基于多示例学习的交互式图像分割

摘要

图像分割算法是计算机视觉领域备受关注的热点，它是图像处理类算法中最基本的问题，也是图像处理的难点。一直以来都有很多学者参与到该领域进行研究，新的方法被不断的提出，但至今仍然没有能适用于所有情况，放之四海而皆准的图像分割方法。图像分割是图像处理基础，图像处理是个很广泛的领域，包括图像识别、图像理解、图像增强、图像分类等。
　　本文研究的主要是交互式图像分割，根据用户提供图像及目标框，要求算法能够找到目标的准确位置。我们对图像及目标框的隐含信息加以利用，如目标连续性、边界框的紧凑性、区域的马尔可夫性等。基于前人的研究，对图像分割进行深入分析之后，提出两种分割算法如下：
　　1.提出了一种基于多示例框架的Boosting算法。该方法将图像分割问题很自然的转化成多示例学习问题，提出了一种理论可行、实际可靠的建包方式。然后对包的随机组合，每一组包由一个正包和一个负包组成。再通过Boosting方法对这些分类器分配一定的权值，最后将它们组成一个鲁棒的分类器。实验证明这个分类器能够达到足够精确分割结果。
　　2.对图像隐含信息加以利用，提出一种基于马尔可夫随机场的图像分割算法，该算法同时使用图像的结构信息和其他外观信息。我们将图像的标签视为随机变量，将标签的过程看作一个概率事件，那么整个图像的标签就是一个随机场。同时对随机场作一定的假设，使之成为马尔可夫随机场。最后结合马尔可夫随机场理论和多示例学习理论，对图像标签进行迭代优化、更新。最终得到图像的标签，也就实现了图像分割的结果。
　　本论文工作得到了国家自然科学基金(NO.61571342)和陕西自然科学基础研究计划项目（NO.2014JM8301）资助。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第1章 绪论

1.1 图像分割意义

1.2 图像分割背景及现状

1.3 图像分割问题难点分析

1.4 论文主要工作及内容安排

第2章 相关理论基础介绍

2.1 超像素分割

2.2 区域合并

2.3 图像显著性分析

2.4 目标紧凑性和连续性

2.5 交互式图像分割评价标准

第3章 基于多示例学习的图像分割方法

3.1 交互式图像分割问题

3.2 多示例学习

3.3 基于多示例学习的图像分割算法

3.4 本章小节

第4章 基于马尔可夫随机场的图像分割方法

4.1 图论引言

4.2 概率图模型

4.3 马尔可夫随机场

4.4 图像结构信息

4.5 马尔可夫随机场与多示例学习

4.6 本章小节

第5章 总结与展望

5.1 本文工作总结

5.2 工作展望

参考文献

致谢

作者简介

1.基本情况

2.教育背景