交互式图像分割：集成学习与半监督策略

"基于集成学习的交互式图像分割" 本文探讨了一种创新的图像分割方法，该方法基于集成学习，特别适用于交互式图像分割任务。在交互式图像分割中，用户通常提供少量的手动标记示例，这可能导致单一分类器无法有效地处理复杂的图像区域和不均衡的标记问题。为了解决这些问题，作者提出了一个由多分类器组成的集成学习框架。 首先，该方法利用多元自适应回归样条（MARS）构建第一个分类器。MARS是一种统计建模技术，能适应非线性关系，从而更好地捕捉图像中的复杂边界。接着，引入光滑薄板样条回归函数（TPSR）构建第二个分类器，它与MARS互补，进一步增强模型的表达能力。这两个分类器共同构成bagging集成学习器，bagging通过组合多个弱分类器形成一个强分类器，降低了对噪声的敏感性，并提高了特征空间的利用率。 然后，为了利用未标记数据并提高分割性能，文章提出了一种名为REG-Boosting的半监督学习算法。REG-Boosting结合了bagging的并行特性，基于半监督学习中的聚类假设，即相似的数据点可能属于同一类别。这种方法允许模型在有限的人工标记样本基础上，自我学习和优化，从而实现半监督图像分割。 在各种数据集上的实验验证了该方法的有效性和优越性。实验结果表明，提出的集成学习策略不仅能处理交互式图像分割中的挑战，如示例匮乏和不均衡标记，而且在分割精度和稳定性上都表现出色。这为交互式图像分割提供了新的理论和技术支持，对于图像分析、计算机视觉以及医学影像处理等领域具有重要价值。 关键词：交互式图像分割；多元自适应回归样条；集成学习；薄板样条回归；半监督学习 中图分类号：TP391 文献标识码：A 文章编号：0372-2112（C150158） 电子学报URL：http://www.ejournal.org.cn DOI：10.3969/j.issn.0372-2112.2015.InteractiveImageSegmentationBasedonEnsembleLearning 作者：刘金平1, 陈青2, 张进2, 唐朝晖2 (1.湖南师范大学数学与计算机科学学院, 湖南长沙410081；2.中南大学信息科学与工程学院, 湖南长沙410083)