CN103854299B - 一种基于全局能量函数优化的图像层次提取与编辑方法 - Google Patents
一种基于全局能量函数优化的图像层次提取与编辑方法 Download PDFInfo
- Publication number
- CN103854299B CN103854299B CN201410079161.4A CN201410079161A CN103854299B CN 103854299 B CN103854299 B CN 103854299B CN 201410079161 A CN201410079161 A CN 201410079161A CN 103854299 B CN103854299 B CN 103854299B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- relation
- energy function
- hyperfractionated
- 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 34
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 238000000605 extraction Methods 0.000 title abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 239000000284 extract Substances 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 238000002922 simulated annealing Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000010367 cloning Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000003475 lamination Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 239000003086 colorant Substances 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000137 annealing Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于全局能量函数优化的图像层次提取与编辑方法,该方法包括:对图像进行超分割得到若干超分割区域,提取各区域中有关层次关系的局部特征,并用局部特征进行前景‑背景关系和同层合并关系的判断;在判断结果的基础上建立一个全局能量函数,并用改进的差分进化算法求解该函数从而得到最终的层次关系;根据图像的层次关系,编辑所有层次间的偏序关系,当原有的偏序关系发生改变时,对原图像中被遮挡的层次进行轮廓填充和颜色填充。本发明能够结合局部信息和全局信息,在计算图像层次关系并在得到层次关系的基础上进行图像编辑。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于全局能量函数优化的图像层次提取与编辑方法。
背景技术
图像编辑是所有图像处理软件中的核心技术。对图像中的层次进行编辑是图像编辑中一个非常具有挑战性的内容,这需要对图像的语义信息进行理解。其中的关键在于我们需要得到一幅图像的层次关系,然后用已有的轮廓填充和颜色填充的方法来编辑图像层次的顺序和颜色。提取图像中物体的层次关系是图像的场景理解和进一步的高层视觉任务的一个关键步骤,包括前景/背景分离,单幅图像的深度预测,2.5维简约图,图像和视频编码,运动分析等。比如,对于图像编码而言,如果我们已知图像的层次关系,便可以按层次对图像编码,由于图像中同层像素间存在着大量冗余的颜色纹理信息,按层编码可以大大压缩存储量。另外,按层编码也可以方便我们在图像容量过大或网速不好时在浏览器上逐层显示图像,这样可以很好地符合人们的视觉习惯。
如何提取图像的层次关系目前仍然是一个很具有挑战性的问题,主流的Photoshop等图像编辑软件都不支持层次关系的自动提取,图像中的图层信息需要人们自己手工选定,非常不方便。现有的提取图像层次关系的方法都不能作为通用的技术投入使用,有的方法复杂度较高,只适合处理简单的人工图像而不利于处理复杂的自然图像;有的方法只用到了局部特征信息,可以局部判断相邻区域的遮挡关系但缺少全局偏序关系的约束;有的方法在得到正确分割区域的基础上展开研究,这对初始图像分割结果提出了很高的要求。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供一种基于全局能量函数优化的图像层次提取与编辑方法,能够结合局部信息和全局信息,在计算图像层次关系并在得到层次关系的基础上进行图像编辑。
