CN101714253A - 基于测地线活动区域模型的交互式图像分割修正方法 - Google Patents
基于测地线活动区域模型的交互式图像分割修正方法 Download PDFInfo
- Publication number
- CN101714253A CN101714253A CN200910219345A CN200910219345A CN101714253A CN 101714253 A CN101714253 A CN 101714253A CN 200910219345 A CN200910219345 A CN 200910219345A CN 200910219345 A CN200910219345 A CN 200910219345A CN 101714253 A CN101714253 A CN 101714253A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- probability
- boundary
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003709 image segmentation Methods 0.000 title claims abstract description 20
- 230000002452 interceptive effect Effects 0.000 title claims description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 48
- 230000014509 gene expression Effects 0.000 claims description 12
- 239000003086 colorant Substances 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000003702 image correction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于测地线活动区域模型的图像分割修正方法,主要解决现有方法概率建模不准确的问题。其实现步骤:(1)对待分割图像作Gabor滤波,并提取滤波图像各子带的滑窗能量特征;(2)根据标记点的滑窗能量特征建立高斯模型,并估算各个特征通道的自适应权值;(3)自适应加权各个特征通道概率,得到像素点的区域概率和边界概率;(4)根据基于标记点的修正算法对像素点的区域概率和边界概率进行修正;(5)应用测地线活动区域模型不断地演化初始曲线,得到感兴趣目标的边界,完成图像分割。本发明提高了像素点区域概率和边界概率建模的准确性,分割结果的区域一致性和边缘准确性均有明显改善,可用于各种类型的图像分割。
Description
技术领域
本发明属于图像处理技术领域,涉及一种分割图像的修正方法,可用于目标提取。
背景技术
基于曲线演化的活动轮廓模型一直被广泛地应用于图像分割领域中。基于曲线演化的活动轮廓模型是一条由相应能量函数控制的可形变参数曲线,以能量函数最小化为目标控制曲线的形变,最终得到的能量最小化的曲线就是目标的轮廓。目前,曲线演化的活动轮廓模型与水平集方法结合极大的拓宽了曲线活动轮廓模型的应用范围,成为一种广为关注的曲线演化方法。该方法利用轮廓曲线的几何特性,建立轮廓曲线运动的能量泛函,最小化这个能量泛函,使轮廓曲线逐渐逼近图像中目标的边界,并利用水平集函数将轮廓曲线运动方程转换为求解偏微分方程问题。
N.Paragios等人在测地线活动轮廓模型中加入区域信息,提出了基于测地线活动区域模型的监督式纹理分割方法。该方法综合了区域信息和边界信息,利用梯度下降法最小化目标函数,并根据水平集方法求解偏微分方程。在边界信息和区域信息的作用下,曲线受力平衡演化到方程的最优解处。B.Allier等人利用测地线活动区域模型对文本图像的印刷字体进行分割。与经典的基于物理分割和逻辑标签的文档图像处理技术相比,该方法克服了噪声、字体及文字方向改变等问题的影响,得到比较理想的分割结果。O.Diamanti等人于2008年提出了基于测地线活动区域模型的手语视频人体动作的分割与跟踪。该模型由边界作用力、色彩信息作用力和加速边界演化的“气球力”三部分组成,能够很好地应用于探测和跟踪领域。何源等人提出了一种基于曲线演化的非监督式纹理分割算法。该方法通过一组Gabor滤波器提取出纹理特征后,可以得到一个多维的特征图像;采用高斯混合模型描述特征图像的空间分布,获得边界和区域信息。把特征图像转化到一维空间中,避免了直接在多维空间中进行曲线演化。
