多目标图像分割的稀疏表示方法

The image processing method based on sparse representation is the forefront of the computer vision and pattern recognition.Sparse representation methods in image denoising,deblur,inpainting,super resolution reconstruction have obtained the good effect.The project will go on with the sparse representation methods for image segmentation problem in-depth,comprehensive research, including the sparse regularization method for image segmentation,image decomposition based image segmentation method,the extension of these methods,and sparse representation segmentation algorithms ect.The solution of these problems will lay the foundation for the theory of sparse representation of image segmentation method,comprehensive application.Innovation:fomulate a new kind of multi-objective image segmentation method based on sparse representation.The contents include:(1) the fuzzy membership function is introduced into the sparse regularization in the model;(2) in the segmentation model,using the multi morphological component of image approximation raw segmentation image;(3) the sparse representation of the learned dictionnaries are used into the established segmentation model;(4) the extension of the new models and algorithms.The results of this project not only have important theoretical significance,but also these results have important application value in the image recognition, texture classification, target tracking, medical image processing.

基于稀疏表示的图像处理方法是当前计算机视觉和模式识别的前沿。稀疏表示在图像去噪、去模糊、修补、超分辨重构等应用领域取得了良好的效果。本项目将对多目标图像分割的稀疏表示方法展开深入、全面的研究，包括稀疏正则化的图像分割方法、基于图像分解的图像分割方法、基于稀疏正则化和图像分解的分割方法推广、基于稀疏表示的图像分割算法等。这些问题的解决将为基于稀疏表示的图像分割方法的理论、应用和全面推广奠定基础。创新之处：建立新的基于稀疏表示的多目标图像分割方法。具体包括：(1) 将模糊隶属度函数引入到稀疏正则化模型中；(2) 在分割模型中，使用图像的多形态分解逼近原始分割图像；(3) 在建立的分割模型中，引入字典学习的稀疏表示方法；(4) 建立推广的基于稀疏表示的图像分割模型与算法；本项目的成果不仅具有重要的理论意义，同时在图像的特征识别、纹理分类、目标追踪、医学图像处理等方面具有重要的应用价值。

本项目以稀疏表示和变分理论为主要研究方法，结合多尺度分析，字典学习及不同工具和手段，重点探讨了图像分割、恢复、增强、融合等问题的模型和算法。通过项目的完成，我们在理论上有所突破，方法和技术上有创新，主要包括以下方面：第一、建立了一类基于小波系数稀疏正则化和PCA特征的图像分割模型，并给出一种快速的小波迭代阈值多区域图像分割算法，该方法容易推广到曲线波迭代阈值算法；第二、使用空间约束、自适应字典学习及正则化技术，给出了多种基于图像分解的多区域图像分割模型和迭代算法；第三、基于稀疏子空间聚类方法和最大后验估计，建立了改进稀疏子空间聚类和非凸低秩稀疏分解的图像分割方法以及乘性噪声图像的分割方法；第四、利用图像的局部自相似性、图像的全局稀疏梯度场、低秩和结构稀疏等先验以及概率、字典表示、四元数等工具提出了新的图像处理理论与方法并应用于图像的恢复、增强、融合及数据分类等问题。共发表30余篇论文，SCI收录13篇，EI收录16余篇，超过了项目资助计划书预期目标。