劉金平,陳　青,張 進(jìn),唐朝暉

(1.湖南師范大學(xué)數(shù)學(xué)與計算機科學(xué)學(xué)院,湖南長沙 410081;2.中南大學(xué)信息科學(xué)與工程學(xué)院,湖南長沙410083)

基于集成學(xué)習(xí)的交互式圖像分割

劉金平1,陳青2,張 進(jìn)2,唐朝暉2

(1.湖南師范大學(xué)數(shù)學(xué)與計算機科學(xué)學(xué)院,湖南長沙 410081;2.中南大學(xué)信息科學(xué)與工程學(xué)院,湖南長沙410083)

針對交互式圖像分割人工標(biāo)記示例匱乏、不同目標(biāo)區(qū)域難以均衡標(biāo)記,單一分類器難以獲得有效分割結(jié)果的問題,提出一種多分類器集成學(xué)習(xí)的交互式圖像分割方法.采用多元自適應(yīng)回歸樣條(MARS)方法構(gòu)造第一個分類器;同時引入光滑薄板樣條回歸函數(shù)(TPSR)構(gòu)造與之互補的第二個分類器,綜合組成bagging集成學(xué)習(xí)器,以降低單一分類器對噪聲的敏感度并進(jìn)一步提高人工標(biāo)記樣本特征空間的利用率.隨后,基于半監(jiān)督學(xué)習(xí)中的聚類假設(shè),結(jié)合bagging多學(xué)習(xí)器并聯(lián)特點,提出一種REG-Boosting半監(jiān)督學(xué)習(xí)算法,實現(xiàn)半監(jiān)督圖像分割.在不同數(shù)據(jù)集上的驗證性和對比性實驗表明所提方法的有效性和優(yōu)越性.

交互式圖像分割;多元自適應(yīng)回歸樣條;集成學(xué)習(xí);薄板樣條回歸;半監(jiān)督學(xué)習(xí)

1　引言

圖像分割是計算機視覺處理中的一項基本任務(wù),為完成圖像中復(fù)雜目標(biāo)的精細(xì)分割往往需要借助于人工交互[1].從本質(zhì)上來說交互式圖像分割是典型的模式分類(識別)問題,研究者已經(jīng)提出了許多相關(guān)的交互式圖像分割方法,比如支持向量機(SVM)[2]、圖割(Graph-Cut,GC)[3],隨機游走(Random Walk,RW)[4]等.在交互式圖像分割中,對于那些目標(biāo)形態(tài)復(fù)雜、表面細(xì)節(jié)豐富的圖像,往往需要大量增加手工標(biāo)簽才能獲得有效的分割結(jié)果.然而,詳盡的手動標(biāo)記會給使用者帶來極大不便,也給后續(xù)的分類器學(xué)習(xí)帶來沉重的計算負(fù)擔(dān),從而嚴(yán)重制約交互式圖像分割的實際應(yīng)用.

在交互式圖像分割中,圖像中除了少量的人工標(biāo)記,絕大多數(shù)是廉價的未標(biāo)記像素點信息,因此,要想獲得理想的分割結(jié)果,有效的交互式圖像分割方法顯然需緊扣以下兩點:(1)最大限度利用人工標(biāo)記樣本點的區(qū)域分類信息;(2)充分利用大量未標(biāo)記像素點所蘊含的分類信息,也就是希望在充分考慮有限人工標(biāo)記像素點信息的同時,通過引入半監(jiān)督學(xué)習(xí)的思想,充分考慮大量廉價的未標(biāo)記像素點的區(qū)域分割信息,以獲得更為精細(xì)的分割結(jié)果.

當(dāng)前的基于單分類器學(xué)習(xí)的交互式圖像分割方法還存在改進(jìn)的空間.本文細(xì)致分析了文獻(xiàn)[5]中所描述的基于薄板樣條回歸(Thin Plate Spline Regression,TPSR)的交互式圖像分割算法的性能,發(fā)現(xiàn)TPSR方法僅從標(biāo)記像素點特征向量的整體描述上挖掘各目標(biāo)區(qū)域的分類信息,忽略了各特征向量因子間的局部相互作用(本文將樣本標(biāo)記點的特征向量的任意一維稱為一個參量因子),這和最大限度利用手動標(biāo)記樣本點信息這一原則還存在一定差距.

