从单幅图像中提取其中的层次关系是实现图像分析的基础,也是深层次图像信息提取问题的基础。该研究的运用面很广,可以应用到图片理解(目标识别、姿态估计)、机器人视觉(运动分析和视觉跟踪等领域)以及三维立体重建等领域。因此单幅图像的层次关系提取是计算机视觉领域研究的一个重要课题。本文的工作可以分为两个大的问题:(1)获取图像区域的局部深度次序关系。(2)将得到的局部深度次序关系进行整合得到全局深度次序关系。本文通过字典学习来进行图像的局部深度次序推理。对于学习型分类问题而言,特征的提取相当重要。遮挡边缘的特征除了包括遮挡边缘的强度信息,也包括遮挡边缘两侧区域的颜色和信息纹理信息的差异。本文综合了大量的遮挡边缘特征,确保了特征提取的丰富性。本文创造性地将基于Fisher指标的稀疏分类器的方法引入到遮挡边缘的分类问题中,从而得到准确的遮挡边缘。首先对训练集进行遮挡边缘特征提取,来训练一个FDDL(Fisher Discriminative Dictionary Learning)遮挡边缘分类器。之后,将该遮挡边缘分类器对从测试集提取的边缘特征进行分类,从而得到训练集的遮挡边缘。之后,通过对遮挡边缘周围区域的T角点检测以及凹凸性对各个相邻遮挡区域的前后关系进行判定。至此,就可以获得图像的局部次序。在整合局部深度次序关系为全局深度次序关系中,使用了马尔可夫随机场的思想。通过把所有获得的局部次序,转换为图模型中的顶点和边,将获取的各个区域表示为图中的顶点,将获取的局部深度关系转化为图中的边,并使用马尔科夫模型来去除图中的环。这样,就将图中的全局深度次序推理问题转化为求解图的有效路径的问题。本文采用了 NYU V2深度数据集和Cornell深度次序数据集和这两个数据集,将其中的一半作为训练集,另一半作为测试集。实验结果表明,本文提出的算法框架具有很好的效果。