但是,基于测地线活动轮廓模型的交互式图像分割存在如下缺点:对于图像中的弱势样本点如边缘、小区域,其计算的区域概率和边界概率不够准确,导致初始曲线最终会演化到图像的目标内部,即图像的非边界处,造成图像分割不准的后果。
发明内容
本发明的目的在于在克服上述不足的基础上,提出了基于测地线活动区域模型的交互式图像分割修正方法,通过修正由测地线活动轮廓模型计算的区域概率和边界概率,得到更准确的概率数据,以提高图像中感兴趣区域分割结果的区域一致性和边缘准确性。
为实现上述目的,本发明的技术方案首先引入自适应特征加权模型,计算图像中像素的区域和边界概率模型;然后对得到的区域和边界概率进行修正;最后应用测地线活动区域模型对图像的初始曲线不断演化,完成图像分割。具体步骤包括如下:
(1)对待分割图像作Gabor滤波,并提取滤波图像各子带的滑窗能量特征;
(2)在待分割图像的目标区域和背景区域用不同颜色标记有代表性的像素点,根据标记点滑窗能量特征估算高斯参数,建立高斯模型,根据目标标记点特征概率密度曲线与背景标记点特征概率密度曲线的交叠面积大小估算各个特征通道的自适应权值;
(3)根据高斯模型计算未标记的待测试像素点的高斯概率,并自适应加权各个特征通道概率,得到像素点的区域概率和边界概率;
(4)对像素点的区域概率和边界概率进行如下修正:
4a)将像素点各子带边界方向出现次数最多的方向定义为该像素点的最终边界方向,并沿垂直于该点边界方向的方向,在该像素点左右两侧区域分别选择4个相邻的像素点;
4b)分别计算左右两侧4个像素点特征向量的平均向量与目标和背景标记点特征向量的最小欧式距离;
4c)分别比较左侧区域像素点特征向量与目标标记点特征和背景标记点特征的距离大小,如果该特征向量与目标标记点的距离小于其与背景标记点的距离,则将左侧区域判为目标区域;否则,将其判为背景区域;然后,分别比较右侧区域像素点特征向量与目标标记点特征和背景标记点特征的距离大小,如果该特征向量与目标标记点的距离小于其与背景标记点的距离,则将右侧区域判为目标区域;否则,将其判为背景区域;
4d)根据左右两侧区域的类别属性对像素点的区域概率和边界概率进行修正,如果左侧属于目标区域,右侧属于背景区域,或者右侧属于目标区域,左侧属于背景区域,则将该像素点判为边界点,其边界概率为1;如果左右两侧均属于目标区域,则将该像素点判为目标中的像素点,其目标区域概率为1,背景区域概率为0,边界概率为0;如果左右两侧均属于背景区域,则将该像素点判为背景中的像素点,其背景区域概率为1,目标区域概率为0,边界概率为0;
(5)将图像中每个像素点的目标区域概率信息、背景区域概率信息和边界概率信息代入基于测地线活动区域模型的曲线演化能量函数表达式中,根据Euler-Lagrange方程最小化该闭合曲线的能量函数,得到曲线演化的偏微分方程表达式,通过对该偏微分方程的迭代,获得图像的最终分割结果。
本发明由于采用基于标记点的修正算法对图像中的弱势样本点如边缘、小区域的区域概率和边界概率进行修正,克服了区域概率和边界概率建模不准的缺点,提高了闭合曲线能量函数中概率的准确性,使测地线活动区域模型的初始曲线能够演化到正确的目标边界上。
实验证明,本发明适用于各种类型的图像分割,通过对像素点的区域概率和边界概率进行修正,得到了更精确的表征像素点属性的概率信息。
附图说明
图1是本发明的流程框图;
图2是自然图像分割概率修正前的区域概率和边界概率图;
图3是本发明对于自然图像分割概率修正后的区域概率和边界概率图;
图4是自然图像分割概率修正前的演化过程及分割结果图;
图5是用本发明对于自然图像分割概率修正后的演化过程及分割结果。
具体实施方法
参照附图1,本发明的实现步骤如下:
步骤1:特征提取
将待分割图像与尺度α=1/2,1/4,1/8,1/16,方向θ=0,π/4,π/2,3π/4的16个自相似滤波器卷积,得到16个尺度不同和方向不同的滤波图像子带,并在滤波图像各子带上滑动1*1大小的窗口,提取能量特征;对于灰度和纹理图像,加上像素点的灰度信息构成17维特征;对于自然图像,加上图像的RGB颜色分量构成19维特征。