與TPSR方法不同的是,多元自適應(yīng)回歸樣條(Multivariate Adaptive Regression Splines,MARS)[6]方法在利用了特征參量單因子的貢獻(xiàn)度的同時,綜合利用了多個因子之間交叉作用.因此,從理論上來說,在相同手工標(biāo)記下MARS方法可挖掘更多的分類信息,也將獲得更好的分割效果.但是,如果僅采用MARS方法進(jìn)行半監(jiān)督圖像分割,卻性能難以穩(wěn)定.其根本原因是,MARS分類器在重復(fù)利用特征參量各因子間的交互作用同時,單個或數(shù)個特征參量因子間的干擾信息被累積放大了,因此MARS方法容易受到噪聲干擾.當(dāng)然,不管是TPSR方法、MARS方法還是其他經(jīng)典的交互式圖像分割方法(比如GC),如果人工標(biāo)記點過少或者分布不均衡的話,這些常用的交互式圖像分割方法往往難以獲得有效的分割結(jié)果.

為改善基于單分類器的交互式圖像分割方法的有效性和魯棒性,本文引入集成學(xué)習(xí)[7]思想,將具有較好抗噪性能且具備準(zhǔn)確分類能力的TPSR分類器與對噪聲敏感卻綜合利用了特征向量因子之間交叉作用的MARS分類器并聯(lián)組合,將集成學(xué)習(xí)中的Boosting[8]策略引入到像素點集成分類器的訓(xùn)練中.同時,基于半監(jiān)督學(xué)習(xí)中的聚類假設(shè)原則,進(jìn)一步選擇置信度足夠高的未標(biāo)記像素點映射到已標(biāo)記的示例集合并供TPSR和MARS分類器進(jìn)行模型更新,以進(jìn)一步提高交互式分割模型的區(qū)域分割準(zhǔn)確性.論文在幾個經(jīng)典的圖像數(shù)據(jù)集上進(jìn)行了算法性能驗證與參數(shù)調(diào)整測試,并與其它經(jīng)典的交互式分割方法進(jìn)行了性能對比.

2　集成學(xué)習(xí)交互式圖像分割

2.1交互式圖像分割問題描述

圖像分割是要通過一定的圖像像素點分類模型h(·)給圖像中的任意像素點pi分配合適的區(qū)域分割標(biāo)記Opi交互式圖像分割通過借助人工標(biāo)記的具有明確區(qū)域標(biāo)簽的圖像樣本像素點集U={xi,yi|1≤i≤n,yi=1,2,3,…,K}進(jìn)行分類器學(xué)習(xí)(K代表圖像中目標(biāo)區(qū)域的個數(shù),n表示人工標(biāo)記點的個數(shù))獲得相應(yīng)的分類模型h,進(jìn)而可以獲得任意像素點pi對應(yīng)的目標(biāo)標(biāo)簽響應(yīng)ypi,即

ypi=h(xpi)+ε

(1)

其中ε表示模型殘差,xpi表示像素點pi的特征向量.公式(1)表明,像素點pi與其對應(yīng)的像素點的區(qū)域類型響應(yīng)標(biāo)記yi存在某種映射關(guān)系.這種映射關(guān)系可以用一組分段光滑的低次多項式去逼近.

2.2多分類器構(gòu)造

本文從獨立且互補的視角構(gòu)建兩個學(xué)習(xí)器h1(x)、h2(x)(為便于描述,這里統(tǒng)一將基于回歸函數(shù)的分類器稱為學(xué)習(xí)器),并將其并聯(lián)組合成集成學(xué)習(xí)模型H(x).由于這兩個學(xué)習(xí)器因是從互補的視角構(gòu)建的,那么這兩個學(xué)習(xí)器的分類偏差都偏大的概率會比較小,這是集成分類模型與單一分類器模型相比所具有的最大優(yōu)勢.

