CN103390279A - 联合显著性检测与判别式学习的目标前景协同分割方法 - Google Patents
联合显著性检测与判别式学习的目标前景协同分割方法 Download PDFInfo
- Publication number
- CN103390279A CN103390279A CN2013103165891A CN201310316589A CN103390279A CN 103390279 A CN103390279 A CN 103390279A CN 2013103165891 A CN2013103165891 A CN 2013103165891A CN 201310316589 A CN201310316589 A CN 201310316589A CN 103390279 A CN103390279 A CN 103390279A
- Authority
- CN
- China
- Prior art keywords
- image
- target prospect
- pixels
- conspicuousness
- super block
- 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 93
- 238000001514 detection method Methods 0.000 title abstract description 7
- 230000011218 segmentation Effects 0.000 title abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 41
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 238000007477 logistic regression Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims description 17
- 238000011478 gradient descent method Methods 0.000 claims description 15
- 230000003416 augmentation Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 description 42
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明公开了一种联合显著性检测与判别式学习的目标前景协同分割方法,包括:步骤1,将图像集中的每幅图像过分割成多个超像素块,并对每个超像素块提取特征;步骤2,将图像集中共有的显著性区域提取出来作为目标前景,而将非显著性区域和具有显著性但不是该图像集中共有的区域作为背景区域,其中采用低秩矩阵分解进行图像的显著性检测,采用逻辑回归来选择共有的显著性区域作为最终的目标。本发明通过低秩矩阵分解可以有效地检测显著性区域,去除背景一致性的影响,而判别式学习可以提取出共有显著性区域。低秩矩阵分解与判别式学习过程在统一的框架下联合优化,两者相互影响,共同提升。最终可以获得共有显著性区域作为目标前景区域。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种联合显著性检测与判别式学习的目标前景协同分割方法。
背景技术
图像目标分割是计算机视觉中的基本任务,图像分割对很多计算机视觉任务有着很大的影响,例如图像检索,图像编辑。但是现有无监督方法很难对单幅图像进行精确分割,分割是受视觉任务驱动的。因此现有技术提出了交互式分割方法,对单幅图像分割取得了良好的效果,但是基于交互式分割由于巨大的人力成本,无法应用到大规模的网络图像中。
为了解决上述问题,现有技术还提出了协同分割方法,图像目标协同分割是对具有相同或相似目标的图像集进行协同分割,获得在给定图像集中共有目标前景的过程。
现有的图像协同分割算法的基本假设是同时出现在图像集中的共有区域为目标前景区域,这样的假设存在着明显的问题,因为一致的背景区域也会作为目标前景分割出来。
发明内容
为了克服现有技术的上述缺陷,本发明提出了一种联合显著性检测与判别式学习的目标前景协同分割方法,其目的是联合显著性检测过程和判别式学习过程的各自优点。
