貝葉斯邊緣結(jié)構(gòu)模型及其在物體分割中的應用.pdf

1、分析圖像邊緣并提取形狀特征是計算機視覺研究領域的一個基本課題，被廣泛應用在形狀匹配、圖像分割、物體識別等視覺任務中。針對圖像邊緣分析，研究者們提出了大量行之有效的方法。其中，基于格式塔原理(Gestalt principles)的邊緣感知組織(perceptual edge grouping)方法近年來成為研究的重點。該類方法基于認知心理學中關(guān)于人腦在感知過程中對接近性、連續(xù)性、平行性和對稱性等顯著性特征較為敏感的研究結(jié)論，對散亂的圖像

2、邊緣進行聚合、連接得到具有一定語義的邊緣輪廓。然而，傳統(tǒng)的邊緣感知組織方法只刻畫了一般意義的顯著性特征，并沒有包含特定類別物體形狀的先驗知識。本文進一步研究：如何將物體形狀相關(guān)的先驗知識與邊緣感知組織方法結(jié)合起來，將其擴展到提取特定類別物體的邊界輪廓即物體分割問題中。
　　 根據(jù)同類別物體形狀共有的結(jié)構(gòu)特征，我們提出一種魯棒的邊緣結(jié)構(gòu)模型，以概率形式描述圖像邊緣構(gòu)成物體邊界輪廓的置信度。模型利用統(tǒng)計學習方法從樣本數(shù)據(jù)中訓練得到。

3、針對物體分割問題，我們還提出一種新的能量函數(shù)將邊緣結(jié)構(gòu)模型與傳統(tǒng)的感知組織方法結(jié)合，得到一個全局最優(yōu)的物體分割方法。具體地，本文的主要研究成果如下：
　　 1.提出了一種貝葉斯邊緣結(jié)構(gòu)模型(Bayesian Contour Structure Model，BCSM)。BCSM模型描述了觀察到圖像特征后一組邊緣構(gòu)成的子結(jié)構(gòu)形成物體邊界輪廓的后驗概率。概率的方式比傳統(tǒng)判別性的邊緣結(jié)構(gòu)模型更加靈活和魯棒。BCSM模型是一種局部形狀模型

4、，與整體形狀模型相比，能更好地處理物體自身形變、物體姿態(tài)或視角變化、以及遮擋等情況。為進一步增強模型的魯棒性，BCSM模型在訓練時沒有采用如高斯等參數(shù)化模型，而是通過Boosting方法迭代地逼近物體邊緣結(jié)構(gòu)的概率分布。利用Boosting方法另一個優(yōu)點是可以綜合考慮幾何、顏色和紋理等多種圖像特征并做特征選取。通過樣本的統(tǒng)計學習，BCSM模型可以描述物體類別相關(guān)的結(jié)構(gòu)特征，而非一般性的感知顯著性特征。實驗證明，BCSM模型對物體形狀特征

5、有良好的描述性，同時對背景干擾邊緣也有很好的區(qū)分性。
　　 2.設計了一種增量型的模型訓練方法，以解決模型的小樣本學習問題。BCSM模型在訓練時需要一定量的已標注的樣本數(shù)據(jù)。當物體可用的圖像數(shù)據(jù)較少時可能會出現(xiàn)小樣本問題。直接利用少量的已標注樣本訓練BCSM模型有可能出現(xiàn)過擬合(over-fitting)的情況，使模型的泛化能力降低。如何利用較少的已標注數(shù)據(jù)來擴充樣本集合也是本文研究的內(nèi)容。針對這種情況，我們提出一種增量型的模型

6、訓練方法。首先基于最小增量編碼長度方法設計了一種有監(jiān)督分類器算法。該分類器即使在小樣本情形下仍具有良好的泛化能力，適宜于樣本較少的數(shù)據(jù)分類。我們將該分類器應用于增量型BCSM模型訓練方法中，在訓練初期對未標注的樣本進行分類，然后并入訓練樣本集合中，實現(xiàn)訓練集的在線自動標注。
　　 3.在BCSM模型基礎上，定義了一種新的感知組織能量函數(shù)，用于物體輪廓的提取。感知組織能量函數(shù)描述了物體輪廓的聯(lián)合后驗概率。我們假設各邊緣子結(jié)構(gòu)之間是

7、統(tǒng)計獨立的，將物體的整體輪廓的后驗概率因子分解為該輪廓所包含的子結(jié)構(gòu)的后驗概率的乘積。因此在最大似然估計準則下，在圖像中搜索最優(yōu)的物體輪廓等價于最大化該聯(lián)合概率。通過對數(shù)操作，我們將最大概率問題轉(zhuǎn)化為最小化能量問題。研究表明直接最小化感知組織能量函數(shù)存在“小環(huán)”問題，即提取結(jié)果往往是圖像噪聲形成的沒有價值的小輪廓。為減輕直接優(yōu)化帶來的偏差，我們利用輪廓的長度對能量函數(shù)進行歸一化(normalization)，因而最終得到的能量函數(shù)為一種