先验信息与图论相结合的图像分割方法及其应用研究

Image segmentation is a process of dividing an image into several meaningful homogeneous regions by certain features (such as color, texture, etc.) and extracting the object of interest. Graph cut technology based on graph theory has its unique advantages in image segmentation.. Research Group intends for image segmentation method based on graph theory in the process of image segmentation vulnerable to external environment and parameter estimation and interference factors, the target image segmentation distortion, noise and blurring problem, to protect the image detail and improve the image quality factors as starting point to develop research. Main research (1) in the traditional graph segmentation method into the a priori information about the target segmentation, design, a new algorithm based on graph theory and the image segmentation is accomplished; (2) to study a new method to adaptively adjust the parameter estimation method, in order to overcome the difficulty of manual adjustment parameters; (3) a new method for the study of prior information and image information fusion method.Apply the proposed novel method to the segmentation of animal and plant object acquired on Qinghai-Tibet plateau as a preprocessing for the recognition of them in the future work. It is significant that this project will contribute greatly to the fields such as image processing and computer vision, and will pioneer in the development of these fields in Qinghai province.

图像分割是将一幅图像按照一定的特征（如颜色、纹理等）分割成若干有意义的同质区域并提取感兴趣目标的过程。基于图论的图割（graph cut）技术在图像分割方面有其独特的优势。. 课题组拟针对基于图论的图像分割方法在分割图像过程中易受外界环境和参数估计等因素干扰，使图像分割目标失真、噪声干扰及模糊等问题，以保护图像细节和提高图像质量等因素为切入点展开研究。主要研究（1）在传统图论分割方法中融入分割目标的先验信息，设计基于图论的新算法，完成图像分割；（2）研究新方法中自适应调节参数估计的方法，以克服人工调整参数的困难；（3）研究新方法中先验信息和图像基本信息相融合的方法。将新方法应用到青藏高原动植物图像的分割中，为后续动植物的自动识别提供新的思路和方法。项目的研究成果对国内计算机视觉领域的研究有重要意义，对填补青海省这方面研究的空白有很大的帮助意义

本研究针对图割技术、深度学习技术在图像分割、图像目标检测等方面存在的问题展开研究，其主要内容及创新点如下：.（1）针对图割与单个形状先验模板结合无法分割一幅图像中多个目标的问题，提出了多先验形状的图割分割方法。实验表明，该方法能克服噪声、遮挡等情况，较好地分割出图像中的多个目标。.（2）针对脉冲耦合神经网络在分割图像时存在目标和背景混叠且分割时间过长的问题，提出了结合灰度权值调整的 PCNN图像分割方法、基于 SPCNN 的双阈值自适应分割方法。实验表明，提出的方法可以取得较优的分割结果，提高了分割效率，且具有良好的抗噪性。.（3）针对图像语义分割方法边界定位不准确、分割模糊的问题，提出了融合FC-CRF密集网络图像语义分割方法、结合跳跃连接的残差网络图像语义分割方法。实验表明，提出的方法不仅使得分割不同语义区域的边界明确且规整，提高了分割精度。.（4）针对目标检测中的物体外观会根据形状及不同的姿势和视角而有很大的差异，提出了改进Faster R-CNN的多通道检测算法、改进Faster R-CNN的目标检测算法。实验表明，提出的算法在检测精度和速度上都有着很好的表现。.（5）针对生成对抗网络进行图像转换时在可扩展性和鲁棒性方面存在的缺陷问题，提出了基于生成对抗网络的面部属性迁移算法、基于生成对抗网络的无监督图像风格迁移方法。实验表明，提出的算法在面部属性迁移和图像风格迁移方面的性能更好。.（6）针对YOLO目标检测算法精度低的问题，提出二次特征融合的YOLO目标检测算法。实验表明，该方法在目标检测的精度上有明显提高。.（7）针对图像拼接技术进行全景图像融合时出现瑕疵、畸变且不能保护图像内容的问题，提出了基于单应性矩阵和内容保护变形的图像拼接算法。实验表明，该算法提高了图像配准的效率，能够达到无缝拼接、无视差的全景效果图。.（8）针对已有方法在平滑图像时存在的问题，提出了各向异性联合三边滚动滤波器方法。实验表明，该方法具有更强的平滑和结构保持能力。