本发明提出的联合显著性检测与判别式学习的目标前景协同分割方法包括:步骤1,将图像集中的每幅图像过分割成多个超像素块,并对每个超像素块提取特征;步骤2,将图像集中共有的显著性区域提取出来作为目标前景,而将非显著性区域和具有显著性但不是该图像集中共有的区域作为背景区域,其中采用低秩矩阵分解进行图像的显著性检测,采用逻辑回归来选择共有的显著性区域作为最终的目标。
优选地,该方法进一步包括:步骤3,对于表示最终的目标的目标函数,用增广拉格朗日乘子法和梯度下降法对目标函数进行快速优化求解,对于给定初始值,利用梯度下降法对逻辑回归函数中的参数进行估计,进而利用梯度下降法对目标前景的概率进行联合预测,然后根据获得的目标前景概率,进一步指导低秩矩阵分解过程来进行图像显著性检测,在图像显著性检测中通过增广拉格朗日乘子法求解,对这两个过程迭代优化,直至目标函数收敛。
优选地,步骤2进一步包括:根据所提取的特征,在每幅图像上进行低秩矩阵分解。
优选地,步骤3进一步包括:如果目标函数变化小于阈值,则输出超像素块目标前景概率,获得目标前景图。
优选地,步骤3进一步包括:如果目标函数变化大于阈值,在目标前景概率指导下,实现图像的显著性检测,根据显著性检测结果和逻辑回归模型实现对目标前景概率联合预测,重新判断目标函数变化是否小于阈值,如果小于,则输出超像素块目标前景概率,获得目标前景图,如果大于,则继续在目标前景概率指导下,实现图像的显著性检测。
利用本发明提出的联合显著性检测与判别式学习的目标前景协同分割方法,显著性检测的优点是可以有效地检测出图像中的显著性区域,从而可以去除图像集合中一致性较强的背景区域的影响,然而并非每幅图像中的显著性区域都是需要的目标区域,根据协同分割的思想,目标区域需要重复地出现多幅图像中,因此,本发明引入判别式学习过程,对图像集中的共有的显著性区域进行协同分割提取。而显著性检测过程和判别式学习过程两者是相互影响,共同提升的过程。显著性检测过程的输出结果可以对判别式学习过程提供指导,而判别式学习的输出结果又可以对图像的显著性检测提供指导信息,本发明将显著性检测过程和判别式学习过程联合到统一的框架下,进行联合优化,最终获得共有显著性区域作为协同分割结果。针对上述优化过程,本发明提出了基于增广朗格朗日乘子法和梯度下降法的联合优化算法。
附图说明
图1是本发明联合显著性检测与判别式学习的目标前景协同分割方法的原理示意图;
图2是本发明联合显著性检测与判别式学习的目标前景协同分割方法的详细流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图对本发明做进一步详细说明。
本发明提出了一种联合显著性检测与判别式学习的目标前景协同分割方法,用以解决具有相似目标的多幅图像背景一致性较强的问题。最终的目标区域是图像数据集中的共有显著性区域,而那些非显著性区域以及具有显著性但非共有区域都将作为背景区域。本发明通过低秩矩阵分解可以有效地检测显著性区域,去除背景一致性的影响,而判别式学习可以提取出共有显著性区域。低秩矩阵分解与判别式学习过程在统一的框架下联合优化,两者相互影响,共同提升。最终,可以获得共有显著性区域作为目标前景区域。
为达到上述目的,本发明的基本思路是将图像的显著性检测与判别式学习融合到统一的框架中,图像的显著性检测可以有效地去除背景区域一致性的影响,而判别式学习部分可以有效地提取出共有显著性区域,而具有显著性但非共有的区域和非显著性区域都将作为背景区域。本发明提出联合低秩矩阵分解和逻辑回归(logistic regression)在统一的框架中,其中低秩矩阵分解部分用于图像的显著性检测,而逻辑回归用于选择共有的显著性区域作为最终的目标,本发明还提出了基于增广朗格朗日乘子法和梯度下降法的联合优化算法对目标函数进行优化求解。
图1为本发明联合显著性检测与判别式学习的图像目标前景的协同分割方法的原理示意图,参照图1,本发明的方法主要包括对图像进行过分割处理、显著性检测以及判别式学习。
其中对图像进行过分割处理是指对于一个包含τ幅具有相同或者相似目标前景的图像数据集,对第i幅图像进行过分割处理,第i幅图像获得Ni个超像素块。fij∈RD代表第i幅图像第j个超像素块的特征表示,其中R代表实数,D代表特征的维数,代表第i幅图像的特征表示。代表第i幅图像中相应超像素块成为目标前景的概率,通过最终的优化目标函数求得yi(公式7)。
参照图1,对于一幅图像,背景区域通常位于低维空间中,而显著性区域通常具有较强的内部一致性并且与背景区域有着较强的对比度。因此在显著性检测过程中,可以采用低秩矩阵分解的方法来对图像显著性进行检测,图像i可以表示为一个低秩矩阵和稀疏矩阵求和的形式,即Fi=Li+Si,其中Li为低秩矩阵,代表着第i幅图像背景区域;而Si为稀疏噪声矩阵,代表着第i幅图像显著性区域,稀疏噪声矩阵Si中的第j列的1-范数代表着相应超像素块的显著性程度,Si(t,j)为图像i的稀疏噪声矩阵Si中第t行第j列对应的元素值,||Sij||1越大,对应的第j个超像素块的显著性程度越高。