步骤2:交互式概率建模
对图像任意一维特征数据,采用均值函数和方差函数估算图像目标与背景标记点对应特征的均值和方差;并将该均值与方差代入高斯函数表达式,得到该维特征的高斯模型:
其中,Fi(x)是像素点的第i维特征,μi和σi分别是第i维特征的均值和方差。
步骤3:计算各像素点的区域概率和边界概率
3a)自适应权值计算
图像各个子带是待分割图像经过不同方向、不同尺度的滤波器滤波得到的,因此各个特征通道对图像分割所起的作用不同,第i个通道的自适应权值wi为:
其中,NC代表特征的维数;Pi是目标和背景标记点特征的概率密度曲线的交叠面积,该面积表征像素点x的类别属性被判错的概率,其表达式为:
其中,p1 i(x)和p2 i(x)分别是目标和背景标记点的第i维特征的高斯概率密度函数,表达式为:
其中,Fi(x)是像素点x的第i维特征数值,μ1,i和σ1,i分别是目标所有标记点的第i维特征的均值和方差,μ2,i和σ2,i分别是背景所有标记点的第i维特征的均值和方差。
3b)计算各像素点的区域概率
在第i维特征通道上,根据目标和背景标记点的高斯概率函数,按下面表达式计算图像中任意一个像素点x属于目标的概率P1|2 i(x)和属于背景的概率P2|1 i(x):
根据各个特征通道的自适应权值,综合像素点在各维中属于目标的概率P1|2 i(x)及属于背景的概率P2|1 i(x),得到像素点x的目标区域概率P1|2(x)和背景区域概率P2|1(x)如下:
3c)计算各像素点的边界概率
像素点x的边界概率计算方法如下:
3c1)在特征通道Fi上,如果像素点x从某一方向θ将所在区域划分成左邻域rL和右邻域rR,并有 其中,和分别表示左右邻域像素点,NL和NR分别是左邻域和右邻域的像素点个数,则在特征通道Fi,分别定义左右邻域的目标区域概率和背景区域概率如下:
目标: 背景:
其中,P1(rL)和P1(rR)分别是左邻域和右邻域的目标区域概率,P2(rL)和P2(rR)分别是左邻域和右邻域的背景区域概率;
3c2)根据像素点x边界方向左右邻域的目标区域概率和背景区域概率,得到像素点x在特征通道Fi,方向θ上的边界概率:
3c3)选取θ=0,π/4,π/2,3π/4,并分别计算这四个方向上像素点x在特征通道Fi,方向θ上的边界概率将四个方向中概率的最大值作为像素点x在该特征通道的边界概率并把概率最大的方向作为像素点在该特征通道的边界方向,即:
3c4)根据特征通道的自适应权值wi和像素点在各特征通道的边界概率得到像素点的边界概率PBound(x),并把所有特征通道中像素点x边界方向出现次数最多的方向作为该像素点的边界方向,得到像素点的边界概率表达式为:
步骤4:基于标记点的概率修正
4a)规定像素点边界方向的一侧为左侧,另一侧为右侧;
4b)对于像素点x,沿垂直于该点边界方向的方向,在该像素点左右两侧区域分别选取4个相邻的像素点,L1表示左侧区域,L2表示右侧区域;对于左侧区域像素点,计算其对应特征向量组成的矩阵中每列的平均值,并组成一个新的特征向量,记作该像素点边界方向左侧区域L1的特征向量;对于右侧区域像素点,计算其对应特征向量组成的矩阵中每列的平均值,并组成一个新的特征向量,记作该像素点边界方向右侧区域L2的特征向量;
4c)设像素点x边界方向左侧区域L1的特征向量为 该特征向量与目标标记点对应特征向量的欧氏距离记为d11,s,与背景标记点对应特征向量的欧氏距离记为d12,t;设像素点x边界方向右侧区域L2的特征向量为 该特征向量与目标标记点对应特征向量的欧氏距离记为d21,s,与背景标记点对应特征向量的欧氏距离记为d22,t;其中s=1∶label1,t=1∶label2,label1和label2是图像中目标和背景的标记点个数;
设目标中第s个标记点的特征向量为 背景中第t个标记点的特征向量为 则d11,s,d12,t,d21,s,d22,t的计算公式分别为:
4d)根据像素点左右两侧区域与目标和背景各标记点对应特征向量的欧氏距离d11,s,d12,t,d21,s,d22,t,分别计算左侧区域到目标和背景的最小欧氏距离d11min和d12min,以及右侧区域到目标和背景的最小欧氏距离d21min和d22min:
