《基於無約束凸最佳化的多尺度動態圖像分割方法研究》是依託昆明理工大學，由張印輝擔任項目負責人的地區科學基金項目。
基本介紹
- 中文名：基於無約束凸最佳化的多尺度動態圖像分割方法研究
- 項目類別：地區科學基金項目
- 項目負責人：張印輝
- 依託單位：昆明理工大學
項目摘要,結題摘要,
項目摘要
動態背景下多尺度統計圖像分割相對靜態背景下的分割更具實際意義和挑戰性，其中多尺度信息融合算法的魯棒性和融合結果的一致性是實現圖像準確分割的關鍵。隱馬爾可夫樹（HMT）模型為多尺度統計分割提供了一種可行的計算框架，但是現有HMT融合算法存在收斂於局部極值的局限。本項目研究基於無約束凸最佳化的多尺度最大後驗機率全局最佳化理論，主要內容包括：（1）研究多尺度信息圖切分融合模型框架與多尺度權重能量函式建模理論，來融合尺度係數信息和子帶相關信息，以保證融合算法魯棒性；（2）研究權重係數動態更新策略與無約束凸最佳化轉化理論，來更為準確的計算多尺度權重自適應能量函式全局最佳化，以保證融合結果一致性；（3）在典型動態背景下進行菸葉分割實驗驗證算法有效性，與HMTseg算法對比，作出定量評價。本項目旨在探索動態背景下多尺度信息魯棒融合算法，以解決HMT多尺度信息融合結果不一致難題，為多尺度信息全局最佳化提供理論指導和依據。
結題摘要
本研究針對隱馬爾可夫樹（HMT）模型多尺度分割算法存在的局部極值局限，研究基於無約束凸最佳化的多尺度後驗機率全局最佳化理論，來提高多尺度分割的魯棒性和一致性。主要工作進展包括：（1）建立了多尺度信息圖切分融合框架，提出多尺度權重能量函式建模理論，可融合尺度係數包含的區域信息和子帶係數包含的邊緣信息，採用四種方法融合不同尺度的邊緣和區域信息。研究發現隨著融合尺度增加，分割性能反而會由於施加過高邊緣懲罰而降低，納入尺度係數信息後分割精度、邊界確定度和邊界敏感度均得到提高。原因在於尺度係數中含有更具魯棒性的區域信息；另外，在多尺度能量函式中納入平滑約束，會在一定程度上平衡過高的邊界能量項懲罰。（2）定義了一種新型的多尺度能量函式重構形式，並證明該重構是關於HMT邊緣分布的凸函式。（3）通過拉格朗日變換計算原多尺度凸能量的最大下界，將原問題轉化為無約束凸最佳化問題，保證在疊代過程中滿足邊緣分布一致性。（4）建立HMT結點和連線訊息動態更新策略，能夠更為準確的求解多尺度無約束凸能量全局最佳化，保證結果一致性。（5）開展典型動態背景分割實驗，採用菸葉檢測動態背景圖像數據和加州大學聖地亞哥分校動態背景分割標準庫進行測試，檢驗算法有效性，並與當前先進的GraphCut算法對比。研究發現通過十幀菸葉圖像分割，本項目全局最佳化隱馬爾可夫樹（GOHMT）算法在分割精度，邊界確定度和邊界敏感度性能指標上總體優於非凸能量函式分割結果。通過100幀動態背景標準庫圖像分割，GraphCut方法在第13幀和14幀時出現明顯波動，分割精度下降到48.96%和37.32%，而GOHMT能夠在100幀圖像獲得較為一致的分割。原因在於GraphCut建立的能量無法保證為凸，從而在最小化過程中無法獲得全局最優解；本項目GOHMT將分類似然信息魯棒融合在多尺度凸能量函式中，並在凸最佳化過程中納入邊緣一致約束，從理論上保證動態背景下分割結果一致性。計算複雜度方面，對於128×128像素100幀灰度圖像，GOHMT和GraphCut算法平均每幀的計算時間分別是0.56秒和0.24秒，對菸葉檢測工業套用而言GOHMT計算複雜度處於可接受的合理範圍內。本研究證實了我們提出的無約束凸最佳化多尺度圖像分割構想，提高了動態背景下分割的魯棒性，驗證了HMT多尺度融合結果一致性，為基於多尺度分類似然全局最佳化的動態背景圖像分割提供了理論依據。
