[发明专利]一种基于分层高阶条件随机场的图像分割方法

说明书

一种基于分层高阶条件随机场模型的图像分割方法，首先对目标图像提取多类纹理特征，构建像素级的一元势函数和成对势函数；再使用无监督分割算法获得不同粒度的超像素片段；设计各粒度层对应超像素级的一元势函数和成对势函数；构建分层高阶条件随机场模型；利用人工标记样本，监督学习分层高阶条件随机场模型参数；最后对待测试的图像，经过模型推理获得最终的分割标记结果；本发明采用的分层高阶条件随机场模型融合了图像的多特征纹理信息和多层超像素分割信息，能够有效地提高图像中多目标对象的边界分割准确性。

技术领域

本发明涉及图像分割技术领域，具体涉及一种基于分层高阶条件随机场的图像多目标分割方法。

背景技术

图像分割是计算机视觉领域中的一个关键问题。图像分割质量对后续的图像内容分析、模式识别等应用有着重要的影响。目前的图像分割算法主要包括以下几类：1)基于阈值的图像分割。该类方法适合于目标和背景拥有不同灰度级范围的目标图像。2)基于区域的图像分割。其思想是依据具有相似特性的像素，通过区域生长与区域合并的图像分割技术。3)基于形变模型的分割。此类方法需要给出待分割对象的初始封闭分割曲线，再在一些启发式信息的作用下，曲线逐步变形到目标对象的边界处。4)基于概率图模型的图像分割。针对实际中的噪声图像数据，该类技术利用概率图模型对自然图像中的统计信息以及先验知识准确建模，是目前针对不确定图像数据分割的最有效方法。

基于条件随机场的概率图模型图像分割方法已成为图像分割领域一个研究热点。然而，此前方法大多基于像素级特征的条件随机场建模[1]，忽略了图像中目标对象的边界信息，分割结果往往过于追求像素间的平滑。毛凌等[2]提出一种新的高阶条件随机场模型，将基于目标检测方法得到的全局形状信息和基于像素级特征的条件随机场模型统一在一个概率模型框架中，同时完成图像分割、目标检测与识别的任务，提升了图像分割的识别率。超像素是对图像的一种中层表示单位，相比于像素具有高层的语义。基于超像素的条件随机场模型[3]的基本思想是，首先通过无监督分割算法将图像过分割成小的区域像素块(超像素)，然后以超像素为节点、空间相邻的超像素节点为边连接建立图模型。虽然该方法具有运行速度快的特点，但是类似基于超像素的条件随机场模型[4]通常强制了一个超像素内所有像素的分类标签的一致性，导致了分割结果严重依赖于无监督分割算法的优劣。例如若超像素分割粒度不合适，一个超像素内可能同时包含了不同目标，往往最后的分割准确率还不如基于像素的条件随机场模型。

[1]McCallum A,Ghamrawi N.Collective Multi-Label Classification.Proceedingsof ACM International Conference on Information&Knowledge Managemen,2005:195-200.

[2]毛凌，解梅.基于高阶条件随机场模型的图像语义分割.计算机应用研究，2013，30(11)：3514-3517.

[3]张微，汪西莉.基于超像素的条件随机场图像分类.计算机应用，2012，32(5)：1272-1275.

[4]吴士林，耿佳佳，朱枫等.基于区域的多类目标识别与分割算法研究.中国图象图形学报，2011，16(9)：1607-1614.

发明内容

为了解决上述现有技术存在的问题，本发明采用一种基于分层高阶条件随机场的图像分割方法，使其能够融合图像的像素级和超像素级的信息。结果显示针对图像的多目标分割，分层高阶模型可以提高分割对象边界的准确性。

为达到以上目的，本发明采用如下技术方案：