则单幅图像i的低秩矩阵分解过程可以表示为如下形式:
s.t.Fi=Li+Si
其中rank(Li)为矩阵Li的秩,||Si||0为矩阵Si非零元素的个数,λ为稀疏项的权重系数,由于上述问题是非凸优化问题,没有有效的求解方法,因此采用核范数和1-范数对上述问题进行松弛优化。获得如下松弛形式:
s.t.Fi=Li+Si
s.t.FiPi=Li+Si
其中代表第i个图像的每个超像素块的先验概率,由于图像中间部分的目标对人们更有吸引力,因此本发明采用了以图像中心为中心的高斯函数的位置先验进行平滑p(x)=exp(-d(x,c)/2σ2),d(x,c)为超像素块x与图像中心c的距离,δ=min(M,N)/2.5,M为图像的高,N为图像的宽。采用位置先验可以有效地去除图像边缘附近的面积较小的显著性较强的超像素块,这些面积较小的显著性块对于人类视觉来说多为噪声区域。
判别式学习的目的是将图像集中的共有显著性区域提取出来作为目标前景,而将非显著性区域和具有显著性但非共有区域作为背景区域。本发明采用逻辑回归函数来对超像素区域成为目标前景的概率进行预测。逻辑回归函数如下:
其中,θ为逻辑回归函数的模型参数,θ∈RD+1,R代表实数,D代表特征的维数,为方便优化求解,逻辑回归中的特征向量表示为增广向量形式,即h(fij)表示第i幅图像第j个超像素块成为显著性区域的概率。逻辑回归函数对应的损失函数形式如下:
其中||θ||2为防止模型学习过拟合而引入的正则项,r为正则项的权重。在参数学习过程中,根据显著性检测的结果对yij进行初始化,利用随机梯度下降法来对逻辑回归模型参数进行学习,其中具体迭代优化过程为 αstep1为迭代更新步长。
按照以下方式来获得统一的目标的函数:
为了将低秩矩阵分解获得的显著检测结果与判别式项预测的目标前景概率融合到统一框架下,本发明引入了正则项:
正则项有以下三方面作用,(1)在逻辑回归学习过程中,通过设置ER=0,即利用最小化损失函数(公式5)可以完成对逻辑回归模型参数的学习。(2)在预测过程中,逻辑回归函数与显著性检测结果通过正则项实现对目标前景概率的联合预测。(3)在对图像显著性检测时,目标前景概率将通过正则项对低秩矩阵分解提供指导信息。
最终,获得统一的目标函数如下:
s.t.FiPi=Li+Si,i∈τ
其中μ1为判别式项的权重系数,μ2为正则项的权重系数,ED为逻辑回归函数对应的损失函数(公式5),ER为正则项(公式6)。通过设置不同的权重,可以获得不同的有代表性的模型,当μ1,μ2同时设置为0的时候,目标函数退化为显著性检测模型(公式3)。分步优化过程,即利用显著性检测结果对逻辑回归函数的参数学习,直接依据逻辑回归函数进行最终目标前景概率预测也是统一目标函数(公式7)的一种特殊情况。
考虑到目标函数(公式7)是非凸函数,本发明采用现有的梯度下降法和增广拉格朗日乘子法(Augmented Lagrange Multiplier,ALM)进行迭代优化,其中模型参数可以通过交叉验证取得,经验参数如下,λ=0.07,μ1=0.05,μ2=1,r=10-5。
图2为本发明的联合显著性检测与判别式学习的目标前景协同分割方法的详细流程图,该方法包括以下各步骤:
步骤S200,对数据进行预处理,对每幅图像进行过分割处理,采用基于均值漂移的经典图像分割方法,提取超像素块对应的特征向量例如可以计算每个超像素块的D维颜色直方图特征,对颜色空间进行划分为D个区域,计算第j个超像素块落在第k个区域的像素数nk,最终可以获得归一化的颜色直方图表示其中Nij为第i个图像第j个超像素块的像素数。
步骤S210,根据公式(3)对单幅图像进行低秩矩阵分解,获得每幅图像的显著性检测结果,利用非精确增广拉格朗日乘子法求解公式8即可,在该步骤求解过程中参数μ2=0。并利用该显著性检测结果对模型优化过程进行初始化。
步骤S220,利用梯度下降法对逻辑回归函数的参数进行估计,通过设置ER=0,即yij=αi||Sij||1,对公式(5)利用梯度下降法可以获得逻辑回归函数的模型参数,具体迭代优化过程为θt+1=θt-αstep1{[h(fij)-yij]fij+2rθt},当θ变化小于一定阈值时,迭代过程结束,αstep1为迭代更新步长。
