论文部分内容阅读
目标分割是计算机视觉领域的经典难题之一，是图像分类、视觉监控、目标识别等问题中的关键技术。因此，研究目标分割问题具有十分重要的意义。近年来，随着图理论的引入和研究的深入，基于S/T Graph Cuts的目标分割方法因其充实的理论基础和良好的性能成为了新的研究热点。
本文主要研究基于S/T Graph Cuts的目标分割方法。在传统S/T Graph Cuts分割方法的基础上，将人类视觉感知信息引入到分割框架中辅助先验模型的获取，减少甚至避免大量的用户的交互，从而提高算法的实用性和易用性。此外，本文对感兴趣区域的提取进行了一些有意义的尝试。本文的主要工作和创新如下：
①对目标分割的方法进行了全面的综述，对各种方法的优缺点进行了分析和评价。重点对基于S/T Graph Cuts的目标分割方法进行了深入了研究，并通过实验对交互式S/T Graph Cuts及相关方法进行了分析和评价。
②针对显著性区域分布单一的图像，提出一种结合显著区域检测和S/T Graph Cuts的多分辨率自动分割框架：Saliency Cuts。借助感兴趣区域检测自动获取有效的目标和背景标注，能够完全避免用户交互并得到完整而高效的分割结果。
③针对显著性区域分布复杂的图像，提出了一种Local Saliency Cuts的框架，允许用户进行少量的操作即可实现指定目标的分割，同时也减少了全局计算的消耗时间。
④针对移动设备上的图片浏览，提出一种基于不对称S/T Graph Cuts的感兴趣区域提取方法，能够有效而鲁棒地从图像中提取用户感兴趣的区域，也是目标分割的一个变形和应用上的扩展。