基于空间和时间差别采样的彩色图像分割

基于空间和时间差别采样的彩色图像分割

潘 晨，崔 凤

(中国计量学院信息工程学院，杭州 310018)

摘 要：针对复杂图像的目标检测问题，提出一种基于空间和时间差别采样的彩色图像分割方法。选定目标和背景的感兴趣区域作为候选样本，对图像空间高梯度区域像素进行采样，使用极限学习机学习得到粗分割目标。模拟人眼视觉神经网络，对差别像素进行重采样，利用新增样本更新分类模型。实验结果表明，该方法可以从复杂图像场景中有效地分割目标。 关键词关键词：：图像分割；极限学习机；采样-学习策略；熵；时间不连续性；空间不连续性

Color Image Segmentation

Based on Spatial and Temporal Difference Sampling

PAN Chen, CUI Feng

(College of Information Engineering, China Jiliang University, Hangzhou 310018, China)

【Abstract 】Aiming at target detection problem of complex image, this paper presents a color image segmentation method based on spatial and temporal difference sampling. It locates a part of object and background as candidate regions for sampling. By sampling from high gradient pixels and learning by Extreme Learning Machine(ELM), it extracts object roughly. It simulates human visual nerve network, resamples from spatial and temporal discontinuities, and updates classification model by new sample. Experimental results show that the proposed method can extract object effectively from the complex scenes.

【Key words 】image segmentation; Extreme Learning Machine(ELM); learning by sampling strategy; entropy; temporal discontinuity; spatial discontinuity

DOI: 10.3969/j.issn.1000-3428.2012.13.059

计 算 机 工 程 Computer Engineering 第38卷 第13期

V ol.38 No.13 2012年7月

July 2012

·图形图像处理图形图像处理·· 文章编号文章编号：：1000—3428(2012)13—0199—03 文献标识码文献标识码：：A

中图分类号中图分类号：：TP911.73

1 概述

在自动图像分析系统中，图像分割是关键步骤之一。图像分割的目的是分离图像中的目标和背景像素，因此，分割问题可作为两分类问题来处理。但由于图像具有复杂性和不确定性，因此这是一项困难的工作。图像数据是典型的无结构数据，对无结构数据而言，“采样-学习”是一种有效的建模策略。在实际应用中，这种策略获得成功的关键是选择合理的采样方法以及合适的学习算法。

目前，神经网络(Neural Network, NN)和支持向量机(Support Vector Machine, SVM)[1-2]等有监督学习算法已成功地应用到图像处理中，它们具有良好的非线性逼近能力，能够得到较好的分割效果。如传统神经网络训练算法通过迭代运算来优化输入输出权重向量和神经元的偏移量，通常梯度下降技术(如反向传播BP 算法)广泛应用于学习训练中。然而，基于经验风险最小化的传统神经网络方法容易导致过拟合，且这些方法应用时需要设置经验参数，训练时间很长，实时训练比较困难。SVM 具有良好的小样本泛化能力[2-3]，但SVM 的学习过程仍需要调整SVM 的核函数和相关参数，调整时通常采用多重交叉验证手段，比较繁琐且导致算法耗时。因此，那些需要依据图像类型设置或调整参数的算法不适合自动化的图像分割系统。

黄广斌等人提出一种新的机器学习算法——极限学习机(Extreme Learning Machine, ELM)[4]，该算法能显著地减少学习算法的训练时间。相关理论表明，对于单隐层前馈神经网络(Single-hidden Layer Feed-forward Network, SLFN)，其输入端到隐层结点的参数可以随机生成，而网络的一致逼近能

力也能得到保证。ELM 的训练可以通过数学方法一次性解析求解获得SLFNs 的网络权值，而不是像前面提到的传统方法迭代调整网络权值参数。

因此，本文采用ELM 算法模拟视觉神经网络，通过主动学习构建像素分类模型，进而利用分类模型分割图像。

2 极限学习机

对一个已知的训练样本集(){}1,N

n m i i i R R =⊂×x t ，有L 个隐

层结点的SLFN 的输出表示为：

1,,()(),1,2,,j

L i L j i i i i f K b j N ====∑⋯x βa x t (1)

其中，隐层结点的参数i α,i b 随机选取。(),,i i i K b αx 是输入x 的第i 个隐层结点的输出；i β是连接第i 个隐层结点和输出结点的权值。引入矩阵表示可将式(1)记为：

Hβ=T (2)

其中，H 矩阵由已知随机参数i α、i b 和训练数据i x 生成；T 为训练数据的标识矩阵，则训练SLFN 可以简化为求解输出权值矩阵β。对于前馈神经网络，根据文献[5]的理论，为保证学习推广能力，ELM 应满足训练的误差最小且输出权值的范数最小：

min −H T β and min β (3)

在式(3)的限制下，黄广斌等人提出对式(2)的解决方案

基金项目基金项目：：浙江省自然科学基金资助项目(Y1091039)

作者简介作者简介：：潘 晨(1966－)，男，教授、博士，主研方向：数字图像处理，模式识别；崔 凤，硕士

收稿日期收稿日期：：2011-09-19 E-mail ：pc916@