CN101887584B - 一种基于适度随机搜索行为的多阈值图像分割方法 - Google Patents
一种基于适度随机搜索行为的多阈值图像分割方法 Download PDFInfo
- Publication number
- CN101887584B CN101887584B CN2010102273645A CN201010227364A CN101887584B CN 101887584 B CN101887584 B CN 101887584B CN 2010102273645 A CN2010102273645 A CN 2010102273645A CN 201010227364 A CN201010227364 A CN 201010227364A CN 101887584 B CN101887584 B CN 101887584B
- Authority
- CN
- China
- Prior art keywords
- particle
- threshold
- segmentation
- image
- fitness
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003709 image segmentation Methods 0.000 title claims abstract description 23
- 239000002245 particle Substances 0.000 claims abstract description 70
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 61
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 235000002566 Capsicum Nutrition 0.000 description 4
- 239000006002 Pepper Substances 0.000 description 4
- 241000722363 Piper Species 0.000 description 4
- 235000016761 Piper aduncum Nutrition 0.000 description 4
- 235000017804 Piper guineense Nutrition 0.000 description 4
- 235000008184 Piper nigrum Nutrition 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000050510 Cunninghamia lanceolata Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种基于适度随机搜索行为的多阈值图像分割方法,包括如下步骤:建立多阈值分割的适应度函数并计算最佳分割阈值;根据最佳分割阈值,建立并初始化第一代粒子群;根据多阈值分割的适应度函数,计算每个粒子的适应度值,并计算每个粒子的个体最优位置以及所有粒子的全局最优位置;利用粒子群迭代公式更新所述每个粒子的速度和位置向量,更新每个粒子个体最优位置和所有粒子的全局最优位置;重复执行上述步骤直至满足粒子群迭代公式的迭代次数u=Umax。本发明具有分割稳定性好、速度快,分割精度高的优点,大大提高了分割速度和精度,使得图像处理的后续工作成为可能。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种基于适度随机搜索行为的多阈值图像分割方法。
背景技术
阈值分割法作为一种基于区域的图像分割技术,其基本原理:通过设定不同的特征阈值,把图像象素点分为若干类。常用的特征包括:直接来自原始图像的灰度或彩色特征;由原始灰度或彩色值变换得到的特征。
最大类间方差阈值分割法作为阈值分割算法中的一种。该方法由日本大律展之于1980年提出,它利用图像的灰度值,通过计算目标与背景两大类间的最大方差而动态得到图像分割的闭值,然后据此进行图像分割。最大类间方差阈值分割法选取出来的阈值比较理想,对各种情况的表现都较为良好,是较为稳定的一种分割方法。
最大类间方差阈值分割法的基本思路是将直方图在某一闭值处理分割成两组,计算两组的方差信息,因方差是灰度分布均匀性的一种度量,方差值越大,说明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小,因此使类间方差最大的分割意味着错分概率最小,此时的阈值即为最佳阈值。根据以上的定义,最大类间方差法可以很简单的扩充到多阈值分割。但这种算法对于每一灰度值都要反复计算其对应方差,计算量较大,例如对于灰度为256级的图像而言,设每计算一个方差的时间为t,则总的方差运算时间为256*t。因此,按传统的方法计算最大类间方差已经限制了这种算法的发展。
现有的基于最大类间方差的阈值分割法,包括遗传算法、蚁群算法以及微粒群算法和最大类间方差阈值分割法。将上述算法相结合,提出了基于群体智能算法的最大类间方差阈值分割法,以加快最大类间方差方法求最优解的速度。上述算法各有优点,但也存在不足之处。具体的说,遗传算法和蚁群算法都存在着收敛速度慢的缺点。而粒子群优化算法虽然收敛快,但由于不是全局优化算法,因此容易陷入局部最优解。
发明内容
本发明的目的旨在至少解决上述技术缺陷之一,特别针对提高基于最大类间方差的目标函数的多阈值求解速度,提高分割速度的效率,提出了一种基于适度随机搜索行为的多阈值图像分割方法。
