[发明专利]一种基于互联网图片的同时目标搜索与分割方法

摘要

本发明公开了一种基于互联网图片的同时目标搜索与分割方法。针对一组真实场景下的互联网图片数据集，该方法根据用户输入的感兴趣目标，实现对整个数据集感兴趣目标的同时搜索与分割。首先，对用户输入图像以及给定图像集进行预分割操作，得到过分割后的超像素；然后，基于最具有代表性超像素评价机制与分层式搜索机制，得到图像集的种子超像素集合；最后利用基于种子超像素的树图约束采用组合优化的算法完成对目标的同时搜索与精确分割，搜索与分割的共同结果由精确的分割结果表示。与同类方法相比，本发明通过种子超像素作为纽带，实现对目标的同时搜索与分割，并且通过树图的约束优化求解组合优化算法并提高分割精度，能够适应各种复杂场景。

主权项

一种基于互联网图片的同时目标搜索与分割方法，其特征在于，包含以下步骤：(1)对于带有用户标记的感兴趣目标图像I^L，通过过分割方法得到感兴趣目标所包含的超像素集合P^L。基于最具有代表性超像素评价机制，得到超像素集合P^L中最具有代表性超像素；(2)对待处理图像集进行分层式过分割，得到过分割超像素；基于感兴趣目标图像I^L及其最具有代表性超像素，实现对所有待处理图像集的过分割超像素与感兴趣目标最具有代表性超像素的分层式匹配，得到种子超像素集合(3)对感兴趣目标以及背景利用目标模型f^L和背景模型f^b分别建模，其中，上述模型均由现有的混合高斯模型(GMM)与空间金字塔匹配模型(SPM)共同得到。然后，采用组合优化的算法对过分割超像素进行目标与背景的再次分类，同时引入种子超像素与树图的约束，并以分割结果反馈验证种子超像素，得到最终同时目标搜索与分割结果。假设每个超像素对应于一个顶点，最后的分割结果由包含种子超像素的多个超像素构成，且能够表示为邻接图的子树。通过建立邻接图来推断子树的方法确定最后的分割结果；具体实现过程如下：(3.1)构建邻接图：假设图像中的每个超像素对应于图中的一个顶点，两个相邻的超像素之间由一条边连接，由此构成邻接图对于最终的目标同时搜索与分割的结果，假设结果由邻接图所包含的一个子树构成，且包含对应的种子超像素；(3.2)建立数值模型求解：建立数值模型，将目标同时搜索与分割的问题转换为组合优化问题的求解，如下：$max\[\underset{R\⊆R_i}{\Σ}{f}^L\left(R\right)\·v^L\left(R\right)+\underset{R^{\′}\⊆R_i}{\Σ}{f}^b\left(R^{\′}\right)\·v^b\left(R^{\′}\right)\]$s.t.R_s∈Rv^L(R)，v^b(R′)∈{0，1}.当R为目标的超像素或超像素组合时，v^L(R)＝1；当R′为背景中的超像素或超像素组合时，v^b(R′)＝1；约束条件表示种子超像素R_s只能属于目标类。通过推导可得，若要求解分割结果，实际上可转换为求解包含种子超像素的最优子树的方法，而要求该最优子树，需要先估计最大生成树；(3.3)推导最大生成树：通过基于种子超像素的beam search的定向搜索方法来得到所有可能的候选子树集合基于候选子树集合通过最大似然估计的方法得到最大生成树推导如下：表示所有潜在的生成树集合，表示数据似然概率，最终可导出，为候选子树集合，为某一子树，表示对的最大似然估计，δ(·)为指示函数，δ((x，y)∈D_q)指示边(x，y)是否属于某一子树D_q；w_q＝f^L(D_q)，f^L(D_q)为子树D_q与目标模型的相似程度，P(x，y)表示边(x，y)的概率，为对P(x，y)的最大似然估计。通过上式可得最大生成树的最大似然估计。(3.4)搜索分割子树：基于最大生成树的最大似然估计求得然后通过动态规划技术在中搜索得到最优子树，即为所求分割结果。(4)迭代分割：根据步骤3得到的分割结果更新目标模型，按照步骤3所述的方法，进行再分割；(5)重复步骤4，直至最终分割结果不再变化，即得到最终的分割结果。(6)反馈验证过程：将5得到的最终分割结果与目标模型进行相似度匹配。若相似度高于阈值，则认为种子超像素有效，分割结果为目标同时搜索与分割的最终结果；若相似度低于阈值，则认为种子超像素无效，该图像不存在感兴趣目标。