步骤S230,在获得逻辑回归模型的参数后,可以根据逻辑回归函数以及显著性检测结果通过正则项实现对每个超像素块成为目标前景的概率y=[y1,y2,...,yτ]进行预测,其中F=[F1,....,Fτ],F为整个图像集图像的特征表示, 具体迭代优化过程为 当y变化小于一定阈值时,迭代过程结束,αstep2为迭代更新步长。
步骤S240,判断目标函数(公式7)函数变化是否小于一定阈值,如果是执行步骤S260,如果不是,执行步骤S250,S220,S230。
步骤S250,当目标函数变化超过一定阈值时,在获得图像i中超像素块作为目标前景的概率yi后,通过正则项可以进一步指导低秩矩阵分解过程,利用增广拉格朗日乘子法对低秩矩阵分解过程的目标函数进行优化,低秩矩阵分解过程的目标函数如下:
其中Y为拉格朗日乘子,β为惩罚因子,对于矩阵A,F-范数为||A||F=∑i∑j|Aij|2,tr(□)为矩阵的迹,为了提高计算效率,本发明采用了非精确增广拉格朗日乘子法对公式(8)进行优化,优化过程包括步骤:
步骤1,输入特征矩阵Fi,先验矩阵Pi,目标前景概率yi;参数λ,β=10-6,βmax=106,μ2,αi,D。
步骤3,
步骤4,
步骤5,
步骤6,
步骤7,
步骤8,
步骤9,βK+1=min(ρβk,βmax)
步骤10,k←k+1
步骤S260,输出超像素块作为目标前景的概率y。根据y=[y1,y2,...,yτ],可以获得第i幅图像中相应超像素块成为目标前景的概率yi。
步骤S270,对第i幅图像的前景概率yi进行归一化处理,
根据第i幅第j个超像素块作为前景的概率yij,获得第i幅图像目标前景的灰度图像,第j个超像素块中像素的灰度值为Iij=255*yij,进而可以求得阈值M为图像的高度,N为图像的宽度,Ii(m,n)为第i幅图像第m行第n列像素的灰度值。根据阈值进行二值化操作,当像素点的灰度值超过阈值时,该像素将作为目标前景像素点,最终获得每幅图像的目标前景。
利用本发明的方法可以有效地解决协同分割过程中一致性背景的问题,而传统方法的基本假设是同时出现在图像集中的区域为目标前景区域,当图像集中的背景区域具有较强一致性的时候,背景也将被误分为目标前景。本发明联合显著性检测与判别式学习的统一目标函数,能够将显著性检测过程与目标前景判别过程联合到统一的框架中,两者相互影响,共同促进提升。其中显著性检测过程基于低秩矩阵分解算法实现。在单幅图像中,背景区域通常分布在低维空间中,而显著性区域通常具有较强的内部一致性并且与背景区域有着较强的对比度,因此可以采用低秩矩阵分解的方法来对图像显著性进行检测;目标前景判别过程通过基于逻辑回归的判别式学习方法来实现,将图像集中共有的显著性区域提取出来作为目标前景,而将非显著性区域和具有显著性但不是该图像集中共有的区域作为背景区域,本发明采用逻辑回归函数对超像素区域成为目标前景的概率进行预测;同时引入正则项,将上述两个过程有机地结合起来,联合到统一的框架下,获得最终的目标函数。本发明用增广拉格朗日乘子法和梯度下降法对目标函数进行快速优化求解,对于给定显著性检测结果,可以利用梯度下降法对逻辑回归函数中的参数进行估计,进而可以利用梯度下降法对目标前景的概率进行联合预测;然后根据获得的目标前景概率,可以进一步指导低秩矩阵分解过程来进行图像显著性检测,该部分通过增广拉格朗日乘子法求解;上述两个过程迭代优化,直至目标函数收敛。本发明可以得到原始问题的次优解。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种联合显著性检测与判别式学习的目标前景协同分割方法,该方法包括以下各步骤:
步骤1,将图像集中的每幅图像过分割成多个超像素块,并对每个超像素块提取特征;
步骤2,将图像集中共有的显著性区域提取出来作为目标前景,而将非显著性区域和具有显著性但不是该图像集中共有的区域作为背景区域,其中采用低秩矩阵分解进行图像的显著性检测,采用逻辑回归来选择共有的显著性区域作为最终的目标。
2.根据权利要求1所述的方法,其特征在于,该方法进一步包括:
步骤3,对于表示最终的目标的目标函数,用增广拉格朗日乘子法和梯度下降法对目标函数进行快速优化求解,对于给定初始值,利用梯度下降法对逻辑回归函数中的参数进行估计,进而利用梯度下降法对目标前景的概率进行联合预测,然后根据获得的目标前景概率,进一步指导低秩矩阵分解过程来进行图像显著性检测,在图像显著性检测中通过增广拉格朗日乘子法求解,对这两个过程迭代优化,直至目标函数收敛。
3.根据权利要求2所述的方法,其特征在于,步骤2进一步包括:根据所提取的特征,在每幅图像上进行低秩矩阵分解。
