[发明专利]基于图模型结构学习的图像分割方法

说明书

本发明涉及一种基于图模型结构学习的图像分割方法，包括以下步骤，1)对图像进行过分割，获取图像的超像素分割结果；2)以图像的超像素区域作为图模型的节点，利用泛Ising模型构建图模型联合分布；3)构建目标函数，利用Barzilai‑Borwein soft‑threshold方法对目标函数进行优化，利用得到的优化参数构建图结构；4)以图像观察值为条件，定义点势函数和边势函数，并构建条件随机场的联合分布；5)利用联合分布，构建目标函数并学习特征参数，对目标函数进行优化，并输出分割结果，对目标函数进行优化，并输出分割结果。同现有方法相比，本发明图像分割结果更好。

技术领域

本发明涉及计算机图像分割技术领域，具体涉及一种基于图模型结构学习 的图像分割方法。

背景技术

图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互 不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈 现出明显的差异性。

现有的图像分割方法主要分以下几类，基于阈值、基于区域和基于边缘的 分割方法以及基于特定理论的分割方法等。现在，研究人员不断改进原有的图 像分割方法并把其他学科的一些新理论和新方法用于图像分割，提出了不少新 的分割方法，将各种优化算法和智能算法加入到了图像分割中来，提高分割的 质量。目前对图像的处理大多以像素为单位，用二维矩阵来表示一张图像，并 未考虑像素之间的空间组织关系，这使得处理效率低。超像素，不同于以往的 像素概念，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块。 利用像素之间特征的相似程度将像素分组，可以获取图像的冗余信息，在很大 程度上降低了后续图像处理任务的复杂度。

国外也有些相关的文章，如(1)SLIC+active方法，参见P.Zhao et al.,“Classification method of hyperspectral remote sensing image based on SLICand active learning,”Computer Engineering&Applications,vol.3,2017。(2)GraphCut 方法，参见Y.Boykov and V.Kolmogorov,“An experimental comparison of mincut/max-flow algorithms for energy minimization in vision,”IEEE Trans.PatternAnal.Machine Intell,vol.26,no.9,pp.1124–1137,2004。(3)Graph-based方法， 参见P.F.Felzenszwalb,D.P.Huttenlocher,“Efficient Graph-Based Imag Segmentation,”Int’l Journal of Computer Vision,vol.59,no.2,pp.167–181,2004。 (4)DRF方法，参见S.Kumar and M.Hebert,“Discriminative random fields,”Int’l Journal of ComputerVision,vol.68,no.2,pp.179–201,2006。

发明内容

本发明的目的是提供一种基于图模型结构学习的图像分割方法，以解决现 有的图像分割效果不好的技术问题。

为实现上述目的，本发明基于图模型结构学习的图像分割方法采用如下技 术方案：基于图模型结构学习的图像分割方法，包括以下步骤，1)对图像进行 过分割，获取图像的超像素分割结果；2)以图像的超像素区域作为图模型的节 点，利用泛Ising模型构建图模型联合分布；3)构建目标函数，利用 Barzilai-Borwein soft-threshold方法对目标函数进行优化，利用得到的优化参数 构建图结构；4)以图像观察值为条件，定义点势函数和边势函数，并构建条件 随机场的联合分布；5)利用联合分布，构建目标函数并学习特征参数，对目标 函数进行优化，并输出分割结果，对目标函数进行优化，并输出分割结果。