基于RGB-D图像的室内场景语义分割方法.pdf

《基于RGB-D图像的室内场景语义分割方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、．＇Ｉ，＼＼，错矜．弓－＇．，■、．、一！一幕；式Ｗ；１Ｑ２９３密级：＆如於補单位代码一―．．：■門＇！．ｔ＾—．‘、＇．＇．－．．’－＇＜｜Ｖ＇＾＼，＼Ｖ４．■＇．＇．？＇Ｖ＾ｄ．．，＇Ｖ．Ｖ心峡？－－？＞．帝说：；＞．？式Ｖ，、乃．＇硕女《隹俗Ａ＊：＂Ｗ卿．■－．＇．ＮＯｓｒ．＇，ｔ＼ｉ．‘＾＾／．．＇＾：，．７．．ｙ—ｒ作您．？．．．ｆ：．／■．？４．Ｖ；－．

2、Ｉ。＾‘ｒ＼．；ｆ＇？＇．ｉ．．：．一＇．．＾．．．飞＇＂＾：如－论文题目：基于ＲＧＢＤ图像的室内场景语义分割方法－：ｋ．＇；．立＇：１０１２０１０６２１１学号冯希龙姓名＇：兮刘天見产：导リ币＂科专业信号与信息处理４；学＞硏究方向图像处理与多媒体通信工学硕±申请学位类别二—五年五月０：Ｖ论文提交日期ｔ．－１．＾草‘—：；壤；１’、、？．巧、＇．

3、拓；—，？Ｖ？Ｔ乎Ｊ＇ｎ南京邮电大学学位论文原创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研巧成果。尽我所知，除了文中特别加Ｗ标注和致谢的地方外，论文中不包含其他人己经发表或撰写过的研究成果，也不包含为获得南京邮电大学或其它一教育机构的学位或证书而使用过的材料。与我同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。一本人学位论文及涉及相关资料若有不实，愿意承担切相关的法律责任。、研究生签名：’认少瓜日期：１止Ｉ．化南京

4、邮电大学学位论文使用授权声明本人授权南京邮电大学可Ｗ保留并向国家有关部口或机构送交论文的复印件和电子文档；．允许论文被查阅和借阅：可Ｗ将学位论文的全部或部分内容编入有关数据库进行检索；可Ｗ采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质＾论文的内容相致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。涉密学位论文在解密后适用本授权书。研究生签名：导师签名：＾声日期：山ｉＵ．ｉｌ气SemanticSegmentationforIndoorSceneswithRGB

5、-DImagesThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegreeofMasterofEngineeringByFengXilongSupervisor:Prof.LiuTianliangMay2015摘要图像语义标注作为图像场景理解的核心之一，已成为图像处理与计算机视觉领域的研究热点。室内场景存在大量语义类别、互相遮挡、低层视觉特征辨识力较弱以及不均匀光照等问题，使得室内场景语义标注已成为图像理解中棘手且极富挑战的研究方向

6、。随着深度传感器的普及和计算机视觉研究人员的不懈努力，当前能便捷且可靠地获得包含多模态的RGB纹理和Depth深度的RGB-D数据。利用富含几何深度信息的RGB-D感知数据，融入并解决视觉计算中室内场景语义标注问题，具有巨大潜力和诱人前景。本文设计了一种基于RGB-D图像由粗至精的室内场景语义分割方法，包括粗粒度区域级语义标签推断与细粒度像素级语义标签求精两大部分。首先，在粗粒度区域级语义标签推断过程中，利用基于图像分层显著度导引的简单线性迭代聚类（SimpleLinearIterativeClustering,SLIC

7、）过分割算法和鲁棒的多模态区域特征构建超像素语义标签池，由已训练的随机决策森林分类器对超像素语义类别标签进行判决；然后，在细粒度像素级语义标签求精过程中，利用几何深度深度信息和内部反馈机制改进像素级稠密条件随机场（ConditionalRandomFields,CRFs）概率图模型，对粗粒度语义标注结果求精；最后，引入全局递归式反馈，渐进式迭代更新室内场景的语义类别标签。针对目前快速的非监督过分割算法在杂乱的室内场景中难以得到具有较高边缘一致性的超像素区域的问题，利用图像分层显著度所具备的抗小范围高对比度模式的特点，本文

8、改进了一种基于图像分层显著度导引的简单线性迭代聚类SLIC过分割，用于实现粗粒度区域级语义标签的推断方案。首先，提取RGB彩色通道中三个不同尺度的图像层次结构，针对每个图像层次结构分别计算对应的显著度信息，将这些分层视觉显著度融合成一个统一的显著度图像，以构建树状推断模型；然后，利用场景即得的分层显著度与相应的深度信