贝叶斯边缘结构模型及其在物体分割中的应用.pdf

摘要 降低。如何利用较少的已标注数据来扩充样本集合也是本文研究的内容。 针对这种情况，我们提出一种增量型的模型训练方法。首先基于最小增量 编码长度方法设计了一种有监督分类器算法。该分类器即使在小样本情形 下仍具有良好的泛化能力，适宜于样本较少的数据分类。我们将该分类器 应用于增量型BCSM模型训练方法中，在训练初期对未标注的样本进行分 类，然后并入训练样本集合中，实现训练集的在线自动标注。 3．在BCSM模型基础上，定义了一种新的感知组织能量函数，用于物体轮廓 的提取。感知组织能量函数描述了物体轮廓的联合后验概率。我们假设各 边缘子结构之间是统计独立的，将物体的整体轮廓的后验概率因子分解为 该轮廓所包含的子结构的后验概率的乘积。因此在最大似然估计准则下， 在图像中搜索最优的物体轮廓等价于最大化该联合概率。通过对数操作， 我们将最大概率问题转化为最小化能量问题。研究表明直接最小化感知组 织能量函数存在“小环”问题，即提取结果往往是图像噪声形成的没有价 值的小轮廓。为减轻直接优化带来的偏差，我们利用轮廓的长度对能量函 数进行归一化(normalization)，因而最终得到的能量函数为一种比例形式， 其中分子为描述物体轮廓的似然度，分母为轮廓的长度。为优化归一化的 能量函数，我们以图像边缘构建了图模型，并利用最小比例环优化算法求 解。由于该优化算法是全局最优，因而提取的物体轮廓为最大似然准则下 的最优解。我们在自然图像中验证提出的基于BCSM模型感知组织方法用 于物体轮廓的可行性。 关键词：图像边缘分析物体分割边缘感知组织边缘结构模型统计学习先验 知识 Ⅱ ABSTRACT ABSTRACT arebothfundamental and features prob· Analyzingimageedgesextractingshape taskssuch lemsin vision havebeen usedinvariousvision area，and computer widely the as and andSOon．For shapematching，imagesegmentationobjectrecognition edge have alotofeffective the analysisproblem，researchersproposed methods．Among Gestalt based has beenthe methods，the principlesperceptualedgegroupingrecently focusofresearch．Themethodsbuild theevidencesfromthe upon cognitionpsychol— thatthehumanbrainismoresensitivetosuchsalientfeaturesas