[发明专利]基于多示例学习与图割优化的目标分割方法

说明书

技术领域

本发明属于图像处理领域，涉及一种图像分割方法，具体是一种基于多示例学习与图割优化的目标分割方法。

背景技术

图像目标分割是计算机视觉领域的一个重要研究方向，同时也是视觉检测、跟踪与识别等应用的重要基础，其分割质量的好坏在很大程度上影响着整个视觉系统的性能。然而由于缺乏对人类视觉系统的深层认识，图像分割同时也成为了计算机视觉领域的一个经典难题。人类视觉系统能够有选择地注意所观察场景的主要内容，而忽略其他次要内容。视觉的这种选择性注意机制使得高效的信息处理成为可能，同时也启发了计算机视觉的研究者们从注意机制的角度另辟蹊径，因此具有人类视觉特性的图像分割模型将成为图像分割领域一个新的研究热点。

从计算机视觉角度出发的显著性检测，其主要分为自底向上和自顶向下的方法。目前大多显著性检测是基于非监督模型，存在所定义的模型缺乏学习能力，显著度的计算不能很好地反映视觉注意机制，以及对特定种类的图像适应能力不足和鲁棒性较差等问题；而单一的采用基于代价函数的图割算法进行目标分割，也存在计算复杂度高、分割效率与局部分割精度低等问题。

发明内容

针对上述现有技术存在的不足，本发明的目的在于，提出了一种基于多示例学习与图割优化的目标分割方法，采用多示例学习的方法建立显著性检测模型，使其适合特定种类的图像，并将显著性检测的结果用于基于图论的图像分割方法中以指导图像分割，对图割模型框架等诸多环节进行了优化，并采用凝聚层次聚类算法作为图割优化的求解方法，使得分割结果能更好地符合语义感知的输出，得到精确的目标分割结果。

为了实现上述目的，本发明采用如下技术方案予以解决：

基于多示例学习与图割优化的目标分割方法，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。

进一步的，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。

进一步的，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；

进一步的，所述步骤A具体如下：

分别构建3个尺度的权值矩阵Wights＜＞；所述的权值矩阵Wights＜＞是行数和列数均等于2r+1的方阵；权值矩阵Wights＜＞中的元素非0即1，等于1的元素分布在以方阵中心元素(r+1,r+1)为圆心、以r为半径的圆盘范围内，形成方阵的内切圆，方阵中其余元素均为0；3个尺度分别为r＝3、r＝5和r＝10。

进一步的，所述步骤D具体如下：