4e)分别对图像所有像素点的d11min,d12min,d21min,d22min采用与其最大值相比的方法做归一化处理,得到d′11min,d′12min,d′21min,d′22min;如果d′11min<d′12min,则该像素点左侧区域到目标的距离小,并将左侧区域判为目标区域,否则,将左侧区域判为背景区域;如果d′21min<d′22min,则该像素点右侧区域到目标的距离小,并将右侧区域判为目标区域,否则,将右侧区域判为背景区域;
4f)设Ψ1是目标区域集合,Ψ2是背景区域集合,根据左右两侧区域的类别属性对像素点的区域概率和边界概率进行修正:
若像素点的L1∈Ψ1,L2∈Ψ2,或像素点的L1∈Ψ2,L2∈Ψ1,则该点为边界点,其边界概率PBound(x)=1;
若像素点的L1∈Ψ1,L2∈Ψ1,则该点为目标区域像素点,其边界概率PBound(x)=0,目标区域的概率P1|2(x)=1,背景区域的概率P2|1(x)=0;
若像素点的L1∈Ψ2,L2∈Ψ2,则该点为背景区域像素点,其边界概率PBound(x)=0,目标区域的概率P1|2(x)=0,背景区域的概率P2|1(x)=1。
步骤5:基于测地线活动区域模型的曲线演化
人为在图像感兴趣目标边缘初始一条闭合曲线p∈[0,1],它把整幅图像划分为曲线内部区域R1和R2,即R1的两部分,将边界曲线上的像素点修正后的区域概率P1|2(x)、P2|1(x)和边界概率PBound(x)代入到测地线活动区域模型的能量函数表达式中,得到该边界曲线的能量泛函,即:
其中,K是选定的常数,取K=5或K=10,用来控制边缘函数的下降速率;
设t时刻闭合曲线为u,根据Euler-Lagrange方程最小化闭合曲线u的能量泛函E(u),得到曲线演化的偏微分方程表达式如下:
其中,un代表当前时刻的曲线,un+1是代表迭代一次后的曲线;Δt是时间步长,必须足够小,取Δt≤0.05;
采用迎风方案对所述的曲线的演化公式进行数值计算,完成初始曲线的演化,得到目标的边界曲线。
本发明的效果通过以下仿真进一步说明。
1.仿真内容
对自然图像区域概率和边界概率的仿真的结果如图2,其中:图2(a)为图像的目标区域概率图,图2(b)为图像的背景区域概率图,图2(c)为图像的边界概率图。
对自然图像采用基于标记点的概率修正方法修正后的区域概率和边界概率的仿真结果如图3,其中:图3(a)为图像修正后的目标区域概率图,图3(b)为图像的修正后的背景区域概率图,图3(c)为图像修正后的边界概率图。
对自然图像分割的演化过程及分割结果图如图4,其中:图4(a)为目标与背景标记点图,图4(b)为初始曲线演化的一个中间过程图,图4(c)为曲线演化的最终结果图,图4(d)为提取的图像中感兴趣目标结果图。
对自然图像分割概率修正后的演化过程及分割结果图如图5,其中:图5(a)为目标与背景标记点图,图5(b)为概率修正后初始曲线演化的一个中间过程图,图5(c)为概率修正后曲线演化的最终结果图,图5(d)为概率修正后提取的图像中感兴趣目标结果图。
2.仿真结果分析
从图3(a)与图2(a)的比较可以看出,图3(a)在目标区域的概率全为1,而图2(a)在目标区域的概率只是接近1,目标区域的边界不够准确,因此,图3(a)比图2(a)更能准确地表征图像的目标区域的范围;
从图3(b)与图2(b)的比较可以看出,图3(b)在背景区域的概率全为1,而图2(b)在背景区域的概率只是接近1,背景区域的边界不够准确,因此,图3(b)比图2(b)更能准确地表征图像的背景区域的范围;
从图3(c)与图2(c)的比较可以看出,图3(c)的边界很清晰,在边界像素点的边界概率全为1,非边界处像素点的边界概率均为0,而图2(c)的边界很不清晰,像素点的边界概率在边界与非边界处几乎没有区别,因此,图3(c)比图2(c)更能准确地表征图像的边界位置;
从图5(d)与图4(d)的比较可以看出,图4(d)的小鸟内部出现了错分的白色小区,小鸟的尾部弱势边缘没有被提取出来,而图5(d)的小鸟内部小区域和弱势边缘均被修正为目标区域,因此,与图4(d)相比,图5(d)得到了更好的分割结果;
综上,本发明实现了对图像中的弱势样本点如边缘、小区域的概率修正,克服了计算区域和边界概率时建模不准确的缺点,得到了正确的目标边界上。
Claims (3)
