自然图像中的服装分割与标注算法研究

摘要

电子商务的飞速发展为服装的销售带来了巨大的商业价值，利用计算机视觉等技术手段对服装图像进行分析和处理有其实际意义。对服装图像的分析主要包括对图像中服装区域的分割以及对分割后的服装区域进行类别的标定。
　　本文从两个部分来对服装图像进行分析，首先是对图像进行前景和背景的分割，服装图像中的前景更为突出、背景更为复杂多变。因此本文提出了结合行人姿态估计的基于图论图像分割算法，通过融入行人姿态估计的先验信息学习高斯混合模型，从而构建网络图，利用网络流理论中的最大流/最小割算法来解决网络图中的节点的分类问题，实现图像分割。行人的姿态信息不仅为图像分割提供了初始条件，同时也为后续服装的分类标定提供了区域相对位置信息。在得到服装前景区域之后，将对服装的分割与标定转化为对图像超像素区域的标定。因此先对服装前景部分进行超像素分割，对分割后的超像素区域构建概率模型，模型的构建结合了分类模型给出超像素区域对各服装类别的概率分布、区域之间的相关信息以及服装分布的先验概率，利用可信传播（BP）来得到上述最大后验概率（MAP）的分布，实现对图像超像素区域的标定过程。
　　本论文在Fashionista数据集上进行了实验，并给出了实验结果以及实验分析，论证了本文算法的性能。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 图像分割研究概况

1.2.2 图像分类研究概况

1.3 论文主要研究内容与安排

2 图像分割与标定算法综述

2.1 图像分割算法概述

2.1.1 图像分割的定义

2.1.2 图像分割的主要方法

2.2 图像分类算法概述

2.2.1 图像特征描述子

2.2.2 支持向量机分类器

2.3 本章小结

3 结合行人姿态估计的图像前景和背景分割

3.1 基于图论的图像分割算法

3.1.1 图割算法（Graph Cuts）介绍

3.1.2 图割算法（Graph Cuts）定义

3.1.3 图割算法（Graph Cuts）模型的构建与求解

3.2 行人姿态估计

3.2.1 行人姿态估计的概述

3.2.2 基于树形结构混合模型的行人姿态估计

3.3 结合行人姿态估计的基于图论的图像分割算法

3.4 实验结果与分析

3.5 本章小结

4 服装分割与标定

4.1 服装标定概率模型

4.2 超像素分割

4.2.1 超像素分割概述

4.2.2 基于边缘检测的层次图像分割算法

4.3 分类模型

4.4 实验过程与结果分析

4.4.1 实验过程

4.4.2 实验结果分析

5 总结与展望

5.1 工作总结

5.2 未来工作展望

参考文献