基于詞袋模型和上下文信息的圖像對象分割系統(tǒng).pdf

1、圖像對象分割就是從一幅具有復雜背景的圖像中將感興趣的對象提取出來，是圖像分割技術的最高目標，是結合了識別過程的圖像分割。圖像分割技術幾乎出現(xiàn)在所有與圖像相關的領域，具有廣泛的應用需求。另外圖像分割的好壞直接關系到圖像分析和圖像理解，關系到是否能圓滿完成視覺任務。因此對圖像對象的分割理論和相關技術進行研究具有十分重要的意義。
　　本文建立了一個完整的圖像對象分割系統(tǒng)，該系統(tǒng)在沒有任何人工交互的情況下完成了對圖像中對象實例的精確分割。

2、本文的分割系統(tǒng)主要由Bag-of-Words識別模型、提供空間信息的隨機場、Dirichlet過程以及Gibbs抽樣組成。其中Bag-of-Words識別模型是由圖像特征提取和視覺詞匯的構建這兩部分支持的。Bag-of-Words模型能夠成功的預測圖像中是否存在要分割的對象，但是該模型不能精確的定位對象的邊界。隨機場可以描述圖像像素或者圖像patch（像素塊）之間的空間信息，但是它不能提供對象識別所需要的圖像上更大尺度的結構信息。于是我

3、們在這些部分的基礎上增加了Dirichlet過程，Dirichlet過程把圖像看作是由多個區(qū)域組成的，每個區(qū)域代表一個單一的對象實例。用Gibbs抽樣對測試圖像的參數(shù)進行估計，從而完成圖像對象的分割。
　　首先我們基于圖像的一種典型局部特征SIFT特征提出了一種SIFT的密集采樣算法，即DenseSift，并用該方法提取圖像的特征。接著實現(xiàn)了一種基于決策樹的高效視覺詞匯構建算法，用形成的視覺詞匯表示圖像。然后構建由Dirichle

4、t過程、隨機場和Gibbs抽樣組成的對象分割模型，完成圖像對象分割系統(tǒng)。最后將該系統(tǒng)應用于the TU Graz-02數(shù)據(jù)集，獲得該數(shù)據(jù)集三類圖像（car類、bike類和person類）的分割結果，并對分割結果進行分析。
　　實驗結果表明，本文的圖像對象分割系統(tǒng)能夠獲得較好的分割結果。盡管圖像往往具有復雜的背景，圖像中對象的外觀具有多變性，視點、照明等成像條件也經(jīng)常發(fā)生變化，甚至還經(jīng)常出現(xiàn)遮擋，本文圖像對象分割系統(tǒng)仍然能夠成功的將