Abstract
The combination of pixels and superpixels has been widely used for image segmentation, where the pixels and superpixels are segmented together. These combination methods can obtain more robust results by using more informative superpixel features. However, since the superpixel may not accurately capture the details for the small and slender regions, the results of these combination methods are often label inconsistent with the objects. Furthermore, these methods also fall into expensive time cost due to introducing more interactions between pixels and superpixels. To overcome the above problems, in this paper, we propose an interactive image segmentation method based on multi-layer graph constraints. The relationships between pixels/superpixels and labels are introduced into the conventional combination framework to further improve the segmentation accuracy. The segmentation model is constructed based on the estimation of probabilities of pixels and superpixels by a nonparametric learning framework. Then the probabilities of pixels and superpixels are updated iteratively by utilizing the game theory based optimization strategy. Experiments on challenging data sets demonstrate that the proposed method can obtain better segmentation results than the state-of-the-art methods
چکیده
ترکیب پیکسل ها و زیر-پیکسل ها به شکل گسترده ای در قطعه بندی تصاویر استفاده می شود. در این روال پیکسل ها و زیر-پیکسل ها باهم قطعه بندی می شوند. با استفاده از ویژگی های زیرپیکسل مفیدتر (منظور از مفید اطلاعات مفید است) این روش های ترکیب می توانند نتایج قوی تری ارائه دهند. با این وجود از آنجایی که زیرپیکسل ممکن است دقیقا جزئیات را برای نواحی باریک و کوچک را ضبط کند، نتایج این روش های ترکیب معمولا متناقض با اشیاء هستند. علاوه براین، این روش ها به دلیل تعاملات بیشتر بین پیکسل ها و زیر-پیکسل ها هزینه زمانی بیشتری در بر دارند. برای غلبه بر مشکلات بالا در این مقاله یک روش قطعه بندی تعاملی تصاویر براساس محدودیت های گراف چندلایه ای ارائه شده است. روابط بین پیکسل ها/زیر-پیکسل ها و برچسپ ها در چهارچوب ترکیب تعاملی معرفی شده است تا دقت قطعه بندی را بیشتر بهبود دهند. مدل قطعه بندی براساس تخمین احتمالات پیکسل ها و زیرپیکسلها و از طریق یک چهارچوب یادیگری غیرپارامتری محدود شده است. سپس احتمالات پیکسل ها و زیرپیکسل ها مکررا از طریق راهبر بهینه سازی مبتنی بر تئوری بازی بروزرسانی شده است. آزمایشات انجام شده برروی مجموعه دادگان نشان می دهد که روش پیشنهادی نتایج قطعه بندی بهتری از روش های جدید دیگر ارائه می دهد.
1-مقدمه
قطعه بندی تصویر به عنوان یک وظیفه ی سطح پایینِ بینایی ماشین در بسیاری از کاربردهای سطح بالا در بینایی ماشین [1-4] حائز اهمیت فراوان است. مساله ی قطعه بندی تصویر را می توان به تقسیم یک تصویر به چند ناحیه مختلف تفسییر کرد، به طوری که پیکسل های متعلق به یک ناحیه باید ویژگی های سازگار (مطابق) داشته باشند. اگرچه روش های قطعه بندی مختلفی ارائه شده اند، اما به دلیل انواع بسیار زیاد تصاویر و تقاضای شدید کاربران، مساله قطعه بندی هنوز یک مساله ی چالش برانگیز است...