引主动轮廓演化的方法，之后众多学者在这两个模型的基础上提出了很多方法，如将形状统计信息融合进几何主动轮廓模型中去，在Chan-Vese模型中提出一种不同的不相似性度量方法，提出了临时形状一致性和学习动态统计形状模型，在水平集的曲线演化函数中增加对称性约束来实现对近似对称目标的分割。

常规的形状可以由符号距离函数SDF来表示，这样就可以很容易地将形状作为一个形状约束项融合到水平集变分方法中去。近来，基于主成分分析法PCA的统计形状模型已被成功地应用于变分分割方法中，PCA的应用主要是为了去除训练集中的冗余信息，降低数据量。现有的大多数基于水平集的分割方法只考虑相似的先验形状，且基于如下假设，即训练形状可以被近似认为符合均匀分布或高斯分布，但在实际应用中，该假设往往是不成立。用SDF表示的形状与水平集框架是一致的，具有参数自由和拓扑变化易处理的优点，但同时也有如下两个缺点：其一，SDF空间是非线性空间，如平均形状的线性组合就不再是一个有效的形状；其二，大多数基于形状先验信息的水平集方法都是基于识别的分割，这类方法只能分割那些类别已知，且与先验形状较相似的目标。

同时，在信号处理领域，稀疏性的追求也得到了人们的广泛关注，通过构造一个K行N列的字典矩阵字典矩阵D，其中D中每列都代表一个参考信号，这样测试信号y可以表示为这些参考信号的稀疏线性组合。追求稀疏性的问题就可以表示为最小化稀疏系数x，即：subject to Dx＝y

但是该式要得到一个准确的是几乎不可能的，因为有很多个可以满足上式，该最优化问题是非凸的，即所谓的NP(Nondeterministic Polynomial，非确定性多项式)难题。若将上式中的0-范数(||x||₀)换成1-范数(||x||₁)，则可以得到一个唯一的稀疏系数向量这里所谓p-范数(p可以取1、2)为||x||_p＝(|x₁|^p+|x₂|^p+·+|x_n|^p)1/p，而0-范数(||x||₀)就是求取某个向量中非零元素的个数。Chen等人在变分分割模型中引入了形状稀疏表达来实现目标识别，他们将先验知识作为一个训练形状集，对熟悉目标的分割来说，目标形状可以近似的表示为训练形状的稀疏线性组合，他们采用概率定义下的形状。这种方法有一些不足之处，首先它是假设演变的形状和参考形状的稀疏线性组合是等同的，而实际情况并非如此；其次该方法的目标识别效率差，尤其是在训练样本集规模很大的情况下。

发明内容

为了克服现有分割方法中往往由于受噪声干扰，背景杂乱，目标重叠，数据缺失等因素影响引起的图像分割质量不佳，目标分割和目标识别同时进行时效率低下等问题，本发明提出了一种基于形状稀疏表示的联合目标分割和识别方法，能实现了目标分割和目标识别同步完成。

为解决上述技术问题，本发明提出一种基于形状稀疏表示的联合目标分割和识别方法，采用概率定义来表示参考形状和目标形状，所采用的技术方案包括：

A)对第一参考形状集进行K均值聚类处理，得到第二参考形状集；

B)对所述第二参考形状集采用主成分分析方法PCA进行降维处理，得到第三参考形状集；