论文部分内容阅读
图像分割作为图像处理过程中的预处理步骤,具有基础且关键的作用。相关问题的研究受到国内外学者的极大关注。由于图像中所包含信息的多样性与复杂性,图像分割仍然是一项极具挑战性的任务。其中,基于显著性的目标分割算法作为图像分割算法的重要分支,其模拟人类视觉感知机制,能够快速准确地分割出一张图像中人们可能感兴趣的目标或区域。海量的图像信息可通过该方法选择或者重点处理其中重要的部分,这对于图像分割领域有着重要的意义。本文对基于显著目标分割算法进行研究。首先概述显著目标分割算法的基础理论与几种经典方法,然后分析现有方法并对存在的问题展开讨论,重点针对其中一些主要问题,本文提出了一种基于支持向量机的显著性目标自动分割新算法和一种基于结构矩阵分解的非凸低秩显著目标分割算法。主要工作与研究结论如下:(1)针对显著性检测算法显著图不均匀导致图像分割精度不高的问题,提出了一种基于支持向量机(Support Vector Machine,SVM)的显著性目标自动分割新算法。该算法首先通过显著性检测得到大致的显著区域和背景区域,然后将图像在HSV颜色空间量化,并利用颜色直方图信息获取显著区域和背景区域的主色,以此自动选取正负训练样本,再从训练样本中提取颜色等特征训练SVM,最后使用SVM对整幅图像精确分割出显著目标。理论分析和实验结果表明,所提出的算法不仅具有更正错误检测信息的机制,而且有效地解决了因显著图不均匀导致分割结果缺乏准确边界的问题,比现有同类算法能获得更准确的分割结果。(2)针对显著性检测算法显著图不均匀、目标背景相互混淆的问题,提出了一种基于结构矩阵分解的非凸低秩显著目标分割算法。该算法主要分为两大步骤,第一步是首先使用非凸S_p范数约束低秩背景和F范数改进稀疏约束来构造矩阵分解模型,然后提取图像的多个特征组成特征矩阵F,接着使用分解模型得到稀疏矩阵S和低秩矩阵L,最后利用稀疏矩阵S计算得到显著图;第二步是使用OTSU阈值分割算法对显著图进行进一步分割,得到显著目标。理论分析和实验结果表明,所提出的算法在背景较为复杂时,获得的显著图与现有同类算法相比更为完整且均匀,最后分割得到的显著目标也更为准确。