基于目标星形先验表达及变分模型优化的自然图像场景划分

The partition of natural image scene is the fundation and difficulty of most of the computer vision research. To solve the blindness derived from the lack of the prior knowledge in image segmentation and the sample selection and computational complexity problems in learning-based methods, this project proposes to study the natural scene partition method by integrating the object star shape prior and variational model optimization. We focus on three aspects: 1)the construction of the variational model with the star shape prior constraint, 2) the adaptive acquisition of the star center of objects, 3)the fast optimization algorithm of multiple variational model. Firstly, by fusing the flat constraint in the piecewise surface, the smoothing constraint of the boundary of the piecewise surface, the similarity between the original surface and the fitting surface and the object star shape prior constraint, the multi-class partition variational energy function is constructed based on the submodular feature of the energy function and the cut metric theory. Secondly, the effective adaptive star center acquisition method is studied and the star shape constraint mathmatical model is constructed. Finally, we study the adaptive region relabeling method, the equivalent graph decomposition and cut composition method, the effective mapping representation of the energy function by using multiple layer graph, and in the last solve the optimizatioin of the multiple variational model with high efficiency and accuracy. The research results have significant theoretical value and extensive practical perspective in large scale image search and image recognition.

自然图像场景的区域分割是许多计算机视觉研究问题的基础及难点，当前大多数图像分割方法由于缺乏先验知识容易导致分割结果盲目，而基于学习的方法又存在样本选择困难等问题，因此，本课题提出研究集成目标星形先验表达及变分模型优化的自然图像场景划分方法。主要解决三个方面的问题：星形形状先验约束变分模型的构建；目标星形先验中心的自适应获取；多变分模型的快速准确优化。首先结合分段曲面内部平坦性、分段曲面边界光滑性、曲面拟合前后相似性以及目标星形形状先验等多种约束，考虑能量函数的子模特性及图切分测度理论，构建多类场景自动划分变分能量模型。进而研究有效的目标星形中心自适应获取方法，构建目标星形形状先验表达数学模型。最后研究有效的区域自适应重标记方法，探索等价图的分解方法及图切分合并算法，研究高效的多层权值图能量函数映射表达，解决多变分模型的高效准确优化问题。研究成果不仅具有重要理论意义，其应用前景也十分广阔。

图像分割是计算机视觉的基本问题之一，在诸多高级计算机视觉任务中扮演着重要作用。围绕设定的研究计划，并结合已有的研究基础与问题需求，我们在图像分割、图像分类、目标检测以及图像匹配开展了一系列研究。研究的主要创新点在于：（1）形状约束作为一种直观的、有效的目标约束形式，在目标分割中有着广阔的应用前景。我们围绕自适应形状约束的获取、形状约束的表达进行了一系列研究，并将其与图割优化模型相结合，实现了形状约束下的目标分割优化算法以及显著性驱动的自动图像分割算法。（2）提出了一种空间相邻词袋模型的图像分割及分类算法，克服了传统词袋模型不具有空间属性的缺点。实验验证，新的空间相邻词袋模型在图像分割和图像分类问题上都有较好的性能。（3）将热源扩散方法与图割模型相结合，在获得特征空间聚类信息的同时，保留了空间依赖关系对于像素分类的约束。与传统的热源扩散方法相比，我们的分割算法在局部细节上的表现更为鲁棒、平滑。（4）针对基于直方图约束的协同图像分割方法不能应对直方图非比例变化的情况，提出以直方图约束为全局弱约束，并结合局部的区域匹配及层级约束作为辅助信息进行协同分割。我们还将传统的基于热源扩散的协同分割算法扩展到三维扩散空间，极大地在提高了分割性能。（5）设计了基于三种可信度的红外目标检测算法，实验证明，可信度驱动的方法能够有效的减少目标的误检或漏检。在目标跟踪问题中，我们提出了融合目标形状信息的窄带图割优化方法，在满足了实时性需求的同时也提高了跟踪算法的准确性。此外，在快速目标跟踪问题中，我们将模板匹配以及区域信息融合技术与目标区域预测框架相结合。该方法在处理漂移、遮挡等问题上具有很好的鲁棒性。（6）在图像匹配问题中，我们提出了一种基于一致性子空间约束的匹配稠密扩展算法，可有效地抑制传播误差；提出的基于特征融合和一致性约束的图像匹配方法通过对全局结构进行约束，可有效地剔除误匹配。此外，对于大规模图像集合的匹配问题，我们还提出了基于像对筛选和哈希映射的快速匹配算法。