1、圖像分割就是把圖像劃分成不同的區(qū)域,其中每個區(qū)域均具有特定的含義。圖像與視頻分割是計算機視覺和圖像處理領域的一個研究熱點,也是一個頗具挑戰(zhàn)性的研究課題,并且?guī)缀跏撬谢趫D像分析的人工智能技術的基礎,為眾多的高層應用如檢測、識別及跟蹤提供了最重要的依據,其分割質量的好壞將直接影響后續(xù)圖像技術任務的有效性。然而由于缺乏對人類視覺系統(tǒng)的深層認識,圖像分割同時也成為了計算機視覺領域的一個經典難題。在近幾年的研究中,基于變分模型的圖像分割方法得

2、到了廣泛關注和研究,在實際應用中也取得了良好的效果。這種方法將圖像本身的特征信息及目標的位置和形狀大小等先驗知識有機的結合在一個能量函數中,通過最小化這一能量函數有效地分割圖像目標。而圖割(Graph Cuts)優(yōu)化方法作為一種優(yōu)秀的優(yōu)化工具由于其優(yōu)良特性也受到了國內外學者的廣泛關注,在圖像分割領域中成為了一個新的研究熱點。
　　本文的研究就是針對圖像分割領域中的一些問題,對基于變分模型的圖像分割方法,以及圖割優(yōu)化算法進行了較為深

3、入的總結、分析和研究,提出了一種改進的新的變分模型,并基于此模型對圖割模型框架的諸多環(huán)節(jié)進行了優(yōu)化設計,研究了如何高性能的分割圖像和視頻目標。具體的,本文的主要創(chuàng)新成果包括以下幾個部分。
　　首先,針對經典的基于邊緣和區(qū)域的變分模型存在的局部最小化和無法處理異質目標或多目標等主要問題,對經典的CV模型進行了改進,提出了一種多分段常數的變分模型能量泛函,同時融合了經典的基于邊緣的測地線主動輪廓(Geodesic Active Con

4、tours,GAC)模型,提出了一種新的多分段常數(Multiple Piecewise Constant,MPC-GAC)變分模型,并使用圖割優(yōu)化算法對能量函數進行最小化求解。通過人工標記進行初始化,接著進行迭代計算,構建了一種高性能的交互式圖像目標分割方法。
　　然后,為了提出一種能夠廣泛運用的具有普遍意義的自動圖像分割方法,本文將前面提出的MPC-GAC模型擴展到多類的形式即融入GAC模型的多類多分段常數(Multiphas

5、e Multiple Piecewise Constant,MMPC-GAC)模型,為了解決這一多類問題的最小化求解,采用了多層圖的圖割優(yōu)化算法來對這一能量函數進行近似的最小化求解,并通過誤差分析展示了多層圖圖割優(yōu)化算法相對于α-expansion方法的優(yōu)越性。為了解決多類問題在計算求解中龐大的計算量問題,本文引入了四色原理對分割區(qū)域進行重標記,從而將分割的類別數總是控制在四類以下,得到了一種實用的高性能的多類自動圖像分割方法。

6、　　最后,針對傳統(tǒng)的背景建模方法在進行視頻目標分割時因為沒有利用相鄰像素間的空間域信息,致使在運動目標分割結果上總是存在噪聲分布、運動目標提取分散、目標區(qū)域捕獲不完整、突發(fā)性高斯白噪聲無法處理等問題,提出了將視頻中的運動目標分割問題納入到一個馬爾科夫隨機場(Markov Random Field,MRF)能量函數模型中,并在這個能量函數模型中深度融合了視頻的時間域信息(使用混合高斯模型獲取)和空間域信息,同時提出了一種3D圖割優(yōu)化算法,