(二)技术方案
为了实现以上目的,本发明通过以下技术方案予以实现:
一种基于全局能量函数优化的图像层次提取与编辑方法,该方法包括:
S1:对图像进行超分割得到若干超分割区域,提取各区域中有关层次关系的局部特征,并用局部特征进行前景-背景关系和同层合并关系的判断;
S2:在判断结果的基础上建立一个全局能量函数,并用改进的差分进化算法求解该函数从而得到最终的层次关系;
S3:根据图像的层次关系,编辑所有层次间的偏序关系,当原有的偏序关系发生改变时,对原图像中被遮挡的层次进行轮廓填充和颜色填充。
其中,所述局部特征包括T角点特征、边缘特征、显著性特征、颜色特征和纹理特征。
其中,步骤S1具体包括:
S11:用图像分割算法对图像进行超分割,得到图像的超分割区域;
S12:提取图像中的T角点,计算各T角点周围三条边缘的位置关系和张角大小,判断T角点的头部和尾部,进而对T角点周边的三个区域做出前景-背景关系判断;
S13:在每条边缘上抽取多个采样点,计算每个采样点的大小特征、方向特征和凸性特征,以此判断该采样点两侧区域的前景-背景关系,从而根据每条边缘上所有采样点的判断结果,得到每条边缘两侧区域最终的前景-背景关系;
S14:计算每个超分割区域的显著性,通过比较两个区域的显著性来做出前景-背景关系的局部判断;
S15:先在HSV颜色空间中对颜色相近的超分割区域进行聚类,同时利用灰度共生矩阵得到每个区域的纹理特征向量,将有着相近颜色和纹理的超分割区域判断为同一层。
其中,所述图像分割算法为伯克利分割算法。
其中,步骤S2具体包括:
S21:根据得到的局部判断信息,建立全局的能量函数;
S22:采用改进的差分进化算法求解该能量函数优化问题;
S23:将求解得到的各区域的相对深度转化为图像的层次信息从而得到原图像的层次关系。
其中,所述建立全局能量函数,具体包括:给每个超分割区域赋予一个相对深度,所有区域的相对深度组成的向量作为能量函数的自变量,能量函数的因变量用来衡量图像中层次偏序关系的冲突大小。
其中,所述采用改进的差分进化算法求解该能量函数优化问题,具体包括:采用混合进化的策略产生新的解,同时用模拟退火的思想更新旧解,且每隔固定的代数,对种群中较优的解进行克隆复制和高斯变异。
(三)有益效果
本发明至少具有如下有益效果:
本发明提供的方法包括对图像层次关系的局部判断和对全局能量函数优化求解,结合了局部信息和全局信息,且对分割的要求不高,本发明采用的计算方法复杂度较低,可以准确地计算图像的层次关系,并在得到层次关系的基础上进行图像编辑。
本发明优化能量函数时用到的改进的差分进化算法,是基于混合进化策略、模拟退火法和克隆变异的改进差分进化算法。该算法用混合进化的策略产生新的解,同时用模拟退火的思想来更新旧解。每隔固定的代数,算法还会对种群中较优的解进行克隆复制和高斯变异。通过以上这些步骤,增大了算法跳出局部最优解的可能性,同时算法在全局最优解附近的搜索能力也得到了提升。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
附图1是本发明实施例中一种基于全局能量函数优化的图像层次提取与编辑方法的流程图;
图2是本发明实施例中提取T角点特征的图解模型;
图3是本发明实施例中提取边缘特征的图解模型;
图4是本发明实施例中提取显著性特征的图解模型;
图5是本发明实施例优化能量函数时用到的改进的差分进化算法的流程图;
图6是本发明实施例的能量函数最优解迭代过程;
图7是本发明一个较为具体的实施例中图像中物体层次提取的方法。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于全局能量函数优化的图像层次提取与编辑的方法,该方法包括如下步骤:
步骤101:对图像进行超分割得到若干超分割区域,提取各区域中有关层次关系的局部特征,并用局部特征进行前景-背景关系和同层合并关系的判断。
本步骤具体包括:
S11:用图像分割算法对图像进行超分割,得到图像的超分割区域;
本步骤中,利用伯克利分割算法来分割图像,通过控制伯克利分割算法中分割规模的参数,对图像进行超分割。则每两个相邻的超分割区域要么是前景-背景(f-g)关系,要么是同层合并(s-l)关系。
S12:提取图像中的T角点,计算各T角点周围三条边缘的位置关系和张角大小,判断T角点的头部和尾部,进而对T角点周边的三个区域做出前景-背景关系判断;
本步骤中,T角点是计算机视觉中研究遮挡关系的重要依据,可以用于判断周边相应区域遮挡的前后位置关系。对于提取出的每个T角点,计算该角点周围三条边缘的位置关系和夹角大小,判断出T角点的头部和尾部,进而利用T角点自身性质对角点周边的三个区域做出f-g关系的判断。根据T角点信息提取的局部特征用矩阵T来表示。
T=[t1,···,tn,···,tt_num]k×t_num