为达到上述目的,本发明实施例提出了一种基于适度随机搜索行为的多阈值图像分割方法,包括如下步骤:
S1:建立多阈值分割的适应度函数并计算最佳分割阈值;
S2:根据所述最佳分割阈值,建立并初始化第一代粒子群;
S3:根据所述多阈值分割的适应度函数,计算每个粒子的适应度值,并计算每个粒子的个体最优位置以及所有粒子的全局最优位置;
S4:利用粒子群迭代公式更新所述每个粒子的速度和位置向量,更新所述每个粒子个体最优位置和所有粒子的全局最优位置;和
S5:重复执行步骤S2至S4,直至满足所述粒子群迭代公式的迭代次数u=Umax,Umax为所述粒子群迭代公式的最大迭代次数。
本发明将基于适度随机搜索行为的粒子群算法运用于图像分割领域中的最大类间方差阈值分割法,在取得良好的分割效果的同时,运用算法的并行机制显著的提高了分割速度。本发明具有分割稳定性好、速度快,分割精度高的优点,解决了基于最大类间方差的目标函数存在的高阈值分割效率低的缺点,大大提高了分割速度和精度,得图像处理的后续工作成为可能。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的多阈值图像分割方法的流程框图;
图2为根据本发明实施例的多阈值图像分割方法的流程图;
图3和图4分别为参考图像LENNA和参考图像PEPPER;
图5和图6分别为参考图像LENNA的对应阈值为6和10的分割图像;和
图7和图8分别为参考图像PEPPER对应阈值为6和10的分割图像。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明主要在于,将基于适度随机搜索行为的粒子群算法运用于图像分割领域中的最大类间方差阈值分割法,提高多阈值图像分割的分割稳定性以及分割精度高,同时提高分割速度。
为实现上述目的,本发明提出了一种基于适度随机搜索行为的多阈值图像分割方法。图1示出了杉树多阈值图像分割的流程框图。如图1所示,该方法包括以下步骤:
S101:建立多阈值分割的适应度函数并计算最佳分割阈值;
首先,利用最大类间方差算法建立多阈值分割的适应度函数f(X)。然后,假设一幅图像的灰度值为L,灰度值为i的像素数为h(i),则:
图像总像素数为:
各阈值的概率为:PRi=h(i)/N。
设该图像被{t_1,t_2,...,t_M-1}个阈值分割为M个部分,其中,分割图像C1对应阈值[0,...,t_1],分割图像C2对应阈值[t_1+1,...,t_2],...,分割图像CM对应阈值[t_M-1,...,L]。则OTSU方法(最大类间差法)选择的最佳阈值需要满足以下公式:
S102:根据最佳分割阈值,建立并初始化第一代粒子群;
在建立并初始化第一代粒子群之前,首先初始化用于图像分割部分的算法参数,并根据给定阈值的上下限,建立第一代的粒子群。其中,在本实施例中,被分割图像为黑白图像。由于针对的时黑白图像的分割,粒子群的上下界应该设置为[0,255]。
粒子群的位置向量表示为:Xi=(xi1,xi2,…,xin)T∈Ω。其中,xi1,xi2,....,xin分别为每个粒子的位置向量,Ω为位置空间。
在本实施例中,粒子群的编码方式为十进制编码。
结合图2所示,对上述已建立的粒子群进行初始化,包括初始化各个粒子的当前最佳位置和所有粒子的全局最佳位置。
具体的说,随机初始化Y个粒子的初始位置X(0),并初始化各个粒子的个体最优位置为:Ppi(0)=Xi(0);
全局最优位置为:Pg(0)=min{X1(0),X2(0),...,XY(0)}。
S103:根据多阈值分割的适应度函数,计算每个粒子的适应度值,并计算每个粒子的个体最优位置以及所有粒子的全局最优位置;
具体的说,根据步骤101中建立的多阈值分割适应度函数f(X),计算每个粒子的适应度值f(Xi(t+1))。
根据上述每个粒子的适应度值f(Xi(t+1)),计算每个粒子的个体最优位置Ppi(t+1),和所有粒子的全局最优位置Pg(t+1)。
其中,个体最优位置为:
全局最优位置为:Pg(t+1)=max{P1(t+1),P2(t+1),...,PY(t+1)},1≤pi≤Y。
S104:利用粒子群迭代公式更新每个粒子的速度和位置向量以及个体最优位置和所有粒子的全局最优位置;
建立粒子群迭代公式,粒子群按照下述公式移动位置:
Xid(t+1)=Qd+α*γ(mbestid-Xid(t)),
其中,上式中的第一项Qd=rand*ppid+(1-rand)*pgd,用于给粒子进化提供了一个有效的方向,从而可以保证改进以后的算法依然对有效区域进行搜索。ppid为第t时刻第i个粒子在第d维的个体最优位置,pgd为第t时刻所有粒子在第d维的全局最优位置。
第二项α*γ(mbestid-Xid(t))能够保证粒子在有效的对Qd所确定的局部区域进行精确搜索的前提下依然保持对整个解空间进行搜索的能力。
α类似于基本PSO算法中的惯性因子,作为MRPSO唯一的控制参数,其大小决定着粒子的分布。根据实验表明,α随迭代次数的减小由0.5下降到0.35得到最好的结果。另外根据本发明对第二项α*γ(mbestid-Xid(t))的要求以及随机函数rand的特性,构建出一个适度随机搜索函数γ,其表达式如下:
γ具备跳出当前局部最优点的可能性。其中rand1和rand2为服从U(0,1)分布的随机数,rand3为在[-1,1]内变化的随机数。
根据上式粒子群迭代公式更新每个粒子的速度和位置向量,然后根据更新后的每个粒子的位置向量,进一步更新每个粒子的个体最优位置和全局最优位置。
