圖像分割在計算機視覺中占有相當重要的地位,是目標識別,場景分析,目標檢測等多種任務的預處理步驟。分割質量的好壞將對這些任務的輸出產(chǎn)生影響。目前,最常用的分割質量評價方法是主觀評價,但是該方法耗時耗力。客觀評價方法包括有監(jiān)督和無監(jiān)督的評價方法,其中有監(jiān)督分割質量評價方法需要人工分割結果或預處理的參考圖像。不需要參考分割的無監(jiān)督分割質量評價方法是實現(xiàn)在線分割質量評價的關鍵。為了獲得更好的無監(jiān)督分割質量評價性能,本文對基于聚類學習的目標分割質量評價方法進行研究,主要研究內(nèi)容是基于邊緣特征,采用聚類學習發(fā)現(xiàn)圖像分割區(qū)域的局部空間結構特征,以塊結構中包含的邊緣信息作為分割質量評價的依據(jù),設計并實現(xiàn)無監(jiān)督評價方法。本文首先介紹了圖像分割以及圖像分割質量評價的國內(nèi)外現(xiàn)狀。然后介紹了本文涉及的相關技術,包含有監(jiān)督評價方法,無監(jiān)督評價方法,邊緣特征聚類,聚類以及顯著性檢測。接下來,本文提出了一種基于圖像邊緣特征聚類的分割質量評價方法,詳細介紹了其訓練數(shù)據(jù)構建和評價分數(shù)的計算,并在分割評價數(shù)據(jù)庫和三種不同分割粒度分割上對該方法進行了驗證和對比實驗。實驗結果表明該方法的評價性能超越了F,Hw,Zeb,Frc... 

【文章來源】：西南交通大學四川省 211工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

圖2-1分割質量評價方法層次結構圖

(a) (b) (c) (d)圖 2-2 Sobel 算子[10]此外，研究人員傾向于利用亮度、梯度和紋理等底層信息設計邊緣特征，然后的學習范式對邊緣和非邊緣像素進行分類。Pb[50]邊緣檢測就是其中之一。Pb 通部圖像亮度、顏色和紋理的差異預測每個像素在一定方向上成為邊緣的后驗概心是以每個像素點為原點構建固定大小的圓，然后沿過一定方向的直徑將圓劃半圓，計算兩個半圓對應顏色直方圖的卡方距離，依此作為梯度大小。圖 2-3 檢測示意圖，方向為 /4的直徑將圓劃分為藍紅兩個半圓。而后 mPb[51]將 Pb尺度，再然后 gPb[29]利用標準歸一化割[52]并結合局部信息將 Pb 推廣到了全局層邊緣特征符合主觀對邊緣特性的理解。然而該類特征表示高層信息的能力有限效檢測帶有語義信息的邊緣。

(b) (c) 圖 2-2 Sobel 算子[10]傾向于利用亮度、梯度和紋理等底層信息設計緣和非邊緣像素進行分類。Pb[50]邊緣檢測就是色和紋理的差異預測每個像素在一定方向上成點為原點構建固定大小的圓，然后沿過一定方半圓對應顏色直方圖的卡方距離，依此作為梯向為 /4的直徑將圓劃分為藍紅兩個半圓。而b[29]利用標準歸一化割[52]并結合局部信息將 P觀對邊緣特性的理解。然而該類特征表示高層信息的邊緣。


本文編號：3007714