[发明专利]基于多示例学习与图割优化的目标分割方法

摘要

本发明公开了一种基于多示例学习与图割优化的目标分割方法步骤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；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。本发明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，对图割模型框架环节进行了优化，并采用凝聚层次聚类算法求解，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。

主权项

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，wij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＝{wij}是对角线为0的对称矩阵，且wij∈[0,1]；fi,fj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Mixvectori＝{BrightnessGradienti,ColorGradienti}，则Sim(fi,fj)＝||Mixvectori‑Mixvectorj||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,...,Ui,...,Uj,...UN}为分割状态向量，每一个向量分量Ui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。