一種基于圖像底層特征的對象粒認知方法研究.pdf

1、對象非監(jiān)督發(fā)現、分割的應用領域相當廣泛，包括圖像理解、視頻監(jiān)控、圖像和視頻編輯、人機交互、圖像和視頻檢索、視頻編碼以及對象識別等。分析已有的眾多應用，發(fā)現有三點顯得至關重要：一是所發(fā)現的對象與真實對象的逼近度，如邊緣的吻合性等；二是所設計的應用算法的通用性和擴展能力，由于圖像、視頻種類繁多，一次性設計出通用性完美的發(fā)現、跟蹤算法是不可能的，為達到無限地逼近真實對象的目的，相關算法具有持續(xù)升級能力和好的移植能力便顯得十分必要；三是因眾多資

2、源有限的應用環(huán)境的出現，例如無線傳感網等，為讓圖像、視頻對象的非監(jiān)督發(fā)現和跟蹤能用于這些環(huán)境，相應的算法得輕便，易于硬化，最好是線性的。本文針對以上問題，以對象非監(jiān)督提取和跟蹤為目標，借鑒心理學的認知模型，基于底層特征構筑了一個對象粒認知平臺，并將其用于顯著對象的非監(jiān)督粗糙提取。本文的主要工作包括：
　　 第一，針對復雜運動對象的跟蹤失效情形，提出了一種基于顏色閾值和區(qū)域融合的方法。運動在采樣時間尺度變長、物體本身外型較復雜且動

3、作軌跡不受約束或受遮擋時，其復雜性將增加。此時將導致被連續(xù)跟蹤幀間的變化增大，均值漂移算法會因Bhattarchayya系數太低而失效。針對這種情況，本文基于快速顏色閾值和區(qū)域融合，改進了均值漂移算法。實驗證明，改進算法消除了失效。為做到進一步精密，比如讓跟蹤的邊緣貼合于所跟蹤的對象等，本文繼續(xù)作了以下幾項工作。
　　 第二，為讓計算機非監(jiān)督地獲得“感覺”，提出并實現了一種粒截分模型。通過分析已有的圖像、視頻底層特征的處理和語義

4、挖掘算法，本文歸納出了一種映射關系，即底層特征、知識表示、語義概念對人類認知的感覺、知覺、表象。以此為指導，開始探索一種由感覺到表象的對圖像、視頻對象的非監(jiān)督認知方法。做為基礎，為讓計算機能自主產生對彩圖的“感覺”，基于人工智能領域中的長于模擬人類思維解決復雜問題的粒計算理論，提出了一種粒截分模型。首先以粗糙集和商空間理論為指導，構建拓撲信息系統(tǒng)。接下來，將數據視為超立方，建立由基礎截分向量和拓撲截分向量構成的截分向量集，以圖分別示意基

5、礎截分向量和拓撲截分向量的截分效果，提出了概念粒和連通粒兩個新概念，給出了粒截分模型的定義。最后，為實現粒截分模型，設計一種單屬性分析器，論證相關的定理及引理，詳細描述所有概念粒的截分過程，討論了存在的不足，并通過計算證實了單屬性分析器的低復雜度。在超過三百幅各類彩圖上做了實驗，結果顯示：單屬性分析器能有效分析所指定的屬性，讓計算機從彩圖中得到“感覺”。
　　 第三，為讓“感覺”更清晰，提出了一種可適用于任意圖像甚至圖像碎片的粒

6、標注算法。首先，根據粒截分模型依據所選用的觀察概念截分圖像，得到相應的概念粒。然后，行壓縮指定概念?；蛉扛拍盍?，得到對應的行連通段。最后，給出了實現粒標注的算法--IGL算法，詳細描述標注、提取所有連通區(qū)(本文稱連通粒)的過程，定義可供后續(xù)處理應用的開放存貯結構，討論標注模型向高維的可擴展性。用二值圖和彩圖分別作驗證和比較分析，所得結果表明：所呈標注算法精確、魯棒，且較之傳統(tǒng)標注算法更高速。
　　 第四，考慮到截分所得的“?！?/p>

7、是任意形狀、任意分布的連通區(qū)域，對以區(qū)域為基元作特征提取和分析進行了探索，提出并實現了一種粒相關邊緣模型。本文針對現有邊緣提取算法不能提取任意形狀、任意分布區(qū)域的邊緣及所提取的邊緣缺乏統(tǒng)一模型、與實際對象的相關性不密切等問題，提出一種粒相關邊緣模型，并給出相應的實現算法一任意區(qū)域邊緣提取算法(Arbitrary Region Edge Extraction，簡稱AREE)。粒相關邊緣模型兼容于粒計算理論，由拓撲信息系統(tǒng)、概念粒、連通粒及

8、邊緣空間等概念組成。AREE算法引入行連通段等定義，給出并證明計算邊緣集的定理，隨后依據定理在壓縮狀態(tài)下搜索連通粒中的內點，進而完成邊緣提取。對比分析和示例實驗都證明：本文所提出的算法能精確、快速地提取出各類圖像中任意連通粒的邊緣。
　　 第五，基于以上構筑的認知平臺，提出了一種顯著對象非監(jiān)督卡粗糙認知算法。算法首先以粒截分模型用雙概念分別拓撲劃分論域，標注連通粒；依據尺度過濾掉過小拓撲等價類；用拓撲連通強度、拓撲分布密度等計算