1.一种基于测地线活动区域模型的交互式图像分割修正方法,包括如下步骤:
(1)对待分割图像作Gabor滤波,并提取滤波图像各子带的滑窗能量特征;
(2)在待分割图像的目标区域和背景区域用不同颜色标记有代表性的像素点,根据标记点滑窗能量特征估算高斯参数,建立高斯模型,根据目标标记点特征概率密度曲线与背景标记点特征概率密度曲线的交叠面积大小估算各个特征通道的自适应权值;
(3)根据高斯模型计算未标记的待测试像素点的高斯概率,并自适应加权各个特征通道概率,得到像素点的区域概率和边界概率;
(4)对像素点的区域概率和边界概率进行如下修正:
4a)将像素点各子带边界方向出现次数最多的方向定义为该像素点的最终的边界方向,并沿垂直于该点边界方向的方向,在该像素点左右两侧区域分别选择4个相邻的像素点;
4b)分别计算左右两侧4个像素点特征向量的平均向量与目标和背景标记点特征向量的最小欧式距离;
4c)分别比较左侧区域像素点特征向量与目标标记点特征和背景标记点特征的距离大小,如果该特征向量与目标标记点的距离小于其与背景标记点的距离,则将左侧区域判为目标区域;否则,将其判为背景区域;然后,分别比较右侧区域像素点特征向量与目标标记点特征和背景标记点特征的距离大小,如果该特征向量与目标标记点的距离小于其与背景标记点的距离,则将右侧区域判为目标区域;否则,将其判为背景区域;
4d)根据左右两侧区域的类别属性对像素点的区域概率和边界概率进行修正,如果左侧属于目标区域,右侧属于背景区域,或者右侧属于目标区域,左侧属于背景区域,则将该像素点判为边界点,其边界概率为1;如果左右两侧均属于目标区域,则将该像素点判为目标中的像素点,其目标区域概率为1,背景区域概率为0,边界概率为0;如果左右两侧均属于背景区域,则将该像素点判为背景中的像素点,其背景区域概率为1,目标区域概率为0,边界概率为0;
(5)将图像中每个像素点的目标区域概率信息、背景区域概率信息和边界概率信息代入基于测地线活动区域模型的曲线演化能量函数表达式中,根据Euler-Lagrange方程最小化该闭合曲线的能量函数,得到曲线演化的偏微分方程表达式,通过对该偏微分方程的迭代,获得图像的最终分割结果。
2.根据权利要求1所述的基于测地线活动区域模型的交互式图像分割修正方法,其中步骤(2)所述的根据标记点滑窗能量特征估算高斯参数,建立高斯模型,是对图像任意一维特征数据,采用均值函数和方差函数估算目标与背景标记点对应特征的均值和方差;并将该均值与方差代入高斯函数表达式,得到该维特征的高斯模型:
其中,Fi(x)是像素点的第i维特征,μi和σi分别是第i维特征的均值和方差。
3.根据权利要求1所述的基于测地线活动区域模型的交互式图像分割修正方法,其中步骤(4b)所述的分别计算左右两侧4个像素点特征向量的平均向量与目标和背景标记点特征向量的最小欧式距离d,按如下公式计算:
其中,NC是像素点的特征维数,f1,i是像素点边界方向左侧或右侧4个像素点特征向量的平均向量,f2,i是目标与背景标记点特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102193455A CN101714253B (zh) | 2009-12-04 | 2009-12-04 | 基于测地线活动区域模型的交互式图像分割修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102193455A CN101714253B (zh) | 2009-12-04 | 2009-12-04 | 基于测地线活动区域模型的交互式图像分割修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101714253A true CN101714253A (zh) | 2010-05-26 |
CN101714253B CN101714253B (zh) | 2012-05-23 |
Family