其中K为超分割区域的数目,t_num为T角点的个数,矩阵T每一项的计算公式如下:
其中tfun(n)表示T角点头部一侧的区域,tfun'(n)表示T角点尾部两侧的区域。
如图2所示,为本发明实施例中提取T角点特征的图解模型。T角点是分析物体遮挡关系时的重要依据。一般而言物体的边缘是光滑连续的,之所以会出现边缘中断通常是因为不同物体间的遮挡关系。遮挡和被遮挡物体的边缘交界点就称为T角点。T角点中被遮挡物体的边缘称为尾部,遮挡物体的边缘称为头部。图中的两个交点即为T角点。一般而言T角点的头部的张角要大于尾部与头部间的夹角。根据这个性质,可以先找出图像中所有的T角点,然后根据每个T角点附近边缘间的张角关系,判断出头部和尾部。位于T角点头部一侧的区域被判为前景,位于T角点尾部两侧的区域被判为背景。
S13:在每条边缘上抽取多个采样点,计算每个采样点的大小特征、方向特征和凸性特征,以此判断该采样点两侧区域的前景-背景关系,从而根据每条边缘上所有采样点的判断结果,得到每条边缘两侧区域最终的前景-背景关系;
本步骤中,在每条边缘上抽取多个采样点,计算每个采样点的SLC特征,以此判断该采样点两侧区域的f-g关系。综合考虑每条边缘上所有采样点的判断结果,得到该边缘两侧区域最终的f-g关系。
根据边缘信息提取的局部特征用矩阵SLC来表示。
SLC=[slc1,···,slcn,···,slcslc_num]k×slc_num
其中K为超分割区域的数目,slc_num为边缘的条数,SLC每一项的计算公式如下:
其中slcfun(n)表示经过SLC特征判断为前景的区域,slcfun'(n)表示经过SLC特征判断为背景的区域。
如图3所示,为本发明实施例中提取边缘特征的图解模型。相邻的两个区域边缘的SLC特征可以用来帮助判断局部的f-g关系。设两个区域间边缘的长度为length_contour,首先在边缘上以length_contour×5%的间隔取采样点,在每个采样点上以length_contour×5%为半径作圆获得特征区域,计算SLC特征,计算公式如下:
Size(p)=log(areaG/areaF)
Lowerregion(p)=cos(θFG)
Convexity(p)=log(convF/convG)
其中area表示特征区域的面积,θFG表示两个特征区域的重心连线和垂直方向的夹角,conv表示在特征区域内随机投针时,分别落在两个区域内的线段长度。图中area表示特征区域的面积,θFG表示两个特征区域的重心连线和垂直方向的夹角,conv表示在特征区域内随机投针时,分别落在两个区域内的线段长度。自然图像中大部分的f-g关系都满足Size(p)>0,Lowerregion(p)>0,Convexity(p)>0,因此可以根据求得的这三个特征的值来判断采样点两侧区域的f-g关系。最后,综合考虑每条边缘上所有采样点的信息,经过统计分析,判断出边缘两侧区域的f-g关系。
S14:计算每个超分割区域的显著性,通过比较两个区域的显著性来做出前景-背景关系的局部判断;
本步骤中,计算每个的超分割区域的显著性,用显著性的大小来对不同区域作f-g关系的局部判断。根据区域显著性提取的局部特征用矩阵L来表示。
L=[l1,···,ln,···,ll_num]k×l_num
其中K为超分割区域的数目,l_num为经过显著性关系判断的f-g关系数目,L每一项的计算公式如下:
其中lfun(n)表示经过显著性特征判断为前景的区域,lfun'(n)表示经过显著性特征判断为背景的区域。
如图4所示,为本发明实施例中提取显著性特征的图解模型。可以用已有的显著性计算方法来计算图像的显著性。图中白色的区域表示该区域的显著性较高,黑色的区域表示显著性要低一些。一般情况下显著性高的区域比显著性低的区域更有可能是前景。因此,白色的区域比黑色的区域有更大的可能被判为局部f-g关系中的前景。
S15:先在HSV颜色空间中对颜色相近的超分割区域进行聚类,同时利用灰度共生矩阵得到每个区域的纹理特征向量,将有着相近颜色和纹理的超分割区域判断为同一层。
本步骤用来判断s-l关系,具体的判断标准主要是:有着相近颜色和纹理的区域有着更大的几率被判为同一层。在HSV颜色空间中对颜色相近的区域进行聚类,同时利用灰度共生矩阵得到每个区域的纹理特征向量,把颜色纹理相似的区域判为同一层。
根据颜色特征提取的局部特征用矩阵C来表示。
C=[c1,···,cn,···,cc_num]k×c_num
其中K为超分割区域的数目,c_num为图像中经过颜色信息判断的s-l关系数目,矩阵C每一项的计算公式如下:
cfun(n)和cfun'(n)分别表示经过颜色特征判断为s-l关系的两个区域,由于s-l关系中的两个区域是不分层次先后关系的,这里的cfun(n)和cfun'(n)的顺序是任意的。
同理,根据纹理特征提取的局部特征用矩阵Z来表示。
Z=[z1,···,zn,···,zz_num]k×z_num
