基于自主尺度结构张量的彩色纹理分析方法研究

纹理分析就是研究能够准确描述和区分不同图像纹理的特征，是计算机视觉研究的一个重点和难点，在图像分割、目标识别以及图像检索等众多领域均有广泛应用。目前大多数纹理分析方法均集中在灰度纹理，尚无十分有效的彩色纹理分析方法以实现图像的颜色信息与其灰度纹理特征的有机融合。本课题以我们前期研究提出的多尺度结构张量纹理描述子为基础，研究基于自主尺度结构张量的彩色纹理分析方法。分析和探索尺度个数的自主选择以及尺度权重自适应计算的多尺度结构张量纹理描述方法，研究和构建精简化的自主尺度结构张量彩色纹理描述子，实现颜色信息和纹理特征的有机融合。针对精简化彩色自主尺度结构张量积所具有的黎曼结构，研究有效的黎曼空间的滤波算法，以确保张量积的正定对称性，并研究其在黎曼流形空间的距离度量和概率分布统计，有效提高彩色纹理描述子的辨识能力。相关研究成果不仅具有重要的理论价值，其应用前景也十分明确。

本项目研究基于自主尺度结构张量的彩色图像纹理分析，在如下几个方面取得了研究成果：1）提出了一种基于KL测度的独立尺度组件的黎曼协方差高斯混合模型（ICRGMM）来构建自主尺度结构张量，相比于尺度概率协变的一维方差GMM，ICRGMM算法采用了性能更优的超高斯混合模型，即假定各尺度间的概率分布相互独立，而且每个尺度都具有全协方差的高斯结构。使用不同距离测度的梯度映射来定义高斯模型的全协方差，选择了其中准确性和描述能力最高的黎曼协方差结构。为了进一步提高GMM统计参数估计和更新的准确性，使用了分量形式的期望最大化高斯混合算法。2）提出使用黎曼空间谱分解算法来构建超高斯混合模型，为了最大限度的提高纹理识别与区分的准确性和鲁棒性，使用了纯黎曼空间几何理论来度量MSNST特征间的流形距离，并以此构建纯黎曼超高斯混合模型RSGMM）来估计MSNST特征的概率密度函数，为了对RSGMM中的统计参数进行高效、准确和稳定的估计，提出了基于多尺度联合空间谱分解的递归聚类算法。3）提出一种无监督的颜色纹理图像分割方法，引入了一种新的颜色纹理描述符，集成了多尺度结构张量、总变差流及颜色信息。借助总变差流提取局部尺度信息以辅助描述纹理特征，优化多尺度结构张量模型对具有大尺度纹理信息区域的分割结果。采用多变量混合学生t分布来准确描述颜色纹理特征分布，选取该分布作为概率分布模型，实现颜色纹理图像多类无监督分割。4）提出了一种基于多分段常数变分模型及图割优化算法的交互式图像目标分割方法。解决了CV模型无法处理异质目标分割的问题，使得该模型能够广泛应用于自然场景图像的分割，并提出采用图割优化方法来优化连续的变分模型；5）提出了一种基于多类多分段常数变分模型及多层图割优化算法和四色原理的自动图像分割方法。将MPC模型扩展到多类情况，提出了MMPC模型，并且在多类分割中，引入四色标记定理，得到了一种性能较好的自然场景图像多类自动分割方法，并提出采用多层图结构来优化多类变分能量模型。6）对变分模型的图割优化理论进行系统的总结和研究，系统分析了变分模型及图割优化的内在关联及本质联系，提出基于窄带的迭代变分优化分割算法，将多个经典的图像分割算纳入了变分模型的图割优化框架，并对相关算法进行了系统的比较分析和实验评价，得出了一系列具有指导意义的一般性结论。