2.2.1多元自適應(yīng)回歸樣條(MARS)方法

MARS方法是一種非線性、非參數(shù)的局部回歸方法,通過樣條函數(shù)來模擬復(fù)雜非線性關(guān)系,具備準(zhǔn)確分類的優(yōu)點,在模式識別、系統(tǒng)辨識、過程控制等領(lǐng)域得到廣泛應(yīng)用[6],其一般形式為

(2)

其中M是樣條基的個數(shù),λ={λ0,λ1,…,λM}是輸出權(quán)重,Km是第m個樣條的分段次數(shù),tkm是樣條節(jié)點或者說分割閾值,υ(k,m)∈{1,2,…,p}代表p個預(yù)測子中哪一個進(jìn)入了第m個樣條中的第k個分段中,skm∈{+1,-1}決定了樣條分割的方向,[skm(xυ(k,m)-tkm)]+為半截多項式,即

(3)

MARS模型構(gòu)建算法包括前向逐步選擇基函數(shù)、剪枝和最優(yōu)模型確定這三個過程.每次選取一對最優(yōu)的樣條函數(shù)來提高模型的準(zhǔn)確度,建模過程不斷重復(fù),直到達(dá)到用戶給定基函數(shù)個數(shù)的最大值M和交互的基函數(shù)數(shù)目最大值N.剪枝過程基于廣義交互驗證標(biāo)準(zhǔn)(GCV)進(jìn)行.

MARS的基函數(shù)是單一樣條函數(shù)或者兩個(多個)樣條函數(shù)的交互結(jié)果,因此,h1(x)可分解成如下便于分析的直觀形式:

(4)

其中,第1個累加項是所有只包含單因子作用的基函數(shù)的累加,第2個累加項是所有包含且僅含有兩個因子相互作用的基函數(shù)的和,依此類推,第m個累加和是所有包含且僅含m個因子相互作用的基函數(shù)的累加和.

式(4)表明,MARS方法從標(biāo)記樣本點特征參量的多因子角度建立回歸模型,綜合利用了多個因子之間的協(xié)同作用,深入挖掘了隱藏在多維特征參量中的復(fù)雜信息結(jié)構(gòu).

2.2.2薄板樣條回歸(TPSR)方法

基于TPSR方法的學(xué)習(xí)器h2(x)是在兼顧插值準(zhǔn)確性與樣條平滑性的同時,從Sobolev空間構(gòu)造的一種回歸函數(shù)分類器[5],該分類器通過通過最小化J(h2)獲得:

(5)

其中xiOF和xiOB分別為圖像中前景和背景樣本點所對應(yīng)的圖像特征,S(h2)為h2的光滑度懲罰函數(shù):

S(h2)=∫Rd|D2(f)|2dX

(6)

研究表明,滿足式(5)在約束條件(6)下的解為格林公式

(7)

(8)

從而得到TPSR分類器h2(x)

(9)

TPSR方法中格林解φ(r)與有標(biāo)記訓(xùn)練樣本關(guān)聯(lián),因為r=‖x-xi‖是x與xi之間的距離,它無法利用樣本特征向量的單個因子乃至少于d個因子的協(xié)同作用,但是TPSR方法是從特征向量的整體上(也即基于樣本示例的空間分布)建立相應(yīng)的回歸模型,與綜合利用多個因子間協(xié)調(diào)作用的MARS方法具有互補性.

2.2.3分類器集成

最簡單的集成模型為兩個分類器的加權(quán)形式,比如,H(x)=[h1(x)+h2(x)]/2.基于TPSR和MARS方法的性質(zhì),從理論上來說,這種簡單的加權(quán)模型不僅利用了特征矢量各因子的單獨作用和交互作用,還利用了特征矢量在空間上的分布特征,這在使用樣本特征的深度和廣度上都是單個MARS模型或TPSR模型所無法比擬的.因此,在抗噪的方面,集成模型H(x)對同一噪聲同時達(dá)到突變點的概率遠(yuǎn)低于單一模型.圖1顯示了在不同噪聲水平和不同的手工標(biāo)記下采用MARS分類器和TRSR分類器進(jìn)行交互式圖像分割的結(jié)果.