其中K为超分割区域的数目,z_num为图像中经过纹理信息判断的s-l关系数目,矩阵Z每一项的计算公式如下:
zfun(n)和zfun'(n)分别表示经过纹理特征判断为s-l关系的两个区域,这里的zfun(n)和zfun'(n)的顺序也是任意的。
步骤102:在判断结果的基础上建立一个全局能量函数,并用改进的差分进化算法求解该函数从而得到最终的层次关系。
本步骤具体包括:
S21:根据得到的局部判断信息,建立全局的能量函数;
本步骤中,在局部判断信息的基础上,建立全局能量函数,把求解层次关系转化为一个能量优化问题,R={1,2,...,k},R表示所有超分割区域的集合。d=[d1,d2,...,dK]T,di表示第i个超分割区域的layer_index,layer_index的大小表示了区域的深度信息,di越小表示该区域的深度越小,d是全局能量函数的自变量。设f是能量函数的因变量,表示图像层次关系的解在整幅图像上的冲突大小,f越小说明对应的自变量d在图像中的冲突越小。
S22:采用改进的差分进化算法求解该能量函数优化问题;
本步骤中,当上述步骤S21中的f取到最小值时,全局冲突达到最小,表示找到了图像层次关系的正确解。
f由两项组成,f=ff-g+fs-l,其中:
pκ(x,y)=e(-κ×x×y)
qκ(x,y)=e(κ×x×y)
1≤di≤K
本方法的目标是在约束条件范围内找到一组layer_index(即向量d)来最小化能量函数。从而图像层次关系的求解转换为了一个带约束的最优化问题。由于能量函数中拥有众多子项和约束条件,不方便直接用偏导法或lingo等常用数学软件直接求解,本方法中采用了改进的差分进化算法进行求解,这样有助于跳出局部最优解从而得到全局最优解。本方法采用混合进化的策略产生新的解,同时用模拟退火的思想来更新旧解。每隔固定的代数,还会对种群中较优的解进行克隆复制和高斯变异。通过以上这些步骤,增大了跳出局部最优解的可能性,同时在全局最优解附近的搜索能力也得到了提升。
如图5所示,为本发明实施例中优化能量函数时用到的改进的差分进化算法的流程图。为克服基本差分进化算法易于陷入局部极值点,进化后期收敛慢,精度较差等缺点,本发明实施例采用了一种基于混合进化策略、模拟退火法和克隆变异的改进差分进化算法。该算法用混合进化的策略产生新的解,同时用模拟退火的思想来更新旧解。每隔固定的代数,算法还会对种群中较优的解进行克隆复制和高斯变异。通过以上这些步骤,增大了算法跳出局部最优解的可能性,同时算法在全局最优解附近的搜索能力也得到了提升。图中算法用到的混合进化公式为,其中表示迭代次数为t时,所有候选解中的第i个解,表示候选解种群中的最优解。用这种新的差分进化公式可以使求解时具有全局搜索能力,不至于陷入局部最优解中。在基本的差分进化算法中,选择操作主要采用了贪心策略,即如果产生的新解比旧解好,则更新旧解,否则保持旧解不变。这种选择策略虽然可以使每次更新的解都比前一次的有优化,但可能会使搜索陷入局部最优中。因此考虑在选择操作中引入模拟退火的思想,如果新解比旧解好,则更新旧解;否则也有一定的概率更新旧解。为进一步增强算法的局部搜索能力,对每一代最优的一部分解进行克隆操作,再对这些解进行高斯变异,并加入自适应的思想。高斯变异公式如下:d'ij=dij+λt·randn。randn为用高斯分布产生的随机数,λt为决定随机扰动范围的参数。考虑到在搜索最优解时,每一代解的数量级都在不断地改变,因此上式中的参数λt也要随之改变。在搜索的前期阶段,λt的值应该大些,从而使解在全局范围内扰动,增强全局搜索能力。到了搜索的后期,λt的值应该越来越小,使解在最优解的附近扰动,增强局部搜索能力。本方法采用以每代最优解的数量级来刻画λt,从而使λt的值自适应地改变,实现自适应的高斯变异。设magnitude函数用于计算当代最优解的数量级,n为相应的系数,则有:
而如图7所示,为本发明实施例的能量函数最优解迭代过程。图中横坐标表示迭代的次数,纵坐标表示能量函数的值。当能量函数值趋于稳定并收敛时,表示找到了最优解,从而可以根据最优解得到图像的层次关系。
S23:将求解得到的各区域的相对深度转化为图像的层次信息从而得到原图像的层次关系。
本步骤中,根据解得的最优解可以得到图像的层次关系,从而得到不同层次间轮廓的遮挡关系。
步骤103:根据图像的层次关系,编辑所有层次间的偏序关系,当原有的偏序关系发生改变时,对原图像中被遮挡的层次进行轮廓填充和颜色填充。
本步骤中,根据上述步骤得到的不同层次间轮廓的遮挡关系,编辑所有层次间的偏序关系。当偏序关系发生改变时,对原图像中被遮挡的层次进行轮廓填充,得到新的层次偏序关系。另外,我们可以用想用的颜色对新得到的层次进行颜色填充,从而实现图像层次编辑。
