基于边界统计量的前景分割研究

论文摘要

视觉是一个对图像进行重新解释为物理场景的过程,例如从图像中的前景从其它部分中分离出来。和其它视觉感知任务一样,图像本身只为前景分割提供了有限的信息,因而需要先验知识的参与来完成分割任务。Gestalt知觉组织原则通过对前景轮廓线统计量的约束对简化这一过程起到了关键作用。然而,缺少一个生物上可行的神经计算模型表征Gestalt知觉组织原则的作用,目前仍然缺乏对Gestalt知觉组织原则的定量研究。本文提出一种基于Markov随机场的Gestalt知觉组织原则表示,并建议了一种基于信息传递算法的神经计算机制来完成前景分割所需的推理。本文模型通过在分割标签的编码加入对轮廓线方向的考虑,将Gestalt知觉组织原则的各项准则加入到目标函数中去。而以往的分割算法如Grabcut等,几乎没有考虑过这类约束条件。作为前景分割和Gestalt知觉组织原则研究的基本框架,本文系统的结构设计与神经生理实验结论相一致。我们将视觉的前景分割系统分为三个松散耦合的子模块:第一个子模块对应于初级视皮层,用于抽取边界、角点等与前景分割有关的基本几何特征。第二个子模块对应于纹外皮层V2区,用于在基本几何特征的基础上进行推理计算,以形成感知上的前景分割。第三个子模块对应于高级区域,用于引导前景的选择。在本文中,我们通过一个前景预注意模型或一个用户交互系统代替这一模块。这样一个与生理实验一致的结构允许我们在本文工作研究的基础上建立更复杂的神经视觉模拟系统。此外,我们通过概率密度估计的方式对V1区到V2区的前馈影响进行建模。这一阶段事实上是对Gestalt知觉组织原则的定量建模过程。和以往对Gestalt知觉组织原则的定量研究不同,本文着重讨论了该原则在神经视觉系统中的实现以及可行性。特别地,本文所考虑的Gestlat知觉组织原则甚至包括了前人工作中无法表示的闭合律,在过去的定量研究中从未包括,但它对前景分割任务十分重要。为了验证本文算法的有效性,我们在两幅心理实验图像和Berkeley分割数据集上对本文模型进行了实验。本文模型给出了令人鼓舞的自动前景分割结果,同时反映出Gestalt知觉组织原则的有效性。本文同时给出了一个半自动的交互分割算法,给出了有竞争力的前景分割效果。

论文目录

• 目录
• 摘要
• ABSTRACT
• 第一章 引论
• 1.1 研究动机
• 1.2 相关工作
• 1.2.1 自然边界的统计特性
• 1.2.2 前景分割的生理模型
• 1.2.3 前景分割的计算模型
• 1.2.4 相关工作的局限性
• 1.3 前景分割的脑机制
• 1.4 本文的方法
• 1.5 本文的组织结构
• 第二章 前景分割的MARKOV随机场模型
• 2.1 问题的定义
• 2.2 本文模型
• 2.3 MARKOV随机场模型的解法选择
• 2.4 TREE-REWEIGHTED MESSAGE PASSING算法
• 2.5 信息整合算法
• 2.6 本章算法的生物可行性
• 第三章 局部图像特征抽取
• 3.1 简单神经元、复杂神经元和超复杂神经元
• 3.2 简单和复杂细胞的建模:灰度边缘检测
• 3.3 超复杂细胞建模:曲率检测
• 3.4 超复杂细胞建模:纹理分析
• 第四章 前景分割的优化目标
• 4.1 本章的方法
• 4.2 GESTALT知觉组织原则
• 4.3 GESTALT知觉组织原则的建模
• 4.3.1 先验概率:闭合律和连续律的定量分析
• 4.3.2 条件概率:相似律的定量分析
• 4.4 前景显著性
• 4.5 接近律
• 4.6 MARKOV随机场的平滑和数据代价
• 第五章 实验结果
• 5.1 数据来源
• 5.2 错觉图像的模型解释
• 5.3 半自动前景分割
• 5.4 自动前景分割
• 第六章 讨论
• 6.1 本文的主要结论
• 6.2 与相关算法的比较
• 6.2.1 基于谱分割的方法
• 6.2.2 基于高斯混合模型的Markov随机场方法
• 6.2.3 基于学习模型的方法
• 6.3 本文未解决的问题
• 6.3.1 反馈连接的作用
• 6.3.2 快速颜色分割系统的参与
• 6.3.3 高级区域的参与
• 附录
• Ⅰ 目标函数的非子模块性
• Ⅱ 图像的GAUSSIAN曲率
• Ⅲ BERKELEY分割数据集的加工
• 参考文献
• 后记