图像分割质量的协同评价框架设计与实现 开题报告.docxVIP

西 南 交 通 大 学硕 士 研 究 生 选 题 报 告 姓 名 学 号 导师姓名 职 称 教 授 专 业 计算机应用技术 研究方向 数据挖掘 题 目 图像分割质量的协同评价框架设计与实现 2012 年 12 月 22 日开题报告的内容应包括课题的研究意义、国内外现状分析。课题研究目标、研究内容、拟解决的关键问题。拟采取的研究方法、技术路线、试验方案及其可行性 研究。课题的创新性。 （5）计划进度、预期进展和预期成果。注：（1）开题报告由各院（系、所、中心）组织实施，专家组成员由副高以上人员组成，邀请导师和督导组相关专家参加，导师担任组长。 （2）专家组的作用是帮助导师和研究生执行选题论证，论证意见以“通过”、 “不通过”结论。通过者按计划开展论文工作，不通过者，在半年内需 重新开题。选 题 报 告 主 要 内 容一、课题的研究意义及国内外现状分析课题的背景及研究意义本课题的选取是针对国家自然科学基金“基于视觉感知的图像分割评价方法研究”中图像分割评价部分进行的背景研究。21世纪是一个充满信息的时代，图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。图像分析[1]通常是指借助计算机从图片中找出图片中所呈现的物体的过程。随着计算机科学技术的不断发展，图像处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但却引起各方面人士的广泛关注。因为视觉是人类最重要的感知手段，图像又是视觉的基础，所以，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知的有效工具。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。对图像分割算法的研究已有几十年的历史，借助各种理论至今已提出了很多不同类型的分割算法[2-6]。尽管人们在图像分割方面做了许多研究工作。但由于尚无通用分割理论，因此现已提出的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。在此背景下，对图像分割的评价是必不可少的，这也成为图像分割研究的重要组成部分。更普遍来讲，无论是用于研究还是应用，性能评价对所有计算机视觉算法都很重要[7]。集成学习因其能显著提高一个学习系统的泛化能力而得到了机器学习界的广泛关注, 集成学习使用多个学习机来解决同一问题，它通过调用一些简单的分类算法，以获得多个不同的基学习机，然后采用某种方式将这些学习机组合成一个集成学习机。随着集成学习研究队伍的不断壮大，集成学习技术得到了快速发展，各种集成学习算法目前也正在被广泛应用于生物、工程、医学、计算机视觉和图像处理等研究领域[40-42]。 本课题研究结合现有图像分割评价算法，考虑到不同分割评价算法的不同评价标准，利用集成学习思想，选取机器学习方法对不同评价算法所得的结果进行整合，从而得到一个图像分割质量的协同评价框架。　本课题拟使用的数据库包括Berkeley图像库[18]和我们自建的图像库和图像分割质量评价数据库。前两个数据库中包含了大量自然图片及机器和人工对图片进行的分割，图像分割质量评价数据库中包含了我们通过实验获得的人对机器分割的图片进行评价的结果。因此，本课题所构建的评价框架意在获得更接近人类的评价效果。由上述信息我们可以看出如何评价分割算法的性能，并针对具体应用合理选择算法仍是难度较大的问题。问题归根结底是目前还缺乏成熟完善的图像分割质量的评价体系。另外， Kang[34]等人指出多个评价算法的整合是未来图像分割评价的一个趋势。因此，本课题的研究内容不仅提出一种协同评价框架，并且将进一步推动图像分割算法的发展和应用。国内外现状分析 现有图像分割质量评价方法主要有理论分析和实验评价两大类,其中理论分析是直接使用数学理论对分割算法性能进行分析，这种方法能避免实验因素的影响，但目前还缺乏具有普遍适用性的理论作为分析的依据[8]。所以实验评价的方法更具实际意义。具体而言，实验评价方法又可以分为以下情况： 基于任务的评价方法 基于特征的评价方法 基于参考分割（监督式）的评价方法 无参考分割（非监督式）的评价方法 以下我们分两部分来分析每类方法的研究进展情况。 基于任务的评价方法 由于图像分割是很多任务系统实现的关键步骤，对分割质量的评价与这些系统的性能评价紧密相关,因此分割质量评价是面向最终分析目的的。Clark[9]等从检测目标的角度定义了分割质量指标，包括目标与背景的对比度、边缘连通性、目标对背景的熵等。Bennet[10]等提出了目标区域与标准参照区域的吻合度度量方法。另外，刘文萍[11]等使用专门设计的合成图像，测试包括目标的相对均匀度和相对性状测度等特征，以实现对分割结果进行评价。但是，这些