如图7所示,为本发明实施例中图像中的物体层次提取的方法,本实施例采用基于图像局部特征的全局能量函数作为求解图像层次关系的表达框架,先提取各超分割区域的局部特征,并用全局能量函数约束整幅图像上偏序关系的一致性,最后通过优化全局能量函数得到图像的层次关系。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于全局能量函数优化的图像层次提取与编辑方法,其特征在于,该方法包括:
S1:对图像进行超分割得到若干超分割区域,提取各区域中有关层次关系的局部特征,并用局部特征进行前景-背景关系和同层合并关系的判断;
S2:在判断结果的基础上建立一个全局能量函数,并用改进的差分进化算法求解该函数从而得到最终的层次关系;
S3:根据图像的层次关系,编辑所有层次间的偏序关系,当原有的偏序关系发生改变时,对原图像中被遮挡的层次进行轮廓填充和颜色填充;
所述局部特征包括T角点特征、边缘特征、显著性特征、颜色特征和纹理特征;
步骤S1具体包括:
S11:用图像分割算法对图像进行超分割,得到图像的超分割区域;
S12:提取图像中的T角点,计算各T角点周围三条边缘的位置关系和张角大小,判断T角点的头部和尾部,进而对T角点周边的三个区域做出前景-背景关系判断;
S13:在每条边缘上抽取多个采样点,计算每个采样点的大小特征、方向特征和凸性特征,以此判断该采样点两侧区域的前景-背景关系,从而根据每条边缘上所有采样点的判断结果,得到每条边缘两侧区域最终的前景-背景关系;
S14:计算每个超分割区域的显著性,通过比较两个区域的显著性来做出前景-背景关系的局部判断;
S15:先在HSV颜色空间中对颜色相近的超分割区域进行聚类,同时利用灰度共生矩阵得到每个区域的纹理特征向量,将有着相近颜色和纹理的超分割区域判断为同一层。
2.根据权利要求1所述的方法,其特征在于,所述图像分割算法为伯克利分割算法。
3.根据权利1所述的方法,其特征在于,步骤S2具体包括:
S21:根据得到的局部判断信息,建立全局的能量函数;
S22:采用改进的差分进化算法求解该能量函数优化问题;
S23:将求解得到的各区域的相对深度转化为图像的层次信息从而得到原图像的层次关系。
4.根据权利要求3所述的方法,其特征在于,所述建立全局能量函数,具体包括:给每个超分割区域赋予一个相对深度,所有区域的相对深度组成的向量作为能量函数的自变量,能量函数的因变量用来衡量图像中层次偏序关系的冲突大小。
5.根据权利要求3所述的方法,其特征在于,所述采用改进的差分进化算法求解该能量函数优化问题,具体包括:采用混合进化的策略产生新的解,同时用模拟退火的思想更新旧解,且每隔固定的代数,对种群中较优的解进行克隆复制和高斯变异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410079161.4A CN103854299B (zh) | 2014-03-05 | 2014-03-05 | 一种基于全局能量函数优化的图像层次提取与编辑方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410079161.4A CN103854299B (zh) | 2014-03-05 | 2014-03-05 | 一种基于全局能量函数优化的图像层次提取与编辑方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103854299A CN103854299A (zh) | 2014-06-11 |
CN103854299B true CN103854299B (zh) | 2017-04-19 |
Family
ID=50861909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410079161.4A Expired - Fee Related CN103854299B (zh) | 2014-03-05 | 2014-03-05 | 一种基于全局能量函数优化的图像层次提取与编辑方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103854299B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820558B (zh) * | 2015-05-11 | 2018-03-30 | 北京白鹭时代信息技术有限公司 | 一种拾取被遮挡图像的方法及装置 |
CN105957124B (zh) * | 2016-04-20 | 2018-10-30 | 长沙理工大学 | 具有重复场景元素的自然图像颜色编辑方法及装置 |
CN107993239B (zh) * | 2017-12-25 | 2022-04-12 | 北京邮电大学 | 一种计算单目图像的深度次序的方法和装置 |