4.根据权利要求3所述的方法,其特征在于,步骤3进一步包括:如果目标函数变化小于阈值,则输出超像素块目标前景概率,获得目标前景图。
5.根据权利要求3所述的方法,其特征在于,步骤3进一步包括:如果目标函数变化大于阈值,在目标前景概率指导下,实现图像的显著性检测,根据显著性检测结果和逻辑回归模型实现对目标前景概率联合预测,重新判断目标函数变化是否小于阈值,如果小于,则输出超像素块目标前景概率,获得目标前景图,如果大于,则继续在目标前景概率指导下,实现图像的显著性检测。
6.根据权利要求1所述的方法,其特征在于,对图像进行过分割处理是指对于一个包含τ幅具有相同或者相似目标前景的图像数据集,对第i幅图像进行过分割处理,第i幅图像获得Ni个超像素块,fij∈RD代表第i幅图像第j个超像素块的特征表示,其中R代表实数,D代表特征的维数,
8.根据权利要求7所述的方法,其特征在于,图像i的低秩矩阵分解过程表示为如下形式:
s.t.Fi=Li+Si
其中rank(Li)为矩阵Li的秩,||Si||0为矩阵Si非零元素的个数,λ为稀疏项的权重系数。
10.根据权利要求9所述的方法,其特征在于,最终的统一的目标函数为:
s.t.FiPi=Li+Si,i∈τ
其中μ1为判别式项的权重系数,μ2为正则项的权重系数,ED为逻辑回归函数对应的损失函数,ER为正则项,通过设置不同的权重,获得不同的有代表性的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310316589.1A CN103390279B (zh) | 2013-07-25 | 2013-07-25 | 联合显著性检测与判别式学习的目标前景协同分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310316589.1A CN103390279B (zh) | 2013-07-25 | 2013-07-25 | 联合显著性检测与判别式学习的目标前景协同分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103390279A true CN103390279A (zh) | 2013-11-13 |
CN103390279B CN103390279B (zh) | 2016-03-09 |
Family
ID=49534538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310316589.1A Active CN103390279B (zh) | 2013-07-25 | 2013-07-25 | 联合显著性检测与判别式学习的目标前景协同分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103390279B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679719A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种图像分割方法 |
CN103700091A (zh) * | 2013-12-01 | 2014-04-02 | 北京航空航天大学 | 基于多尺度低秩分解且结构信息敏感的图像显著性物体检测方法 |
CN103871062A (zh) * | 2014-03-18 | 2014-06-18 | 北京控制工程研究所 | 一种基于超像素描述的月面岩石检测方法 |
CN105427296A (zh) * | 2015-11-11 | 2016-03-23 | 北京航空航天大学 | 一种基于超声图像低秩分析的甲状腺病灶图像识别方法 |
CN105469088A (zh) * | 2015-11-17 | 2016-04-06 | 西北工业大学 | 一种适用于目标识别的物体预测区域优化方法 |
CN105608673A (zh) * | 2015-12-16 | 2016-05-25 | 清华大学 | 图像颜色量化与抖动方法和系统 |
CN105809683A (zh) * | 2016-03-08 | 2016-07-27 | 西南交通大学 | 一种购物图像协同分割方法 |
CN106127197A (zh) * | 2016-04-09 | 2016-11-16 | 北京交通大学 | 一种基于显著标签排序的图像显著性目标检测方法 |
