面向图像标记的条件随机场模型研究

摘要

高精度的图像标记这一技术难题制约了图像检索的应用水平,而表达与利用图像空间上下文及语义信息是有效解决这一难题的关键技术之一。条件随机场(CRFs)是标记和分割结构化数据的概率框架,它在表达大尺度的图像空间上下文和语义特征以及后验概率建模这两方面有其独特的优势,基于这一概率框架可以有效地降低图像标记中的不确定性,提高图像标记的精度。
　　基于CRFs理论的上述优势,本文针对面向标记的目标类图像分割中仍存在的问题,开展了考虑目标多尺度特性及语义特征的二阶/高阶CRFs模型的研究。研究的主要内容及创新点如下:
　　针对目标类图像分割中,如何更好地表达目标空间上下文及语义信息这一问题,本文提出了借助于支持向量机(SVM)将概率潜在语义分析(PLSA)技术与CRFs模型框架有机集成的方法,以实现多类标记下高精度的图像分割。具体地说,将PLSA作为一种特征变换技术衍生出的目标语义特征来作为SVM分类器的输入,并利用此SVM的概率输出来对CRFs模型的关联势函数进行定义,用相邻超像素的特征对比度函数及Potts模型对交互势函数进行了定义,从而建立了一个基于PLSA技术的二阶CRFs模型(简称为PLSA-CRFs)。其中,在PLSA模型建立过程中引进了一种高效的期望最大化(EM)算法来实现PLSA监督参数估计,以改善标准EM算法参数估计效率低的问题。最后,开展了PLSA-CRFs模型的分段参数训练,以及基于环状置信传播(LBP)的模型近似推理方法研究。
　　针对“单一尺度的CRFs模型不能描述图像目标多层次的空间结构及语义关系”的问题,提出了一种融合目标多级空间上下文及语义关系的二阶RF-CRFs模型以实现高精度的目标类图像分割。具体内容包括:开展了目标分层特征提取及特征提升方法的研究;提出了融合目标三个层级空间上下文及目标语义关系的二阶RF-CRFs模型,其中,该模型是以随机森林(RF)分类器来定义其关联势函数,以多级特征对比度加权的Potts函数来定义交互势函数。最后,开展了该RF-CRFs模型的极大伪似然参数训练,以及基于环状置信传播算法的模型推理方法研究。
　　针对“基于像素的二阶CRFs模型图像标记效率低”、“基于超像素的二阶CRFs模型中分割尺度及图像过分割质量对标记结果影响较大”以及“二阶CRFs模型空间交互能力有限”的问题,开展了基于标记一致性软约束和考虑图像过分割质量的高阶CRFs模型的创新性研究。具体内容包括:开展了上述模型在多目标类分割问题中的实验研究,并在高阶势函数的定义中,提出了一种面向标记的分割质量敏感性函数的定义方法。最后,对上述高阶CRFs模型开展了启发式分段学习的参数训练方法,以及基于变换的α-膨胀推理方法的研究。
　　在实验中,以自然图像为测试数据,开展了上述三类模型及其相关标记方法的测试及性能评价,证明了上述方法在复杂场景的多目标图像标记中的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究目的和意义

1.2 研究现状及存在问题

1.3 研究内容

1.4 论文的组织结构

第二章 CRFs理论及其在图像标记中的应用

2.1 引言

2.2 CRFs基本理论及其优势

2.3 CRFs模型的基本形式及各自特点

2.4 CRFs模型求解

2.5 本章小结

第三章 基于概率潜在语义分析的CRFs模型

3.1 引言

3.2 概率潜在语义分析（PLSA）原理

3.3 基于PLSA技术的CRFs模型（PLSA-CRFs模型）

3.4 PLSA-CRFs模型实现

3.5 实验及分析

3.6 本章小结

第四章 多尺度的CRFs模型

4.1 引言

4.2 基于随机森林的多尺度CRFs模型

4.3 模型实现

4.4 实验及分析

4.5 本章小结

第五章 基于标记一致性软约束的高阶CRFs模型

5.1 引言

5.2 Kohli提出的LC-HoCRF 模型

5.3 本文的LC-HoCRF模型

5.4 模型实现

5.5 实验与分析

5.6 本章小结

总结与展望

参考文献

攻读博士学位期间取得的研究成果

致谢