CN113822817A (zh) * | 2021-09-26 | 2021-12-21 | 维沃移动通信有限公司 | 文档图像增强方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584936A (zh) * | 2004-06-07 | 2005-02-23 | 东软飞利浦医疗设备系统有限责任公司 | 一种医学图像的三维分割方法 |
CN101951511A (zh) * | 2010-08-19 | 2011-01-19 | 深圳市亮信科技有限公司 | 一种通过分析深度进行视频场景分层的方法 |
CN103279961A (zh) * | 2013-05-22 | 2013-09-04 | 浙江大学 | 基于深度恢复和运动估计的视频分割方法 |
-
2014
- 2014-03-05 CN CN201410079161.4A patent/CN103854299B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584936A (zh) * | 2004-06-07 | 2005-02-23 | 东软飞利浦医疗设备系统有限责任公司 | 一种医学图像的三维分割方法 |
CN101951511A (zh) * | 2010-08-19 | 2011-01-19 | 深圳市亮信科技有限公司 | 一种通过分析深度进行视频场景分层的方法 |
CN103279961A (zh) * | 2013-05-22 | 2013-09-04 | 浙江大学 | 基于深度恢复和运动估计的视频分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103854299A (zh) | 2014-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tighe et al. | Scene parsing with object instances and occlusion ordering | |
Li et al. | Building-a-nets: Robust building extraction from high-resolution remote sensing images with adversarial networks | |
CN103854299B (zh) | 一种基于全局能量函数优化的图像层次提取与编辑方法 | |
CN109447994A (zh) | 结合完全残差与特征融合的遥感图像分割方法 | |
CN105678338B (zh) | 基于局部特征学习的目标跟踪方法 | |
CN110807402B (zh) | 一种基于肤色检测的五官定位方法、系统和终端设备 | |
CN104134219A (zh) | 基于直方图的彩色图像分割算法 | |
CN102901500A (zh) | 基于概率a星与智能体混合的飞行器最优路径确定方法 | |
CN102903128A (zh) | 基于局部特征结构保持的视频图像内容编辑传播方法 | |
CN105046694A (zh) | 一种基于曲面拟合系数特征的点云快速配准方法 | |
CN109684959A (zh) | 基于肤色检测和深度学习的视频手势的识别方法及装置 | |
CN110162650B (zh) | 一种兼顾局部最优与整体面积平衡的小图斑融解方法 | |
CN105069454A (zh) | 图像识别的方法及装置 | |
CN108986101A (zh) | 基于循环“抠图-分割”优化的人体图像分割方法 | |
CN110935171A (zh) | 一种实景三维模型在游戏引擎中加载优化及单体化的方法 | |
CN108537753A (zh) | 一种基于上下文特征空间约束的图像修复方法 | |
CN111282281B (zh) | 图像处理方法及装置、电子设备和计算机可读存储介质 | |
CN105427348A (zh) | 一种基于蝙蝠算法的视频目标跟踪方法 | |
CN104331883A (zh) | 一种基于非对称逆布局模型的图像边界提取方法 | |
CN107240100A (zh) | 一种基于遗传算法的图像分割方法和系统 | |
CN107194994A (zh) | 一种无标定曲面点云数据重建圆柱面的方法及装置 | |
CN113487713B (zh) | 一种点云特征提取方法、装置及电子设备 | |
CN112199518B (zh) | 生产技术中知识图谱推荐驱动的生产技术路线图配置方法 | |
CN110728688B (zh) | 一种基于能量优化的三维网格模型分割方法及系统 | |
CN110399679B (zh) | 一种地基基础位置优化设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20170419 |