题目：自然图像中自动目标分割方法研究

 

随着数码设备的普及以及网络技术的发展，在不受拍摄条件约束下所捕获的自然图像逐渐成为多媒体数据的主体。作为计算机视觉领域中重要的研究方向，目标分割的主要任务就是将感兴趣的对象从所看到的图像中分离出来。然而，目标所处环境的复杂性、目标类内变化的多样性以及视觉感知模型的不确定性都增加了在自然图像中实行自动目标分割的难度。本论文以北京市自然科学基金项目“基于计算机视觉的自然环境中人体目标分割方法研究”为背景，系统地对自动目标分割过程中所涉及的关键技术进行了深入研究，主要研究内容如下：

（1）图像分割技术为实现自动目标分割提供了重要基础，然而现有图像分割方法较多地依赖于参数选择以及人工干预，不同参数或不同人工干预会导致不同的分割结果。为获得稳定的分割结果，提出了一种基于多提议融合的图像分割方法。该方法将特定条件下的图像分割称为提议，不同提议是对图像分割的不同解释，通过多提议融合达到获取分割结果的目的。为此，引入多特征多线索图像表示模型。该模型将图像看做高维特征空间中的复杂分布，将潜在分割作为复杂分布中的局部成分；相应的，一组关于复杂分布的参数取值便是一个具体的分割提议；在此基础上，通过多组参数模拟多个提议，并利用空间布局一致性假设将多个提议融合为最终分割。鉴于自然图像的复杂性，该模型从强度、颜色和纹理等多个特征空间对自然图像进行了分析，并通过不同特征的表观线索和梯度线索表达了分割中的连续性和跳跃性，增强了图像分析与理解的能力，为分割提供了较为全面的信息。实验表明，本方法对一般的自然图像均能够取得稳定的分割结果。

（2）目标模型是实现自动目标分割的关键，基于部件的目标模型具有更强的表达能力，能够为目标分割提供有力的先验知识。针对先定义部件后手动获取的局限性，提出了一种基于协同解析的部件获取方法。该方法假设同一子类的目标样本是由相同部件按照相同空间关系组成的；不同子类的目标样本是由不同部件组成的，并且在每个子类中都存在着能够代表该子类的、并与其他子类相区别的显著部件。基于上述假设，该方法在给定的目标样本集合中发现稳定的子类划分，利用同子类样本的相似性以及不同子类样本的差异性发现样本中的部件区域。通过不断地在子类划分和部件发现之间进行迭代操作，实现了样本中部件区域的自动获取。最终，每个目标样本均获得了相应的子类标记和部件区域。该方法避免了人为定义部件以及手动获取过程所带来的不确定和高消耗，使得所获取的部件更符合图像的实际情况，从整体上提高了目标建模的自动化程度。在获得部件的基础上，分别给出了目标模型的学习过程以及基于模型的目标分割过程。通过在多个目标数据集上执行部件获取和目标分割实验，证实了本方法的有效性。

（3）随着自然图像的增多，多个图像中出现相同目标类的现象越来越普遍了。在已知多个图像均包含同类目标的情况下，利用重现性和相似性同时实现多个图像的目标分割成为可能。本论文重点就多个图像中包含一个目标类的情况展开研究，提出了一种基于片段组合的协同分割方法。为了反映同类目标的变化，受基于部件的目标描述的启发，将目标表示成为由多个片段按照一定空间布局组合而成的对象。如此，不同目标的变化便体现在片段及其片段布局的变化中。最终通过发现潜在的目标片段以及相似的片段布局实现了多个图像中目标的协同分割。基于上述思想，利用图像的显著性分布和图像的目标性分布确定每个图像中可能的目标片段；进一步，利用匹配发现图像间相似的目标片段，并利用片段布局发现相似的片段组合，以此得到相似目标的分割。将上述线索形式化为能量函数，并通过能量函数最小化求得最终结果。实验表明，本方法能够取得较好的目标分割结果。

（4）随着视觉理论的成熟以及计算能力的提升，基于计算机视觉的应用系统得到了广泛使用。作为关键的处理步骤，目标分割已经成为基于计算机视觉应用系统中不可缺少的组成部分。本论文从实际需求的角度出发，设计并实现了一种基于样例指导的自动目标分割工具。结合之前研究的关键技术，该工具以任一目标类为处理对象，将自动目标分割过程中所涉及的多个环节组织在一起，分别实现了自动目标建模功能以及多种自动目标分割功能；同时，该工具利用少量人工标注的样例传递了实际应用中对待分割目标的主观认知，为实现自动目标建模和自动目标分割提供了有效的监督形式。此外，由于使用了部件组合的思想，该工具也能够实现目标解析功能。总之，该工具具备三项特点：系统化的自动目标分割过程、与应用有关的有效监督形式以及多种自动目标分割模式。实验表明，该工具可以在有效监督和自动分割之间达到平衡，能够取得较好的分割效果，具有一定的实用性。