基于复合超像素稀疏特征计算的图像分割方法研究

Image segmentation has been an important research content of image processing and computer vision all the time. However, the semantic gap still the bottleneck of the segmentation. Image segmentation still faces challenges and difficulties in the calculation of pixel semantic information, connection between feature description and the mechanism of visual and effective integration between segmentation method and multi visual feature. Aiming at the difficulties, this project will research in high-level visual features extraction based on multiple superpixels, to decrease the blindness of semantic information extraction. At the same time we will establish complete learning samples for dictionary oriented segmentation, using compressed sensing and sparse to abstract and optimize sparse feature of pixels (as group feature) and establish a relation between feature description and visual cognitive. Besides, we will analyze the link between distance learning and functional constraints, build the segmentation model and solve it by the energy minimization constraint, which would further improve the ability and efficiency of automatic image segmentation. This research will help to discover the general applicability of compressed sensing in segmentation, and will play a powerful role in promoting the image analysis, visual computing and other related research work.

图像分割一直以来都是图像处理和计算机视觉领域重要研究内容。然而，语义鸿沟依然是分割研究的瓶颈，在像素语义信息计算，特征描述与视觉机制的联系，分割方法与多视觉特征的有效融合等方面仍然是面临困扰和挑战。本项目将针对这些难点，研究以复合超像素为基础的中高层视觉特征提取，改善语义信息的提取盲目性；优选面向分割的完备字典学习样本，利用压缩感知方法进一步抽象并优化像素稀疏特征(群体特征)，建立特征描述与视觉认知的联系；分析多特征的距离学习与泛函约束之间的联系，通过能量最小化约束对分割进行建模和求解，进一步提高图像自动分割能力和效率。本项目将形成一套完善的面向分割的联合稀疏表示和特征组合优化方法，并设计基于能量最小化的分割模型。本研究将有助于发现压缩感知在分割中的普适性，对图像分析、视觉计算等相关研究工作将起到有力的推动作用。

图像分割作为一项基础的图像处理技术，是计算机视觉领域连接图像底层特征和高层视觉任务的关键步骤，是从图像分析和理解以及各类高层视觉任务的前提。本项目着重研究如何对利用复合超像素建立有效稀疏特征描述方法。除此之外，还必须研究基于相关中层视觉特征的图像分割方法。.已开展的主要研究内容：1.重点研究多策略和多尺度超像素分割策略的互补特性；2.研究多层级超像素的耦合关系，探索联合特征稀疏表示对于像素划分的意义。3.利用度量学习理论探索多变量复合特征相似性计算方法，构建多目标分割模型。.1．重点研究多策略和多尺度超像素分割互补特性；.在众多的超像素计算方法中选取不同策略和尺度的代表方法，提出以超像素区域为基础并结合相关视觉特征进行了分割与分类的研究, 验证了多策略和多尺度超像素对于区域的特征描述的互补特性。.2. 研究多层超像素的耦合关系，探索联合特征稀疏表示对于像素划分的意义；.结合超像素空间信息融合方法进行深入分析，系统地研究稀疏表示分类和描述的核心过程以及相应的特征完备提取和表示等问题。提出局部适应性的稀疏样本选择和复合超像素联合稀疏重建模型的最优化求解的分类方法，提高分类精度。.3. 利用度量学习理论探索多变量复合特征相似性计算方法，构建多目标分割模型。.研究了超像素内部统计特征和局部模式对于分割和分类的意义，将局部的纹理和颜色模式进行变换、组合并优化并融于泛函目标函数，实现优化过程与分割或分类的任务的统一。证明了复合超像素中蕴含的像素群体特征对于分类和分割的有效性。