圖1中的σ代表噪聲水平.從圖中可以很明顯看出,在不帶噪聲情況下綜合利用了特征向量多因子間交互作用的MARS方法與TPSR方法相比,能獲得更好的分割結(jié)果,但是MARS方法對噪聲比較敏感,而TPSR方法則相對穩(wěn)定.因此,采用簡單的集成模型H就可以有效提高圖像分割的性能.但是,如果人工標(biāo)簽信息過少,少量噪聲污染,將使圖像分割性能明顯下降.

因此,有必要進(jìn)一步考慮大量的未標(biāo)記像素點的分割信息對分割模型的貢獻(xiàn)程度,以便能在較少的標(biāo)簽下獲得更好的分割結(jié)果.

2.3半監(jiān)督學(xué)習(xí)策略

2.3.1算法思想

半監(jiān)督分類學(xué)習(xí)中的協(xié)同訓(xùn)練把圖像中大量廉價的未標(biāo)記像素點通過試分配合理的目標(biāo)區(qū)域標(biāo)簽當(dāng)作手工標(biāo)記樣本點以重新訓(xùn)練分類器.本文受Zhou[9]提出的基于協(xié)同訓(xùn)練的半監(jiān)督曲線回歸方法COREG的啟發(fā),結(jié)合bagging并聯(lián)學(xué)習(xí)器的特點,提出一種既不需要充分冗余視圖,也不需要通過十倍交叉驗證來評價像素點區(qū)域標(biāo)簽分配置信度的REG-Boosting算法,以實現(xiàn)半監(jiān)督的交互式圖像分割.算法的總體思想是有放回地多次從未標(biāo)記集合中隨機選擇M′個未標(biāo)記的待標(biāo)記樣例,采用預(yù)先構(gòu)造的MARS分類器和TPSR分類器分別進(jìn)行標(biāo)簽預(yù)標(biāo)記,選擇其中置信度高的樣本點送入MARS分類器和TPSR分類器進(jìn)行分類器模型更新,最終獲得性能良好的半監(jiān)督分類器.

2.3.2REG-boosting算法流程

REG-boosting算法流程如下:

(4)在未標(biāo)記像素點集合U={x1,x2,…,xM}中隨機選擇M′個未標(biāo)記樣例構(gòu)成待測樣例U′;

(5)評價將待測樣例xi∈U′分配目標(biāo)區(qū)域標(biāo)簽后可以當(dāng)作手工標(biāo)記樣本像素點的置信度:

(a)分別計算h1(xi)和h2(xi),以0為閾值評價h1(xi)和h2(xi)是否屬于同一區(qū)域分割標(biāo)簽,若屬于同一區(qū)域標(biāo)簽則轉(zhuǎn)(b);若不是,則繼續(xù)對xi+1執(zhí)行該操作過程,直至取完U′中全部元素;

(10)

(6)算法訓(xùn)練結(jié)束,對余下未標(biāo)記像素使用最終的集成學(xué)習(xí)器H(x)=[h1(x)+h2(x)]/2分配目標(biāo)區(qū)域標(biāo)簽.

由于REG-Boosting從未標(biāo)記集合U中隨機選擇了M′個未標(biāo)記的待測樣例U′,這就保證了未標(biāo)記示例相較于用戶手工標(biāo)記的訓(xùn)練示例有較大的變異成分,豐富了目標(biāo)與背景的差異性信息.同時,只有在式MSE(h1)和MSE(h2)同時滿足,即均方誤差朝著減小的方向變化,才可判定對未標(biāo)記像素點xi分配目標(biāo)區(qū)域標(biāo)簽后當(dāng)作手工標(biāo)記樣本像素點來更新學(xué)習(xí)器,否則不利用xi的預(yù)標(biāo)記結(jié)果進(jìn)行學(xué)習(xí)器更新.