S105:重复执行步骤S102至S104,直至满足终止条件,即上述粒子群迭代公式的迭代次数u=Umax,Umax为上述粒子群迭代公式的最大迭代次数。
本发明提供的基于适度随机搜索行为的多阈值图像分割方法与现有技术相比具有以下优点:分割稳定性好、速度快,分割精度高,解决了基于最大类间方差的目标函数存在的高阈值分割效率低的缺点,大大提高了分割速度和精度,使得图像处理的后续工作成为可能。
下面结合图3和图4两幅参考图像,进一步说明本发明的技术方案具有的分割稳定性好、速度快,分割精度高等特点。
首先,选取两幅参考图像LENNA和PEPPER,上述两幅参考图像均为512像素*512像素。对上述两幅参考图像分别使用蚁群算法,遗传算法,粒子群算法,基于适度随机搜索行为的粒子群算法,分别进行分割,每种算法分别运行50次,算法结束的条件为迭代次数10000或者每两次迭代获得的最优解的差小于0.01的次数超过100次,得到各自的分割结果。
1、稳定性
由于各种基于群体的分割算法具有离散型和随机性,另外受每一种算法的搜索能力的影响,那么它们的每一次仿真结果也就无法保证为全部相同。因此有必要分析一下各种群体算法的稳定性。根据上述分析比较,可以得到上述算法中更为适合应用于图像分割领域的算法。
为了分析各种群体算法的稳定性,使用下式来判断每一次算法运行的结果是否收敛到同一数值:
其中u为算法重复的次数。在本实施例中,u=50。σ为算法每一次运行获得的最优解。表示σ的平均值。因此上式可以看做σ的标准方差,用std来表示。在同样的情况下,std越大表示其对应的算法越不稳定。表1为在M-1=2,3,4,6,10时各种群体算法运行50次以后获得的标准方差值。从结果中可以看出本发明提供的MRPSO算法相对于与其他比较算法来说更为稳定,原因包括:1)MRPSO算法继承了PSO算法的稳定性。基本PSO算法在运行后期无法获得一个较大的值以跳出当前最优点从而导致后期全局搜索能力下降,可以考虑在粒子运行过程中适当的给予一个较大的值以确保能进行有效的全局搜索。本发明的MRPSO算法与标准粒子群算法类似,具有进化和群体智能的特点。在MRPSO中,每个备选解被称为一个“粒子”,多个粒子共存、合作寻优。算法先生成初始种群,即在可行解空间中随机初始化一群粒子,每个粒子都为优化问题的一个可行解,并由目标函数为之确定一个适应值(fitness value)。每个粒子在解空间中运动,粒子通过追随自身的个体极值与群体的极值来动态的调整自己的位置信息。
2)适度随机搜索方法帮助MRPSO算法在解空间中搜索的更为彻底一些。因此MRPSO算法更为有效和快速的全局搜索能力,这样保证它在限制时间内获得了更为稳定的结果。
表1
2、分割速度
表2为标准OTSU方法在M-1=2,3,4时对测试图像分割获得的函数值以及对应的阈值,同时平均计算时间也列在表2。当M-1大于4的时候,由于OTSU算法耗费的时间太大,因此其结果没有列在表2中。表3为基于MRPSO方法以及其他参与比较的基于群体算法的分割算法在M-1=2,3,4,6,10时分割图像所获得的函数值。从表2和表3的比较结果可以看出,基于MRPSO算法的分割算法获得的结果等同于或最接近于OTSU算法。MRPSO在M-1等于2、3、4时花费的平均CPU为3.8、3.8和4秒,但是OTSU算法在M-1等于2、3、4时花费的平均CPU时间却为5.1267、253.575和16452.133秒。因此MRPSO比OTSU算法更快的分割速度。
表2
表3
3、分割精度
表3中记录了四种算法在M-1=2,3,4,6,10时获得的适应度值。从中可以看出,在阈值数为2,3,4时MRPSO算法参与的图像阈值分割得到的适应度值与实际值最为接近,因此MRPSO比其余群体算法更为有效。这主要是因为MRPSO算的群体性,它的成绩主要依赖于它的搜索能力。同时根据表3也可以观察到PSO算法相对于GA以及ACO算法来说,在阈值数为2,3,4时它也获得了较为优异的成绩。
图5和图6分别示出了参考图像LENNA的对应阈值为6和10的分割图像。图7和图8分别为参考图像PEPPER对应阈值为6和10的分割图像。结合上述附图所示,当分割阈值数为6,10时,MRPSO算法表现出了良好的分割能力。因此可以说,本发明的提供的MRPSO算法,及基于适度随机搜索行为的多阈值图像分割方法,分割稳定性高、分割精度高、分割速度快,更适合于多阈值分割图像
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同限定。
Claims (4)
1.一种基于适度随机搜索行为的多阈值图像分割方法,其特征在于,包括如下步骤:
S1:建立多阈值分割的适应度函数并计算最佳分割阈值;
S2:初始化所述多阈值图像分割方法中的各个参数,然后根据所述最佳分割阈值,建立并初始化第一代粒子群,包括:
随机初始化Y个粒子的初始位置,并令各个粒子的当前最佳位置为:Ppi(0)=Xi(0),全局最佳位置为:Pg(0)=min{X1(0),X2(0),...,XY(0)},其中,Xi(0)为第i个粒子在初始时刻的位置向量;
S3:根据所述多阈值分割的适应度函数,计算每个粒子的适应度值,并根据所述适应度值计算每个粒子的个体最优位置以及所有粒子的全局最优位置,其中,
所述每个粒子的个体最优位置为:
其中,f(X)为所述多阈值分割的适应度函数,1≤pi≤Y,
所述所有粒子的全局最优位置为:
Pg(t+1)=max{P1(t+1),P2(t+1),...,PY(t+1)};
