超缩结构张量建模与图切分优化分类方法研究

纹理特征反映了图像灰度模式的空间分布，包含了图像的表面信息及其与周围环境的关系，更好地兼顾了图像的宏观信息与微观结构。而纹理分析的主要目的就是研究出能够准确描述和区分图像中不同纹理特征的方法，它是计算机视觉和图像分析的一个重要研究内容。本课题拟基于前期的研究成果，致力于研究多尺度非线性结构张量的高效超缩建模策略，基于黎曼流形空间拓扑性质的考虑，分析超缩建模过程中涉及的平滑滤波算法、距离度量和概率统计等描述特性，并以彩色纹理的交互式或者无监督式多元模式分类为应用背景，针对图切分方法进行优化设计和加速处理，加深和拓展多尺度非线性结构张量纹理描述子和图切分方法的理论基础及应用范围，为其在图像分类标注、目标识别跟踪以及图像检索等计算机视觉相关领域的推广应用提供理论依据和应用条件。该课题的研究具有重要的理论意义和广阔的应用前景。

本项目以复杂语义场景中的彩色及纹理图像无监督/交互式多元模式分类问题为背景，研究了多尺度非线性结构张量纹理特征的高效超缩建模策略与黎曼空间拓扑特性，提出了多种彩色纹理描述子的构建与融合方式，并对传统图切分方法进行了大量扩展设计与优化处理。具体地，针对自然图像中的复杂纹理特征建模，我们通过对奇异值分解后的多尺度结构张量进行主成分分析获得了压缩的多尺度全方向纹理信息，并利用区域全变分流自适应的提取更大尺度范围的局部尺度倒数纹理信息；面向彩色及纹理等多源属性特征的有效融合，我们提出将颜色信息、压缩的多尺度结构张量、以及局部尺度倒数信息通过特征通道合并的方式来构建彩色纹理描述子，或者采用梯度直方图的方式将颜色及纹理特征融合为增广图像，或者通过构建带平衡节点的图切分模型对颜色纹理特征进行协同分割；在对像素点及区域进行统一特征建模方面，我们提出使用像素点的核密度概率分布来代替像素值以表征其特性信息，通过对一个区域内所有像素点核密度概率分布进行线性叠加来表征区域的特征信息，并通过Bhattacharyya距离统一描述像素点与区域以及区域与区域之间的特征差异；为了构建具有更强容错能力和分割准确度的能量模型，我们提出使用多变量混合学生T分布对图像模式进行概率分布建模，使用分量式智能最大期望算法、空间谱分解算法等自适应的精简分布模型参数，设计了区域可信融合度用于自适应修正分割结果中的过分割与误分割，并通过在图切分优化框架中有效地融合Pixel-level及Patch-level信息、局部与非局部信息、区域与边缘信息等，以提高模型对细长区域、凹陷区域、近似区域、干扰区域等的分割鲁棒性。本项目通过对这些关键问题的深入研究，研究成果可以为现有基于模型优化的分割方法的理解和改进提供新的视角，同时可以进一步加深和拓展特征描述、能量模型构建与优化、多源属性融合等相关研究领域的理论层次和适用广度。