REG-Boosting算法不同于COREG[7]的交叉驗證的學(xué)習(xí)模式,主要是為了保證分類模型在再學(xué)習(xí)的過程中盡可能少地受噪點干擾.COREG對置信點的交叉驗證是通過一個學(xué)習(xí)器做均方誤差驗證,而實際情況是:用于做均方誤差的學(xué)習(xí)器是基于少量樣本訓(xùn)練出來的,其魯棒性較差,難免把噪點錯誤地投影到有標(biāo)記示例集合.相比之下,REG-Boosting通過兩個互補的學(xué)習(xí)器共同驗證,這在濾除噪聲點的規(guī)則上更為嚴(yán)格,并且在做均方誤差驗證時是從多個角度同時進(jìn)行的,這就保證了后續(xù)的參數(shù)更新不會對偽目標(biāo)形成誤判.這個類似于集成學(xué)習(xí)中弱分類器經(jīng)過不斷地Boosting訓(xùn)練成強分類器.

3　實驗驗證

實驗驗證主要包含三大部分:(1)驗證MARS分類器與TPSR分類器在交互式圖像分割中的互補特性,證明所提算法的有效性;(2)分析不同參數(shù)設(shè)計對算法性能的影響;(3)與該領(lǐng)域中的經(jīng)典算法如SVM、TPSR、GraphCut(GC)的性能比較,驗證本文方法的有效性和性能優(yōu)越性.

實驗中所選擇的自然場景圖像數(shù)據(jù)庫來自于Berkeley Segmentation Data Set(BSDS500)[10]和Pascal Visual Object Classes(Pascal VOC)數(shù)據(jù)庫[11].至于圖像像素點特征向量描述,目前已經(jīng)有相當(dāng)多的特征提取方法,比如最簡單的基于圖像RGB顏色特征,另外還有Gabor小波特征、基于稠密采樣的一些局部特征描述符等.根據(jù)Xiang[5]的研究結(jié)果,對圖像進(jìn)行一些頻率濾波處理后提取的特征并不一定能有效改善交互式圖像分割的性能.因此,在對比實驗中,本文只選用最簡單的RGB顏色信息和位置信息共同組成像素點特征向量,即圖中任意像素點的特征向量采用一個5維的特征向量來描述.

3.1MARS分類器與TPSR分類器的互補性分析

TPSR分類器可以充分利用手工標(biāo)簽樣本點特征向量的整體空間結(jié)構(gòu)信息,因此,從理論上說,TPSR方法在絕大多數(shù)自然場景圖像的交互式分割中均能取得較好的分割效果,但該方法的準(zhǔn)確性嚴(yán)重依賴手工標(biāo)記位置的選擇及人工樣本標(biāo)記的個數(shù),圖2中實驗結(jié)果也正好證明了這一點.

如圖2中的蝴蝶圖像,當(dāng)蝴蝶標(biāo)記位置發(fā)生改變時,TPSR的分割結(jié)果也隨之發(fā)生了大的變化.當(dāng)目標(biāo)多、形狀復(fù)雜多變時,要想獲得更好的分割結(jié)果,TPSR方法必須通過大量增加標(biāo)簽數(shù)目,如圖2中的多人物目標(biāo)圖像的分割結(jié)果.

MARS方法與TPSR方法具有較好互補性.在相同的手工標(biāo)記條件下,MARS方法難以分割的圖像,TPSR方法往往能得到不錯的分割結(jié)果;同樣,對于TPSR方法難以分割的圖像,MARS方法也能獲得很好的結(jié)果,如對圖3中的鳥、巖石、蝴蝶圖像.

另外,從圖3中對的汽車、房子、女人的圖像分割結(jié)果還可以明顯看出,即便是MARS方法與TPSR方法均不能完全準(zhǔn)確分割的圖像,但MARS方法與TPSR方法各自分錯的圖像塊幾乎不重疊.這時只需對MARS和TPSR所分割出來的圖像加以集成即可獲取跟手工分割圖像相媲美的結(jié)果.

