一种基于分层高阶条件随机场的图像分割方法技术

一种基于分层高阶条件随机场模型的图像分割方法，首先对目标图像提取多类纹理特征，构建像素级的一元势函数和成对势函数；再使用无监督分割算法获得不同粒度的超像素片段；设计各粒度层对应超像素级的一元势函数和成对势函数；构建分层高阶条件随机场模型；利用人工标记样本，监督学习分层高阶条件随机场模型参数；最后对待测试的图像，经过模型推理获得最终的分割标记结果；本发明专利技术采用的分层高阶条件随机场模型融合了图像的多特征纹理信息和多层超像素分割信息，能够有效地提高图像中多目标对象的边界分割准确性。

An image segmentation method based on hierarchical high order conditional random fields

【技术实现步骤摘要】
一种基于分层高阶条件随机场的图像分割方法
本专利技术涉及图像分割
，具体涉及一种基于分层高阶条件随机场的图像多目标分割方法。
技术介绍
图像分割是计算机视觉领域中的一个关键问题。图像分割质量对后续的图像内容分析、模式识别等应用有着重要的影响。目前的图像分割算法主要包括以下几类：1)基于阈值的图像分割。该类方法适合于目标和背景拥有不同灰度级范围的目标图像。2)基于区域的图像分割。其思想是依据具有相似特性的像素，通过区域生长与区域合并的图像分割技术。3)基于形变模型的分割。此类方法需要给出待分割对象的初始封闭分割曲线，再在一些启发式信息的作用下，曲线逐步变形到目标对象的边界处。4)基于概率图模型的图像分割。针对实际中的噪声图像数据，该类技术利用概率图模型对自然图像中的统计信息以及先验知识准确建模，是目前针对不确定图像数据分割的最有效方法。基于条件随机场的概率图模型图像分割方法已成为图像分割领域一个研究热点。然而，此前方法大多基于像素级特征的条件随机场建模[1]，忽略了图像中目标对象的边界信息，分割结果往往过于追求像素间的平滑。毛凌等[本文档来自技高网...

【技术保护点】
1.一种基于分层高阶条件随机场的图像分割方法，其特征在于：在构建条件随机场的底层能量函数方面：首先提取图像的像素级特征，包括纹理特征、颜色特征、尺度不变特征变换特征和局部二值模式特征，利用这些像素级特征训练分类器，把分类器对像素分类的输出值转化为概率表达，构造像素级的一元势函数；再利用邻域像素颜色差异的边界特征定义像素级的成对势函数；在构建条件随机场的中层能量函数方面：首先利用无监督分割算法得到不同分割粒度的超像素分割结果；再提取超像素特征构建超像素级的一元势函数和成对势函数；综合利用图像的像素级的一元势函数和成对势函数以及超像素级的一元势函数和成对势函数构建分层高阶条件随机场模型；进而利用人...

【技术特征摘要】
1.一种基于分层高阶条件随机场的图像分割方法，其特征在于：在构建条件随机场的底层能量函数方面：首先提取图像的像素级特征，包括纹理特征、颜色特征、尺度不变特征变换特征和局部二值模式特征，利用这些像素级特征训练分类器，把分类器对像素分类的输出值转化为概率表达，构造像素级的一元势函数；再利用邻域像素颜色差异的边界特征定义像素级的成对势函数；在构建条件随机场的中层能量函数方面：首先利用无监督分割算法得到不同分割粒度的超像素分割结果；再提取超像素特征构建超像素级的一元势函数和成对势函数；综合利用图像的像素级的一元势函数和成对势函数以及超像素级的一元势函数和成对势函数构建分层高阶条件随机场模型；进而利用人工标注的样本，通过逐层监督学习的方法估计模型参数；最后对目标图像应用图割算法推理得到最终的图像分割标记。


2.根据权利要求1所述的一种基于分层高阶条件随机场的图像分割方法，其特征在于：所述的利用无监督分割算法得到不同分割粒度的超像素结果，具体方法为：先将图像从RGB空间转换到LUV颜色空间，利用均值漂移聚类算法，通过选择颜色搜索窗口参数，产生不同分割粒度的三层超像素结果。


3.根据权利要求1所述的一种基于分层高阶条件随机场的图像分割方法，其特征在于：所述的提取超像素特征构建超像素级的一元势函数：具体方法为：定义超像素的特征响应值为超像素内该特征对应像素点所占的比例，通过该特征响应值训练分类器，并将分类器对超像素分类的输出值转化为概率表达，以此构造超像素级的一元势函数；具体数学模型为：设xc表示某一超像素c的特征...

【专利技术属性】
技术研发人员：杨旸，谢明远，
申请(专利权)人：西安交通大学深圳研究院，
类型：发明
国别省市：广东;44