交互式图像分割算的研究与应用（郭丽）ppt.ppt

交互式图像分割算法的研究与应用 导师：高立群 教授 学生：郭 丽 主要内容 研究背景 由于图像的类型和内容多种多样，自动分割方法对多目标或背景复杂的图像很难奏效。因此，交互式图像分割方法已经开始越来越受到人们的重视。本文重点研究Live Wire和随机游走两种交互式分割算法。 基于PCNN的Live Wire医学图像分割算法 Live Wire算法的基本思想是：把图像当作一个连通图，图像中的像素点当作图中的节点，相邻像素间的边当作连接点的边。在边上定义一个代价函数，把用户指定的物体边界上的两点之间的最短路径当作物体的边界。 代价函数 改进算法的思想 常规的Dijkstra 算法在运行时要执行两重嵌套的循环结构， 该算法的时间复杂度为O( n2)。 PCNN算法实现计算的代价函数中任意两点间的路径搜寻时，主要是利用其神经元的点火特性和自动波的传输特性。 最短路径搜索示意图 最短路径搜索示意图 最短路径搜索示意图 实验分析 实验结果 在线训练 基于ACO的Live Wire足迹跟后缘提取 针对足迹人的年龄分析，主要提取赤足足迹跟区压痕的轮廓作为年龄识别的重要参数。 改进算法的流程图 权值的改进 ACO最短路径求取 蚂蚁算法是一种启发式仿生搜索算法，是意大利学者Dorigo (多里戈)于1997年首次提出来的。是人们对真实的蚁群觅食行为进行研究后，受到启发而产生的一种自然算法。 实验比较 椭圆拟合后 质量检测 基于随机游走的图像分割研究 随机游走算法的思想是把一个输入图像看作一个加权图，通过比较随机游走者从每个节点游动到给定标记节点的概率，以最大概率为准则分割节点类别，实现图像分割。 基于随机游走的图像分割研究 随机游走的分割问题就是求解线性方程组 改进算法的思想 滑降初始分割 给出一幅图像的梯度幅值，通过找到每个像素邻域内的最小梯度幅值来确定滑动方向。把滑到相同梯度图像极小值的像素分成一组，从而实现图像分割。 优点：增加了分割边界的稳定性，并且由于减少了图中的节点数目，减少计算时间，提高计算速度。 权值改进 同质值大的像素表示该点和周围邻域像素灰度差小，分成同一区域的概率大。而两节点的距离远，说明这两节点成为同一分割区域的概率小，所以同质值和距离相对于分割节点之间为反比关系。 基于万有引力算子思想改进的加权函数权值定义 权值改进 实验分析 人物图像实验 医学图像实验 滑降算法分割节点 改进算法的分割速度比较 随机游走算法在多车辆检测中的应用 在复杂交通场景监视中,由于阴影或者遮挡造成图像中多个车辆区域相互粘连,以及由于车体的颜色纹理与背景相似而使得检测出的单部车辆对应为多个区域,这些问题都给车辆的正确检测带来了很大的困难. 随机游走分割 改进算法的思想 背景差分 W4背景模型是从背景图像统计序列中，通过双峰分布构建的具有鲁棒性的背景模型。 边缘检测 利用Canny检测的运动车辆阴影区域没有相关的纹理细节，可以利用这一特点来去除运动车辆中的阴影。 运动区域获取 通过背景差分获得的图像和边缘检测差分获得的图像进行“与”操作，实现由阴影导致的粘连车辆分离，为后续的运动车辆种子点提取提供条件。 骨架提取 在智能交通识别系统中不能手动标记种子点，所以提出了利用骨架结构来提取种子点。 有效标记点提取 由于骨架结构是单像素连通区域,本章利用寻找骨架结构像素点的八邻域内有一个像素为骨架结构点和三个像素为骨架结构点的骨架点为有效骨架结构标记点。 随机游走分割 随机游走能并行分割多个车辆，对微弱物体边界或对比度低的目标或区域也能取得良好的结果，为后续车辆跟踪研究打下坚实的基础。 实验分析 实验分析 实验分析 多尺度形态学梯度滑降分割算法 滑降算法的基本思想是给出一幅图像的梯度幅值，通过找到每个像素邻域内的最小梯度幅值来确定滑动方向。把滑到相同梯度图像极小值的像素分成一组，从而实现图像分割。 改进算法的思想 多尺度形态学梯度 多尺度形态学梯度算子为： 利用多尺度形态学梯度作为滑降分割前的梯度幅值，提高了原有滑降分割的抗噪性和分割能力。 区域合并 区域面积合并 阈值取值一般设为图像的总像素个数的1/400 相似区域合并 通过检测评价函数的值，判断是否合并。 实验分析 实验分析 基于滑降算法的反馈PCNN医学图像分割 滑降算法受梯度图像计算和噪声等因素的影响，分割结果有过分割和区域轮廓的定位不准确性。 对原始图像进行脉冲耦合神经网络训练，并确定物体标记，然后再对梯度图像进行滑降分割，这样一方面可以消除产生过分割的非规则细节及噪声因素，另一 改进算法的思想 反馈PCNN框图 反馈PCNN把一些输出信息反馈给输入，而这以过程类似于老鼠