ID=42417871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009102193455A Expired - Fee Related CN101714253B (zh) | 2009-12-04 | 2009-12-04 | 基于测地线活动区域模型的交互式图像分割修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101714253B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360494A (zh) * | 2011-10-18 | 2012-02-22 | 中国科学院自动化研究所 | 一种多前景目标交互式图像分割方法 |
CN102999924A (zh) * | 2011-09-09 | 2013-03-27 | 富士施乐株式会社 | 图像处理设备和图像处理方法 |
US9036906B2 (en) | 2012-04-20 | 2015-05-19 | Thomson Licensing | Method and apparatus for image segmentation |
CN105654450A (zh) * | 2014-11-09 | 2016-06-08 | 复旦大学 | 基于局部和全局区域测地线模型的mr图像分割和偏移场矫正方法 |
CN106780506A (zh) * | 2016-11-21 | 2017-05-31 | 北京交通大学 | 一种基于多源路径最短距离的交互式图像分割方法 |
CN112233128A (zh) * | 2020-10-15 | 2021-01-15 | 推想医疗科技股份有限公司 | 图像分割方法及模型的训练方法、装置、介质、电子设备 |
CN115984288A (zh) * | 2022-11-29 | 2023-04-18 | 山东省人工智能研究院 | 基于关键点检测与非对称测地线生长模型的图像分割方法 |
CN118447043A (zh) * | 2024-07-08 | 2024-08-06 | 齐鲁工业大学(山东省科学院) | 基于非对称二次度量的测地线方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100385251C (zh) * | 2005-08-18 | 2008-04-30 | 上海交通大学 | 红外大视场环境下的多小目标实时检测方法 |
CN101299268B (zh) * | 2008-07-01 | 2010-08-11 | 上海大学 | 适于低景深图像的语义对象分割方法 |
CN101458714A (zh) * | 2008-12-30 | 2009-06-17 | 清华大学 | 一种基于精确测地线的三维模型检索方法 |
-
2009
- 2009-12-04 CN CN2009102193455A patent/CN101714253B/zh not_active Expired - Fee Related
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999924A (zh) * | 2011-09-09 | 2013-03-27 | 富士施乐株式会社 | 图像处理设备和图像处理方法 |
CN102360494A (zh) * | 2011-10-18 | 2012-02-22 | 中国科学院自动化研究所 | 一种多前景目标交互式图像分割方法 |
CN102360494B (zh) * | 2011-10-18 | 2013-09-04 | 中国科学院自动化研究所 | 一种多前景目标交互式图像分割方法 |
US9036906B2 (en) | 2012-04-20 | 2015-05-19 | Thomson Licensing | Method and apparatus for image segmentation |
CN105654450A (zh) * | 2014-11-09 | 2016-06-08 | 复旦大学 | 基于局部和全局区域测地线模型的mr图像分割和偏移场矫正方法 |
CN105654450B (zh) * | 2014-11-09 | 2019-01-15 | 复旦大学 | 基于局部和全局区域测地线模型的mr图像分割和偏移场矫正方法 |
CN106780506A (zh) * | 2016-11-21 | 2017-05-31 | 北京交通大学 | 一种基于多源路径最短距离的交互式图像分割方法 |
