[发明专利]基于多示例学习与图割优化的目标分割方法

权利要求书

1.一种基于多示例学习与图割优化的目标分割方法，其特征在于，包括如下步骤：

步骤1：对训练图像采用多示例学习的方法进行显著模型建模，并利用显著模型对测试图像中的包和示例进行预测，得到测试图像的显著性检测结果；具体包括：

步骤11，对训练图像进行预处理，并提取图像亮度梯度特征和色彩梯度特征；

步骤12，将多示例学习引入到图像显著性检测中，得到测试图像的显著性检测结果；

步骤2：将测试图像的显著性检测结果引入图割框架，依据示例特征矢量与示例包的标记对图割框架进行优化，求解图割优化的次优解，得到目标的精确分割；

所述的步骤2具体包括如下步骤：

步骤21，将步骤1得到的图像的显著性检测结果作为图割算法的输入，依据包的显著性标记与示例特征矢量构建如式(3)所示的权函数；并得到如式(4)所示的优化后的图割代价函数；

式(3)中，w_ij表示i示例包与j示例包对应区域的视觉特征相似性，Salien(i)与Salien(j)分别表示区域i与区域j归一化后的显著度值，δ为调节视觉特征差异的敏感参数，取值为10～20；区域i与其自身的相似权值为0；相似度矩阵W＝{w_ij}是对角线为0的对称矩阵，且w_ij∈[0,1]；f_i,f_j表示i与j示例包中分别对应的示例特征矢量，即图像的亮度梯度特征与色彩梯度特征向量合成3维的组合向量Mixvector_i＝{BrightnessGradient_i,ColorGradient_i}，则Sim(f_i,f_j)＝||Mixvector_i-Mixvector_j||₂；式(4)所表示的图割框架中，D为N维对角矩阵，其对角线上元素U＝{U₁,U₂,...,U_i,...,U_j,...U_N}为分割状态向量，

每一个向量分量U_i表示区域i的分割状态；式(4)的分子表示区域i与区域j之间

的视觉相似性，分母表示区域i内的视觉相似性；

步骤22，求解R(U)的最小值特征值所对应的分割状态向量，即得到图像的最优分割结果。

2.如权利要求1所述的基于多示例学习与图割优化的目标分割方法，其特征在于，所述步骤11中对训练图像进行预处理，并提取亮度梯度特征和色彩梯度特征，具体包括：

步骤111，对训练图像进行色彩空间的转换及其各分量的量化预处理，得到归一化后的亮度分量L和色彩分量a、b；

步骤112，计算亮度分量L的矩阵中每一个像素点的亮度梯度；

步骤113，分别计算色彩分量a和色彩分量b的矩阵中每一个像素点的色彩梯度。

3.如权利要求2所述的基于多示例学习与图割优化的目标分割方法，其特征在于，所述步骤111具体如下：

首先，将训练图像进行伽马校正，以实现对图像色彩分量的非线性调整，将训练图像由RGB色彩空间转换至Lab色彩空间；再对训练图像在Lab色彩空间下的亮度分量L和两个色彩分量a、b进行归一化处理，得到归一化后的亮度分量L和色彩分量a、b。

4.如权利要求2所述的基于多示例学习与图割优化的目标分割方法，其特征在于，所述步骤112具体包括步骤A-D：

A、构建3个尺度的权值矩阵Wights＜＞；

B、构建3个尺度的索引地图矩阵Slice_map＜＞；每个尺度的索引地图矩阵Slice_map＜＞对应尺度的权值矩阵Wights＜＞具有相同的维度；选取8个方向(0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°)将矩阵分为16个区域，每个区域中元素的取值与该区域的编号0～15相同；

C、将每个索引地图矩阵Slice_map＜＞与其对应尺度的权值矩阵Wights＜＞中的元素一一对应相乘得到对应尺度的矩阵，即邻域梯度算子；

D、利用邻域梯度算子，计算亮度分量L的矩阵中一个待求像素点的亮度梯度。