本發(fā)明涉及基于先驗形狀的圖像目標(biāo)分割領(lǐng)域，尤其涉及一種結(jié)合字典群的目標(biāo)分割方法。

背景技術(shù)：

利用計算機(jī)模擬人眼的功能準(zhǔn)確分割圖像中的目標(biāo)，對于計算機(jī)視覺和圖像處理至關(guān)重要。由于實際圖像中的目標(biāo)可能存在噪聲、遮擋、缺損或背景粘連等因素的影響，僅依賴圖像本身信息對目標(biāo)進(jìn)行分割往往效果不佳。結(jié)合先驗形狀生成形狀字典，并利用稀疏形狀表示指導(dǎo)目標(biāo)分割可以較好的改善分割效果，因此近期基于字典和稀疏形狀表示的目標(biāo)分割技術(shù)成為了研究熱點。

雖然基于形狀字典和稀疏形狀表示的目標(biāo)分割方法研究已經(jīng)取得了一定進(jìn)展，現(xiàn)有的方法主要是基于全局形狀結(jié)構(gòu)的稀疏組合進(jìn)行約束，這種約束方法的優(yōu)點是有利于確保形狀先驗的整體剛性，而剛性的特點是可以較好的恢復(fù)目標(biāo)因損壞、粘連或遮擋而缺失的原始形狀。但同時這也帶來兩個弊端，首先它要求訓(xùn)練集中的形狀近鄰和目標(biāo)原始形狀具有較高的全局相似度。眾所周知，在很多目標(biāo)分割的應(yīng)用場合，我們常常只能獲得有限的訓(xùn)練樣本，而在小樣本的情況下訓(xùn)練集很難符合上述標(biāo)準(zhǔn)。其次，基于形狀整體剛性的稀疏表示，一定程度上削弱了形狀先驗的模型的局部形變能力。當(dāng)目標(biāo)存在局部形變時，稀疏表形狀示由于受全局剛性的影響，很難針對目標(biāo)的局部形變重建一個較好的稀疏形狀組合來準(zhǔn)確表達(dá)目標(biāo)原始形狀。

如何在保持一定剛性的前提下，充分挖掘訓(xùn)練集中蘊含的形狀信息，同時允許模型對目標(biāo)形狀的局部形變進(jìn)行相應(yīng)調(diào)整是完善現(xiàn)有稀疏形狀表示的一個重要課題。針對這些問題，本發(fā)明提出了一種既能保持重建稀疏形狀組合的剛性特點，同時也考慮目標(biāo)存在局部形變的結(jié)合字典群的目標(biāo)分割模型。該模型克服了小樣本訓(xùn)練集背景下，目標(biāo)存在局部形變時，現(xiàn)有稀疏形狀表示方法無法充分利用訓(xùn)練集樣本的局部信息重建目標(biāo)形狀的問題；同時也大幅提高了目標(biāo)與訓(xùn)練形狀存在較大整體差異情況下的目標(biāo)的表達(dá)能力。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種涉及字典群的目標(biāo)分割方法，該方法克服了現(xiàn)有分割模型抗幾何形變能力弱，有噪聲情況下形狀表示能力差，分割效果不佳的問題。

本發(fā)明通過以下技術(shù)方案來解決上述技術(shù)問題：

一種結(jié)合字典群的目標(biāo)分割方法，包括以下步驟：

S1：對原始訓(xùn)練形狀集進(jìn)行對數(shù)極坐標(biāo)變換得到訓(xùn)練集對數(shù)極坐標(biāo)形狀，并對原始訓(xùn)練形狀集進(jìn)行模糊對數(shù)極坐標(biāo)分解獲得子形狀集，利用所述子形狀集和訓(xùn)練集對數(shù)極坐標(biāo)形狀組成形狀集群；