圖2和圖3中的分割結(jié)果表明MARS方法和TPSR方法具有明顯的互補特性.MARS方法善于利用特征參量因子間的關(guān)系,在同樣貧乏的標(biāo)記點條件下,MARS方法能獲得相對較好的分割結(jié)果.而TPSR從特征參量的整體上進(jìn)行分類器訓(xùn)練,因此對噪聲敏感度比MARS方法低,圖1的實驗結(jié)果已經(jīng)驗證了這一點.

3.2參數(shù)設(shè)置對圖像分割性能的影響

3.2.1特征聚類數(shù)目k對圖像分割性能的影響

目標(biāo)與背景區(qū)域的特征聚類數(shù)目k是本文圖像分割算法中第一需設(shè)定的參數(shù).圖4給出了在不同聚類數(shù)目k下,采用本文方法進(jìn)行交互式圖像分割的結(jié)果.為了更直觀地展示不同聚類數(shù)目k對分割準(zhǔn)確性的影響,圖5中的分割準(zhǔn)確性測量曲線顯示了不同k值下的TPSR方法、MARS方法和本文提出的集成學(xué)習(xí)的交互式圖像分割方法的準(zhǔn)確度測量結(jié)果.從中可以看出,香蕉圖像在k=66時逼近最優(yōu)分割結(jié)果,而羊駝圖像在k=45時就已逼近最優(yōu)分割結(jié)果.

不難發(fā)現(xiàn),不同的自然場景圖像達(dá)到最優(yōu)分割結(jié)果的k值是不同的,這主要與自然場景圖像的復(fù)雜程度有關(guān).圖像中目標(biāo)形態(tài)越復(fù)雜其特征就越豐富,需要更多聚類來刻畫這些差異較大的圖像特征.但并不是k值設(shè)的越大就越好,如圖5所示,在k值達(dá)到某一臨界時,再增大k,對圖像分割的準(zhǔn)確性幾乎不再提高;并且隨著k值的增大,分類器學(xué)習(xí)和判斷的時間開銷也隨之增大.大量的分割實驗表明,當(dāng)k處于45到86的區(qū)間時,能可靠分割出自然場景圖像中的絕大多數(shù)目標(biāo).基于這一實驗結(jié)果,在后續(xù)的與其它方法進(jìn)行性能比較時,本文的交互式圖像分割算法中的特征聚類數(shù)目k取為45～86間的值.

3.2.2隨機選擇未標(biāo)記點數(shù)目M′對半監(jiān)督圖像分割性能影響

本文所提出的半監(jiān)督圖像分割算法的另一參數(shù)是從未標(biāo)記集合中隨機選擇M′個未標(biāo)記待測樣例進(jìn)行REG-Boosting學(xué)習(xí).圖6展示了在不同取值下,本文提出的基于集成學(xué)習(xí)的圖像分割算法的圖像分割結(jié)果.從圖中可以發(fā)現(xiàn),在同等條件下,M′越大,被錯分的細(xì)小區(qū)域就越少.因此,為了獲得更好的分割性能,應(yīng)傾向于讓更多的未標(biāo)記像素點有機會加入到標(biāo)記示例中進(jìn)行分類模型更新.

3.3與其它經(jīng)典算法的性能比較

將本文所提出的圖像分割方法與目前經(jīng)典的交互式圖像分割算法SVM、TPSR、GraphCut(GC)[12]方法進(jìn)行了性能對比.本文提到的MARS方法、TPSR方法也分別作為獨立的分割方法納入到對比分析中.實驗中MARS選用ARESLab包[13],TPSR[5]和GraphCut(GC)是直接從對應(yīng)作者的主頁上下載的程序包,SVM庫選用Chang開發(fā)的libSVM[14]包,對自然圖像的目標(biāo)與背景區(qū)域的特征聚類數(shù)目k值均設(shè)定為86,在進(jìn)行REG-boosting訓(xùn)練時,M′設(shè)為10000.