CN106127185A (zh) * | 2016-07-01 | 2016-11-16 | 南京邮电大学 | 一种非限制环境下基于低秩协同的人脸性别识别方法 |
CN103914834B (zh) * | 2014-03-17 | 2016-12-07 | 上海交通大学 | 一种基于前景先验和背景先验的显著性物体检测方法 |
CN106296681A (zh) * | 2016-08-09 | 2017-01-04 | 西安电子科技大学 | 基于双通道低秩分解的协同学习显著性检测方法 |
CN106546601A (zh) * | 2016-10-14 | 2017-03-29 | 南京理工大学 | 基于低秩约束的光伏面板清洁度检测方法 |
CN106780450A (zh) * | 2016-12-06 | 2017-05-31 | 天津大学 | 一种基于低秩多尺度融合的图像显著性检测方法 |
CN108009549A (zh) * | 2017-11-02 | 2018-05-08 | 天津大学 | 一种迭代协同显著性检测方法 |
CN109636784A (zh) * | 2018-12-06 | 2019-04-16 | 西安电子科技大学 | 基于最大邻域和超像素分割的图像显著性目标检测方法 |
CN110570418A (zh) * | 2019-09-12 | 2019-12-13 | 广东工业大学 | 一种织唛缺陷检测方法和装置 |
CN110751638A (zh) * | 2019-10-15 | 2020-02-04 | 武汉科技大学 | 一种基于矩阵分解的镀锌板表面缺陷分割方法 |
CN112308882A (zh) * | 2020-11-10 | 2021-02-02 | 苏州兴钊防务研究院有限公司 | 一种基于结构化分解的视频运动目标检测方法和装置 |
CN113240659A (zh) * | 2021-05-26 | 2021-08-10 | 广州天鹏计算机科技有限公司 | 基于深度学习的影像特征提取方法 |
CN116258725A (zh) * | 2023-05-16 | 2023-06-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于特征影像的医学图像处理方法、装置以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100188580A1 (en) * | 2009-01-26 | 2010-07-29 | Stavros Paschalakis | Detection of similar video segments |
CN102509308A (zh) * | 2011-08-18 | 2012-06-20 | 上海交通大学 | 基于混合动态纹理空时显著性检测的运动分割方法 |
-
2013
- 2013-07-25 CN CN201310316589.1A patent/CN103390279B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100188580A1 (en) * | 2009-01-26 | 2010-07-29 | Stavros Paschalakis | Detection of similar video segments |
CN102509308A (zh) * | 2011-08-18 | 2012-06-20 | 上海交通大学 | 基于混合动态纹理空时显著性检测的运动分割方法 |
Non-Patent Citations (2)
Title |
---|
JINQIAO WANG 等: "A Multimodal Scheme for Program Segmentation and Representation in Broadcast Video Streams", 《MULTIMEDIA, IEEE TRANSACTIONS ON》 * |
封金蕾: "基于矩阵分解的显著对象提取算法分析与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700091B (zh) * | 2013-12-01 | 2016-08-31 | 北京航空航天大学 | 基于多尺度低秩分解且结构信息敏感的图像显著性物体检测方法 |
CN103700091A (zh) * | 2013-12-01 | 2014-04-02 | 北京航空航天大学 | 基于多尺度低秩分解且结构信息敏感的图像显著性物体检测方法 |