S4:计算 和Qd=rand*ppid+(1-rand)*pgd,
建立所述粒子群迭代公式为:Xid(t+1)=Qd+α*γ(mbestid-Xid(t)),
其中,Qd用于为粒子进化提供有效的方向;α为基本PSO算法中的惯性因子,rand为随机函数,Xid(t)为第t时刻第i个粒子的第d维的位置向量,ppid为第t时刻第i个粒子在第d维的个体最优位置,pgd为第t时刻所有粒子在第d维的全局最优位置;γ为根据所述随机函数rand构建的适度随机搜索函数,
其中,rand1和rand2为服从U(0,1)分布的随机数,rand3为在[-1,1]内变化的随机数;
根据所述粒子群迭代公式更新所述每个粒子的速度和位置向量;
根据所述更新后的每个粒子的位置向量,更新每个粒子的个体最优位置和所有粒子的全局最优位置;和
S5:重复执行步骤S2至S4,直至满足所述粒子群迭代公式的迭代次数u=Umax,Umax为所述粒子群迭代公式的最大迭代次数。
3.如权利要求1所述的多阈值图像分割方法,其特征在于,所述第一代粒子群的编码方式为十进制编码。
4.如权利要求1所述的多阈值图像分割方法,其特征在于,当所述图像为黑白图像时,所述粒子群的上下界设置为[0,255]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102273645A CN101887584B (zh) | 2010-07-07 | 2010-07-07 | 一种基于适度随机搜索行为的多阈值图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102273645A CN101887584B (zh) | 2010-07-07 | 2010-07-07 | 一种基于适度随机搜索行为的多阈值图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101887584A CN101887584A (zh) | 2010-11-17 |
CN101887584B true CN101887584B (zh) | 2012-03-28 |
Family
ID=43073494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102273645A Expired - Fee Related CN101887584B (zh) | 2010-07-07 | 2010-07-07 | 一种基于适度随机搜索行为的多阈值图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101887584B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496156B (zh) * | 2011-11-17 | 2013-11-20 | 西安电子科技大学 | 基于协同量子粒子群算法的医学图像分割方法 |
GB2500592A (en) * | 2012-03-25 | 2013-10-02 | Dehao Ju | Multi-threshold algorithm for analyzing out of focus particles and droplets |
CN102831604A (zh) * | 2012-07-30 | 2012-12-19 | 常州大学 | 一种灰度图像的二维Renyi熵阈值分割方法 |
CN103914831B (zh) * | 2014-03-10 | 2016-09-14 | 西安电子科技大学 | 一种基于量子粒子群优化的二维双阈值sar图像分割方法 |
CN104318575B (zh) * | 2014-11-04 | 2017-02-15 | 江西理工大学 | 一种基于综合学习差分演化算法的多阈值图像分割方法 |
CN104331893B (zh) * | 2014-11-14 | 2017-02-22 | 东南大学 | 一种复杂图像多阈值分割方法 |
CN104809737B (zh) * | 2015-05-13 | 2017-04-26 | 江西理工大学 | 一种基于双策略和声搜索算法的柚子图像分割方法 |
CN105405136A (zh) * | 2015-11-04 | 2016-03-16 | 南方医科大学 | 一种基于粒子群算法的自适应脊柱ct图像分割方法 |
CN106842349B (zh) * | 2015-12-03 | 2019-06-07 | 北京国网富达科技发展有限责任公司 | 输电线路防外破检测方法及装置 |
CN106612430A (zh) * | 2016-02-04 | 2017-05-03 | 四川用联信息技术有限公司 | 一种基于香农熵和差分进化的多级阈值图像压缩方法 |
CN107492103A (zh) * | 2017-07-05 | 2017-12-19 | 上海斐讯数据通信技术有限公司 | 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法 |
CN107292903A (zh) * | 2017-08-10 | 2017-10-24 | 四川长虹电器股份有限公司 | 图像多阈值分割方法 |
CN107730523A (zh) * | 2017-09-14 | 2018-02-23 | 上海斐讯数据通信技术有限公司 | 一种基于粒子群算法的图像分割方法及系统 |