圖7和圖8分別是BSDS500數(shù)據(jù)庫和Pascal VOC圖像庫中自然場景圖像的實驗結(jié)果,同時為了定量比較不同算法針對每幅圖像的分割準(zhǔn)確性,還計算了不同分割方法的分割準(zhǔn)確度,如表1所示.

對比結(jié)果表明,本文提出的基于集成學(xué)習(xí)的圖像分割算法的性能明顯優(yōu)于單純只使TPSR分類器和MARS分類器的單分類器分割方法.在分割過程中,MARS方法和TPSR方法對于大部分錯誤分割的區(qū)域回歸值的絕對值在0附近,而能準(zhǔn)確分割的區(qū)域其回歸值的絕對值則逼近于1甚至大于1.因此,當(dāng)將MARS和TPSR所得到的結(jié)果進(jìn)行集成時,任一學(xué)習(xí)器的細(xì)小回歸值將被另一學(xué)習(xí)器的較大回歸值修正,最終的分割結(jié)果也就被修正.基于SVM的交互式圖像分割方法對前景或背景比較簡單的情況下可以獲得不錯的分割結(jié)果,對于復(fù)雜圖像則往往難以滿足實際要求.究其原因,主要是SVM僅僅考慮前景與背景樣本像素特征空間的最大間距.與經(jīng)典的圖像分割算法GC相比,對于一般的自然圖像,如果GC能獲得較好分割結(jié)果的圖像,本文方法同樣能獲得好的分割結(jié)果.從圖像分割的視覺結(jié)果可以看出,GC的分割結(jié)果一般比較平滑且?guī)缀鯖]有孤立的錯割細(xì)小區(qū)域,究其原因,主要是該方法既利用了像素特征的空間信息又結(jié)合了待割像素與種子點的相似度,但是對于前景和背景區(qū)域比較相似的圖像,GC容易產(chǎn)生較大的分割誤差.

表1　圖7和圖8中8幅圖像的分割準(zhǔn)確性測量

本文提出的圖像分割算法集成了兩個互補的分類器,在極大限度利用了人工標(biāo)記像素點分類信息的同時通過REG-boosting算法充分挖掘了未標(biāo)記像素點的分類信息,因此,在同樣的人工標(biāo)記條件下,本文提出的基于集成學(xué)習(xí)的交互式半監(jiān)督圖像分割方法對那些形狀復(fù)雜、表面細(xì)節(jié)豐富的圖像能獲得較GC、SVM、TPSR和MARS更細(xì)致的分割結(jié)果.

4　結(jié)論

介紹了一種基于集成學(xué)習(xí)的交互式半監(jiān)督圖像分割方法,將協(xié)同訓(xùn)練的思想引入到半監(jiān)督的交互式圖像分割中,采用Bagging方法集成對有限標(biāo)簽樣本數(shù)據(jù)信息利用率高的MARS分類器和對噪聲敏感度相對較低的TPSR分類器,并基于半監(jiān)督學(xué)習(xí)中的聚類假設(shè),提出一種REG-Boosting半監(jiān)督分類器學(xué)習(xí)以實現(xiàn)交互式圖像分割.通過大量的驗證性和對比性實驗,驗證了所提方法的有效性和性能優(yōu)越性,并分析了不同參數(shù)設(shè)定對本文算法性能的影響.

[1]羅希平,田捷.一種改進(jìn)的交互式醫(yī)學(xué)圖像序列分割方法[J].電子學(xué)報,2003,31(1):29-32.

Luo X-P,Tian J.A modified interactive segmentation of medical image series[J].Acta Electronica Sinica,2003,31(1):29-32.(in Chinese)

[2]Wang X-Y,Wang T,Bu J.Color image segmentation using pixel wise support vector machine classification[J].Pattern Recognition,2011,44(4):777-787.

[3]Kolmogorov V,Zabih R.What energy functions can be minimized via graph cuts[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2004,26(2):147-159.

[4]Grady L.Random walks for image segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2006,28(11):1768-1783.