CN106780506B (zh) * | 2016-11-21 | 2020-05-08 | 北京交通大学 | 一种基于多源路径最短距离的交互式图像分割方法 |
CN112233128A (zh) * | 2020-10-15 | 2021-01-15 | 推想医疗科技股份有限公司 | 图像分割方法及模型的训练方法、装置、介质、电子设备 |
CN112233128B (zh) * | 2020-10-15 | 2021-11-02 | 推想医疗科技股份有限公司 | 图像分割方法及模型的训练方法、装置、介质、电子设备 |
CN115984288A (zh) * | 2022-11-29 | 2023-04-18 | 山东省人工智能研究院 | 基于关键点检测与非对称测地线生长模型的图像分割方法 |
CN118447043A (zh) * | 2024-07-08 | 2024-08-06 | 齐鲁工业大学(山东省科学院) | 基于非对称二次度量的测地线方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101714253B (zh) | 2012-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101714253B (zh) | 基于测地线活动区域模型的交互式图像分割修正方法 | |
CN109583425B (zh) | 一种基于深度学习的遥感图像船只集成识别方法 | |
CN109493317B (zh) | 基于级联卷积神经网络的3d多椎骨分割方法 | |
WO2023015743A1 (zh) | 病灶检测模型的训练方法及识别图像中的病灶的方法 | |
CN111723585A (zh) | 一种风格可控的图像文本实时翻译与转换方法 | |
CN108537102B (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
CN103514442B (zh) | 一种基于aam模型的视频序列人脸识别方法 | |
CN102013017B (zh) | 一种高分辨率遥感图像场景粗分类方法 | |
CN101447080B (zh) | 基于非下采样Contourlet变换的HMT图像分割方法 | |
CN108710829A (zh) | 一种基于深度学习的表情分类及微表情检测的方法 | |
CN105825502B (zh) | 一种基于显著性指导的词典学习的弱监督图像解析方法 | |
CN111310760B (zh) | 结合局部先验特征和深度卷积特征的甲骨刻辞文字检测方法 | |
CN112862792B (zh) | 一种用于小样本图像数据集的小麦白粉病孢子分割方法 | |
CN109410247A (zh) | 一种多模板和自适应特征选择的视频跟踪算法 | |
CN102420985B (zh) | 一种多视点视频对象提取方法 | |
CN111028923B (zh) | 数字病理图像染色归一化方法、电子装置及存储介质 | |
CN102903102A (zh) | 基于非局部的三马尔可夫随机场sar图像分割方法 | |
CN108053398A (zh) | 一种半监督特征学习的黑色素瘤自动检测方法 | |
CN110717896A (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
CN104598885A (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN105787948A (zh) | 一种基于多变形分辨率的快速图像分割方法 | |
CN103996018A (zh) | 基于4dlbp的人脸识别方法 | |
CN115170805A (zh) | 一种结合超像素和多尺度分层特征识别的图像分割方法 | |
CN108427919B (zh) | 一种基于形状引导显著性模型的无监督油罐目标检测方法 | |
CN103886619A (zh) | 一种融合多尺度超像素的目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120523 Termination date: 20171204 |