CN108810415B (zh) * | 2018-06-27 | 2020-07-14 | 上海理工大学 | 一种基于量子粒子群优化算法的对焦方法 |
CN110956641A (zh) * | 2019-11-20 | 2020-04-03 | 南京拓控信息科技股份有限公司 | 一种基于化学反应优化的列车车轮踏面图像分割方法 |
CN112241722A (zh) * | 2020-11-18 | 2021-01-19 | 河南工业大学 | 一种基于蚁群算法的南极海冰遥感图像分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100512374C (zh) * | 2007-12-05 | 2009-07-08 | 北京航空航天大学 | 一种基于阈值分割的图像边缘检测方法 |
CN100580694C (zh) * | 2008-03-03 | 2010-01-13 | 哈尔滨工程大学 | 一种用于灰度图像快速多阈值分割的方法 |
-
2010
- 2010-07-07 CN CN2010102273645A patent/CN101887584B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101887584A (zh) | 2010-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101887584B (zh) | 一种基于适度随机搜索行为的多阈值图像分割方法 | |
Gygli et al. | Deep value networks learn to evaluate and iteratively refine structured outputs | |
CN106127121B (zh) | 一种基于夜间灯光数据的建成区智能化提取方法 | |
CN102903113A (zh) | 基于协作量子粒子群算法的多阈值图像分割方法 | |
US7873214B2 (en) | Unsupervised color image segmentation by dynamic color gradient thresholding | |
Hassanzadeh et al. | Fuzzy FA: a modified firefly algorithm | |
CN103116762A (zh) | 一种基于自调制字典学习的图像分类方法 | |
US20200202174A1 (en) | Training method of image generator | |
CN111797846B (zh) | 一种基于特征金字塔网络的反馈式目标检测方法 | |
CN103198479A (zh) | 基于语义信息分类的sar图像分割方法 | |
Das et al. | A novel graphical lasso based approach towards segmentation analysis in energy game-theoretic frameworks | |
CN104715480B (zh) | 一种基于统计背景模型的目标检测方法 | |
CN105405136A (zh) | 一种基于粒子群算法的自适应脊柱ct图像分割方法 | |
US10922852B2 (en) | Oil painting stroke simulation using neural network | |
CN102831613B (zh) | 一种并行的分形网络演化影像分割方法 | |
CN104537126A (zh) | 一种基于边图随机游走的重叠社区发现方法 | |
Isles et al. | An operational framework for defining and forecasting phytoplankton blooms | |
Zufferey | Optimization by ant algorithms: possible roles for an individual ant | |
CN105303519A (zh) | 用于生成时间一致的超像素的方法和装置 | |
Silva et al. | Superpixel-based online wagging one-class ensemble for feature selection in foreground/background separation | |
CN103945227B (zh) | 基于光流聚类的视频语义块分割方法 | |
Szemenyei et al. | Real-time scene understanding using deep neural networks for RoboCup SPL | |
Szemenyei et al. | ROBO: robust, fully neural object detection for robot soccer | |
CN114842215A (zh) | 一种基于多任务融合的鱼类视觉识别方法 | |
JP2016099980A (ja) | 画像セグメンテーション方法、装置、及びプログラム |
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 |
Granted publication date: 20120328 |