论文部分内容阅读
本文主要研究了几何主动轮廓模型，和多特征集协作学习在图像分割中的应用。工作主要从以下几个方面进行：从定制矢量流的角度，讨论了集成多线索的信息到矢量场中，以用于驱动GAC模型实现较复杂场景的分割；设计了图像域内的Lennard-Jones力场，提出了基于Lennard-Jones力场的几何主动轮廓模型算法，以实现多用途的图像分割；将机器学习中的多特征集协作的思想引入图像分割，以解决分割问题的鲁棒性和可靠性，并将原始的co-EM算法扩展到co-DP；考虑了一种新颖的基于变分贝叶斯的多特征集协作图像分割方法，解决了常规EM方法无法解决的模型选择和传统类标传递过程中出现的类标变化导致的不相容问题。本文的贡献可以归纳为以下几个方面：
1.提出了一种基于定制矢量流的GAC模型。通过引入定制矢量流的概念，将集成多线索的矢量场引入GAC模型，使之具有分割复杂场景的能力。首先选择集成了多线索的EdgeFlow作为候选矢量场，通过对候选矢量场的改造，使之满足我们所提出的定制矢量流的准则，然后将其集成到GAC模型中。
2.提出了一种Lennard-Jones矢量场驱动的GAC模型。受到分子动力学中分子之间相互作用的启发，本文作者提出了一种新的力场驱动的GAC模型。相比较常规的GAC模型，本文作者的力场可以直接从原始图像数据上计算得到，不需要提取边缘图的前处理过程，并且本文作者的方法可以方便的集成各种有用的信息。大量的实验证明了我们方法的有效性和可靠性。
3.将机器学习中的多特征集协作的思想引入到图像分割领域：将co-EM引入到图像分割问题中，并且扩展传统的co-EM到co-DP框架，解决了co-EM中容易出现的过拟合和欠拟合问题，实现了一种不依赖于初始化，可自动选择成份个数的分割方法。
4.提出了一种基于概率推荐的变分多特征集协作图像分割框架。本文作者将变分贝叶斯的思想引入到图像分割框架中来，用它解决模型选择中容易遇到的过拟合，欠拟合问题。一种基于概率加权混合的多特征集协作的方法也被提出，集成到交分贝叶斯框架中，实现了快速，有效的图像分割。