CN103679719A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种图像分割方法 |
CN103914834B (zh) * | 2014-03-17 | 2016-12-07 | 上海交通大学 | 一种基于前景先验和背景先验的显著性物体检测方法 |
CN103871062A (zh) * | 2014-03-18 | 2014-06-18 | 北京控制工程研究所 | 一种基于超像素描述的月面岩石检测方法 |
CN103871062B (zh) * | 2014-03-18 | 2015-12-30 | 北京控制工程研究所 | 一种基于超像素描述的月面岩石检测方法 |
CN105427296A (zh) * | 2015-11-11 | 2016-03-23 | 北京航空航天大学 | 一种基于超声图像低秩分析的甲状腺病灶图像识别方法 |
CN105427296B (zh) * | 2015-11-11 | 2018-04-06 | 北京航空航天大学 | 一种基于超声图像低秩分析的甲状腺病灶图像识别方法 |
CN105469088A (zh) * | 2015-11-17 | 2016-04-06 | 西北工业大学 | 一种适用于目标识别的物体预测区域优化方法 |
CN105469088B (zh) * | 2015-11-17 | 2018-10-19 | 西北工业大学 | 一种适用于目标识别的物体预测区域优化方法 |
CN105608673A (zh) * | 2015-12-16 | 2016-05-25 | 清华大学 | 图像颜色量化与抖动方法和系统 |
CN105608673B (zh) * | 2015-12-16 | 2020-09-25 | 清华大学 | 图像颜色量化与抖动方法和系统 |
CN105809683A (zh) * | 2016-03-08 | 2016-07-27 | 西南交通大学 | 一种购物图像协同分割方法 |
CN106127197A (zh) * | 2016-04-09 | 2016-11-16 | 北京交通大学 | 一种基于显著标签排序的图像显著性目标检测方法 |
CN106127197B (zh) * | 2016-04-09 | 2020-07-07 | 北京交通大学 | 基于显著标签排序的图像显著性目标检测方法和装置 |
CN106127185A (zh) * | 2016-07-01 | 2016-11-16 | 南京邮电大学 | 一种非限制环境下基于低秩协同的人脸性别识别方法 |
CN106296681A (zh) * | 2016-08-09 | 2017-01-04 | 西安电子科技大学 | 基于双通道低秩分解的协同学习显著性检测方法 |
CN106296681B (zh) * | 2016-08-09 | 2019-02-15 | 西安电子科技大学 | 基于双通道低秩分解的协同学习显著性检测方法 |
CN106546601A (zh) * | 2016-10-14 | 2017-03-29 | 南京理工大学 | 基于低秩约束的光伏面板清洁度检测方法 |
CN106780450A (zh) * | 2016-12-06 | 2017-05-31 | 天津大学 | 一种基于低秩多尺度融合的图像显著性检测方法 |
CN108009549A (zh) * | 2017-11-02 | 2018-05-08 | 天津大学 | 一种迭代协同显著性检测方法 |
CN108009549B (zh) * | 2017-11-02 | 2021-06-04 | 天津大学 | 一种迭代协同显著性检测方法 |
CN109636784A (zh) * | 2018-12-06 | 2019-04-16 | 西安电子科技大学 | 基于最大邻域和超像素分割的图像显著性目标检测方法 |
CN109636784B (zh) * | 2018-12-06 | 2021-07-27 | 西安电子科技大学 | 基于最大邻域和超像素分割的图像显著性目标检测方法 |
CN110570418A (zh) * | 2019-09-12 | 2019-12-13 | 广东工业大学 | 一种织唛缺陷检测方法和装置 |
CN110570418B (zh) * | 2019-09-12 | 2022-01-11 | 广东工业大学 | 一种织唛缺陷检测方法和装置 |