S2：基于所述形狀集群構(gòu)造字典群，并結(jié)合所述字典群構(gòu)造字典群約束主項和輔項；

S3：使用所述字典群約束主項和輔項結(jié)合底層概率形狀函數(shù)構(gòu)造統(tǒng)一分割模型；

S4：初始化基于字典群的稀疏系數(shù)和所述底層概率形狀函數(shù)；

S5：由所述底層概率形狀函數(shù)得到底層概率形狀，并將所述底層概率形狀嵌入所述字典群約束主項；

S6：利用標(biāo)準(zhǔn)梯度下降法和軟閾值法對所述統(tǒng)一分割模型的能量函數(shù)進(jìn)行最優(yōu)化求解；

S7：判斷優(yōu)化結(jié)果是否收斂；若不收斂，則返回步驟S5繼續(xù)執(zhí)行直至收斂。

進(jìn)一步的，步驟S2中，所述字典群約束主項和輔項的表達(dá)式為：

其中，等式右側(cè)第一項為主項，第二項為輔項；s為稀疏系數(shù)；t_i為第i個局部約束系數(shù)；A為主字典；Dⁱ為第i個子字典；q_L為輸入對數(shù)極坐標(biāo)形狀；Gⁱ(·)為第i個模糊對數(shù)極坐標(biāo)變換子；ω_i為第i個權(quán)重系數(shù)；n為子字典個數(shù)；A和Dⁱ構(gòu)成過完備字典群。

進(jìn)一步的，步驟S3中，所述統(tǒng)一分割模型的表達(dá)式為：

其中，s為稀疏系數(shù)；t_i為第i個局部約束系數(shù)；M為映射空間變換矩陣；為A主字典；Dⁱ為第i個子字典；為訓(xùn)練集對數(shù)極坐標(biāo)平均形狀；Gⁱ(·)為第i個模糊對數(shù)極坐標(biāo)變換子；ω_i為第i個權(quán)重系數(shù)；n為子字典個數(shù)；A和Dⁱ構(gòu)成過完備字典群；φ_L為輸入對數(shù)極坐標(biāo)概率形狀；φ為原始概率形狀；r_o是目標(biāo)概率分布，r_b是背景概率分布。

與現(xiàn)有技術(shù)相比，本發(fā)明有如下優(yōu)點：

本發(fā)明提供了一種結(jié)合字典群的目標(biāo)分割方法，涉及過完備字典群和稀疏形狀表示，包括對訓(xùn)練形狀集進(jìn)行對數(shù)極坐標(biāo)變換和模糊對數(shù)極坐標(biāo)分解；利用分解獲得的子形狀集和原始訓(xùn)練集的對數(shù)極坐標(biāo)變換組成形狀集群；基于形狀集群構(gòu)造字典群；結(jié)合字典群構(gòu)造字典群約束主項和輔項；結(jié)合底層概率形狀函數(shù)構(gòu)造統(tǒng)一分割模型；初始化稀疏系數(shù)和底層概率形狀，利用標(biāo)準(zhǔn)梯度下降法和軟閾值法進(jìn)行函數(shù)最優(yōu)化求解；通過判斷優(yōu)化是否收斂決定迭代或輸出目標(biāo)分割結(jié)果。

本發(fā)明的目標(biāo)分割方法克服了現(xiàn)有方法利用全局形狀結(jié)構(gòu)作為約束導(dǎo)致的局部形變能力不足的問題。具體來說，本發(fā)明的目標(biāo)分割方法克服了小樣本訓(xùn)練集背景下，目標(biāo)存在局部形變時，現(xiàn)有方法無法充分利用訓(xùn)練集樣本的局部信息重建目標(biāo)形狀的問題；同時也大幅提高了分割模型在目標(biāo)與訓(xùn)練形狀存在較大整體差異情況下的目標(biāo)的表達(dá)能力。

附圖說明

圖1為本發(fā)明的結(jié)合過完備字典群的目標(biāo)分割方法的總體流程圖。

圖2為本發(fā)明的模糊對數(shù)極坐標(biāo)分解中的隸屬度函數(shù)。

具體實施方式

為了便于本領(lǐng)域普通技術(shù)人員理解和實施本發(fā)明，下面結(jié)合附圖及具體實施方式對本發(fā)明作進(jìn)一步的詳細(xì)描述。