[5]Xiang S,Nie F,Zhang C,et al.Interactive natural image segmentation via spline regression[J].IEEE Transactions on Image Processing,2009,18(7):1623-1632.

[6]Menon R,Bhat G,Saade G R,et al.Multivariate adaptive regression splines analysis to predict biomarkers of spontaneous preterm birth[J].Acta Obstetricia et Gynecologica Scandinavica,2014,93(4):382-391.

[7]Fu Z,Wang L,Zhang D.An improved multi-iabel classification ensemble learning algorithm[A].Pattern Recognition[C].Berlin:Springer,2014:243-252.

[8]Galar M,Fernandez A,Barrenechea E,et al.A review on ensembles for the class imbalance problem:bagging-,boosting-,and hybrid-based approaches[J].IEEE Transactions on Systems,Man,and Cybernetics,Part C:Applications and Reviews,2012,42(4):463-484.

[9]Zhou Z-H,Li M.Semisupervised regression with cotraining-style algorithms[J].IEEE Transactions on Knowledge and Data Engineering,2007,19(11):1479-1493.

[10]Martin D,Fowlkes C,Tal D,et al.A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics[A].Proceedings of Eighth IEEE International Conference on Computer Vision[C].IEEE,2001.416-423.

[11]Everingham M,Van Gool L,Williams C K,et al.The pascal visual object classes (voc) challenge[J].International Journal of Computer Vision,2010,88(2):303-338.

[12]Jekabsons G.ARESLab:adaptive regression splines toolbox for Matlab[J].Institute of Applied Computer Systems Riga Technical University,Meza,2010,1(3):1-19

[13]Kolmogorov V,Zabih R.What energy functions can be minimized via graph cuts?[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,26(2):147-159.

[14]Chang C-C,Lin C-J.LIBSVM:A library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology (TIST),2011,2(3):1-27.

劉金平男,1983年生于湖南邵陽.湖南師范大學(xué)數(shù)學(xué)與計算機科學(xué)學(xué)院講師.研究方向為計算機視覺與模式識別.

E-mail:ljp202518@163.com

陳青女,1967年生于湖南長沙,中南大學(xué)信息科學(xué)與工程學(xué)院博士研究生,研究方向為計算機信息技術(shù)、智能自動化信息檢測與處理等領(lǐng)域的研究工作.

Interactive Image Segmentation Based on Ensemble Learning

LIU Jin-ping1,CHEN Qing2,ZHANG Jin2,TANG Zhao-hui2

(1.College of Mathematics and Computer Science,Hunan Normal University,Changsha,Hunan 410081,China; 2.School of Information Science and Engineering,Central South University,Changsha,Hunan 410083,China)

A kind of interactive image segmentation method based on ensemble multi-classifiers is put forward to solve the problem of unsatisfactory segmentation results based on scarce or unbalanced labelling labels on different object areas by single learner.The first classifier is established based on multivariate adaptive regression splines (MARS) method.A complementary thin plate spline regression (TPSR) classifier is simultaneously established.By combination of these two classifiers,a bagging ensemble learner is achieved to reduce the noise sensitivity and make further efforts of improving the use of the feature space information of the labeling samples.Ultimately,a kind of REG-Boosting algorithm for semi-supervised image segmentation is put forward based on the clustering hypothesis in the ensemble learning combining with the parallel characteristic of the bagging multi-learners.Abundant validation experiments and comparative experiments on different test sets confirm the effectiveness and out-performance of the proposed method.

interactive image segmentation;multivariate adaptive regression splines (MARS);ensemble learning;thin-plate spline regression(TPSR);semi-supervised learning

2015-01-27;

2015-05-12;責(zé)任編輯:諸葉梅

國家自然科學(xué)基金(No.61472134,No.61171192,No.61272337);湖南師范大學(xué)青年基金(No.11405)

TP391

A

0372-2112 (2016)07-1649-07

??學(xué)報URL:http://www.ejournal.org.cn

10.3969/j.issn.0372-2112.2016.07.019