CN110751638A (zh) * | 2019-10-15 | 2020-02-04 | 武汉科技大学 | 一种基于矩阵分解的镀锌板表面缺陷分割方法 |
CN112308882A (zh) * | 2020-11-10 | 2021-02-02 | 苏州兴钊防务研究院有限公司 | 一种基于结构化分解的视频运动目标检测方法和装置 |
CN113240659A (zh) * | 2021-05-26 | 2021-08-10 | 广州天鹏计算机科技有限公司 | 基于深度学习的影像特征提取方法 |
CN113240659B (zh) * | 2021-05-26 | 2022-02-25 | 广州天鹏计算机科技有限公司 | 一种基于深度学习的心脏核磁共振影像病变结构提取方法 |
CN116258725A (zh) * | 2023-05-16 | 2023-06-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于特征影像的医学图像处理方法、装置以及存储介质 |
CN116258725B (zh) * | 2023-05-16 | 2023-08-22 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于特征影像的医学图像处理方法、装置以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103390279B (zh) | 2016-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103390279A (zh) | 联合显著性检测与判别式学习的目标前景协同分割方法 | |
CN109993220B (zh) | 基于双路注意力融合神经网络的多源遥感图像分类方法 | |
CN104217214B (zh) | 基于可配置卷积神经网络的rgb‑d人物行为识别方法 | |
CN103984959B (zh) | 一种基于数据与任务驱动的图像分类方法 | |
CN105260738B (zh) | 基于主动学习的高分辨率遥感影像变化检测方法及系统 | |
CN111428765B (zh) | 一种基于全局卷积、局部深度卷积融合的目标检测方法 | |
CN103942794B (zh) | 一种基于置信度的图像协同抠图方法 | |
CN106157319A (zh) | 基于卷积神经网络的区域和像素级融合的显著性检测方法 | |
CN102651128B (zh) | 一种基于采样的图像集分割方法 | |
CN107506722A (zh) | 一种基于深度稀疏卷积神经网络人脸情感识别方法 | |
CN107563412A (zh) | 一种基于深度学习的红外图像电力设备实时检测方法 | |
CN104240244B (zh) | 一种基于传播模式和流形排序的显著性物体检测方法 | |
CN102708370B (zh) | 一种多视角图像前景目标提取方法及装置 | |
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 | |
CN106372648A (zh) | 基于多特征融合卷积神经网络的浮游生物图像分类方法 | |
CN103745468B (zh) | 一种基于图结构和边界先验的显著性物体检测方法 | |
CN106204597B (zh) | 一种基于自步式弱监督学习的视频物体分割方法 | |
CN111401149B (zh) | 基于长短期时域建模算法的轻量级视频行为识别方法 | |
CN104952067A (zh) | 基于nsga-ⅱ进化算法的彩色图像分割 | |
CN107506792A (zh) | 一种半监督的显著对象检测方法 | |
Wang et al. | Study on the method of transmission line foreign body detection based on deep learning | |
CN104217440A (zh) | 一种从遥感图像中提取建成区的方法 | |
CN109816714A (zh) | 一种基于三维卷积神经网络的点云物体类型识别方法 | |
CN103279944A (zh) | 一种基于生物地理优化的图像分割方法 | |
CN103440651A (zh) | 一种基于秩最小化的多标签图像标注结果融合方法 |
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 |