實施例

如圖1所示，本實施例提供一種結(jié)合過完備字典群的目標(biāo)分割方法，包括以下步驟：

A1：對訓(xùn)練形狀集進(jìn)行對數(shù)極坐標(biāo)變換和模糊對數(shù)極坐標(biāo)分解；

A2：利用分解獲得的子形狀集和原始訓(xùn)練集對數(shù)極坐標(biāo)變換組成形狀集群；

A3：基于形狀集群構(gòu)造字典群；

A4：結(jié)合字典群構(gòu)造字典群約束主項和輔項；

A5：結(jié)合底層概率形狀函數(shù)構(gòu)造統(tǒng)一分割模型；

A6：初始化稀疏系數(shù)和概率形狀函數(shù)；

A7：將底層概率形狀嵌入字典群約束主項；

A8：利用標(biāo)準(zhǔn)梯度下降法和軟閾值法進(jìn)行函數(shù)最優(yōu)化求解；

A9：判斷優(yōu)化結(jié)果是否收斂；若不收斂，則返回A7繼續(xù)執(zhí)行直至收斂。

進(jìn)一步，所述步驟A1假設(shè)存在訓(xùn)練形狀集包含N個形狀樣本，其圖像坐標(biāo)定義在笛卡爾坐標(biāo)系下；則對數(shù)極坐標(biāo)坐標(biāo)系下的坐標(biāo)點定義為:y＝[y₁,y₂]∈R²，其中y₁表示對數(shù)對數(shù)半徑，y₂表示角度。對于任意笛卡爾坐標(biāo)系下的點x＝[x₁,x₂]∈R²與對數(shù)極坐標(biāo)系下相應(yīng)點的轉(zhuǎn)換公式為

分解邊緣采用模糊隸屬度函數(shù)進(jìn)行定義可以解決形狀分解產(chǎn)生的塊效應(yīng)。本實施方案采用如圖2所示梯形模糊隸屬度函數(shù)G¹到G⁴，將對數(shù)極坐標(biāo)形狀分解為4個子形狀。

進(jìn)一步，所述步驟A2將原始訓(xùn)練形狀的對數(shù)極坐標(biāo)形狀作為主形狀集；將所有G¹分解所得的形狀列為子形狀集1；以此類推，G²到G⁴對應(yīng)子形狀集2到4。

進(jìn)一步，所述A3基于形狀集群構(gòu)造字典群，這里采用主成分分析的方法。假設(shè)q_i是訓(xùn)練集的一個元素，其基于主成分分析的重建表達(dá)式為其中a_i,j重建系數(shù)，a_i＝[a_i,1,a_i,2,…,a_i,n]^T，表示任意一組稀疏系數(shù)。則主形狀集對應(yīng)的主字典為同理可獲得子形狀集相應(yīng)子字典D¹到D⁴；則由主字典A和子字典D¹到D⁴可構(gòu)成字典群。

進(jìn)一步，所述A4中結(jié)合底層概率形狀函數(shù)的統(tǒng)一分割模型表達(dá)式為：

其中，s為稀疏系數(shù)；t_i為第i個局部約束系數(shù)；M為主成分分析映射空間變換矩陣；為A主字典；Dⁱ為第i個子字典；為訓(xùn)練集對數(shù)極坐標(biāo)平均形狀；Gⁱ(·)為第i個模糊對數(shù)極坐標(biāo)變換子；ω_i為第i個權(quán)重系數(shù)；n為子字典個數(shù)；A和Dⁱ構(gòu)成過完備字典群；φ_L為輸入對數(shù)極坐標(biāo)概率形狀；φ為原始概率形狀；r_o是目標(biāo)概率分布，r_b是背景概率分布。

進(jìn)一步，所述A6初始化方法為令初始概率形狀函數(shù)為圓，其半徑為圖像寬度三分一，令稀疏系數(shù)和約束參數(shù)為

其中，N為訓(xùn)練集樣本個數(shù)；n＝4為分解個數(shù)。

進(jìn)一步，所述A7所述嵌入方法為為將原始概率形狀φ變換為對數(shù)極坐標(biāo)概率形狀φ_L并嵌入字典群約束主項。

進(jìn)一步，所述A9誤差函數(shù)定義為

可以根據(jù)具體應(yīng)用設(shè)置e(s,φ)閾值，確定何時結(jié)束算法迭代。

以上實施例僅為本發(fā)明的一種實施方式，其描述較為具體和詳細(xì)，但不能因此而理解為對本發(fā)明專利范圍的限制。其具體結(jié)構(gòu)和參數(shù)可根據(jù)實際需要進(jìn)行相應(yīng)的調(diào)整。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。