CN104809729B - 一种鲁棒的图像显著性区域自动分割方法 - Google Patents
一种鲁棒的图像显著性区域自动分割方法 Download PDFInfo
- Publication number
- CN104809729B CN104809729B CN201510214078.8A CN201510214078A CN104809729B CN 104809729 B CN104809729 B CN 104809729B CN 201510214078 A CN201510214078 A CN 201510214078A CN 104809729 B CN104809729 B CN 104809729B
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- image
- boundary
- segmentation
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种鲁棒的图像显著性区域自动分割方法,包括以下步骤:首先,对图像进行超像素分割,得到图像超像素的测地距离,生成区域,边界长度,边界连通性值;然后,用HSLIC方法对原始输入图像进行超像素分割,并在此基础上使用SC方法进行全局显著性检测得到图像的显著性图;最后,使用边界连通性值和显著性图的显著性值作为图割方法的区域项,进行图像分割,输出图像的显著性区域分割结果。本发明的有益效果:将边界连通性值,图像显著性值和图割方法联系起来,通过图像自动分割技术得到图像显著性区域分割结果。
Description
技术领域
本发明主要用于图像处理与目标识别技术领域,具体为一种鲁棒的图像显著性区域自动分割方法。
背景技术
图像显著性区域的检测是图像处理领域研究的一个重要方向,图像显著性区域往往是最引起人们注意的部分,包含了一副图像的绝大部分信息,因此,它具有广泛的应用背景。通常,它可以用在目标识别,图像分割,自适应压缩,图像检索等领域中,一种有效的图像显著性区域的检测方法对于这些领域的发展有很大的帮助。
目前存在许多种不同的显著性区域检测方法,主要分为两个大方向:基于局部对比度的方法和基于全局对比度的方法。基于局部对比度的方法利用邻域信息计算显著性,基于局部对比度的显著性检测方法只关注了图像中相邻区域的信息,没有考虑全局的影响。而基于全局对比度的方法考虑了全局的关系及结构,它的显著性是通过每一个区域与整幅图像的差异来定义的。
一种有效的显著性检测方法是基于鲁棒的背景检测的显著性优化方法,它在图像上定义了一种边界连通性值,能够有效地将背景区域和前景区域区别出来,并且在此基础上的图像显著性优化可以得到较好的显著性图。但是该方法在图像显著性区域的完整性和边界保持上效果还不是很好。
另外,现有的一种图像分割的方法是图割方法。它采用图论中最大流最小割思想,源节点为S,汇节点为T,区域项转化为S或T到每一个像素点的权重,边缘项转化为像素点之间的权重。通过求解最大流最小割,将图像分成前景和背景区域。但是该方法大多需要手工的输入,通过人眼的主观判断以及先验知识来初步确定前景和背景。因此,该方法不够灵活,且容易受操作者主观的影响。
发明内容
本发明的目的就是为了解决上述问题,提供一种鲁棒的图像显著性区域自动分割方法,它首先进行图像的背景检测得到图像的边界连通性值,然后使用基于HSLIC(Hexagonal Simple Linear Iterative Clustering,六边形简单线性迭代聚类)的SC(Superpixel Contrast,全局显著性检测方法)方法得到图像的显著性图,最后使用得到的图像的边界连通性值和显著性图的显著性值作为图割方法区域项的输入,自动地进行图像分割,最后输出图像的显著性区域分割结果。
为了实现上述目的,本发明采用如下技术方案:
一种鲁棒的图像显著性区域自动分割方法,包括以下步骤:
步骤(1):对图像进行超像素分割,得到图像超像素的测地距离,生成区域,边界长度,边界连通性值;
步骤(2):用HSLIC方法对原始输入图像进行超像素分割,并在此基础上使用SC方法进行全局显著性检测得到原始图像的显著性图;
步骤(3):使用步骤(1)的边界连通性值和步骤(2)的显著性图中的显著性值作为图割方法的区域项,进行图像分割,输出图像的显著性区域分割结果。
所述步骤(1)包括以下步骤:
步骤(1-1):输入原图像,对原图像进行超像素分割,并记录下超像素的相关情况;
步骤(1-2):对步骤(1-1)分割后的图像,计算每个超像素的测地距离;
步骤(1-3):利用步骤(1-2)得到的每个超像素的测地距离计算每个超像素的生成区域;
步骤(1-4):利用步骤(1-3)得到的每个超像素的生成区域计算每个超像素的边界长度;
步骤(1-5):利用步骤(1-3)、步骤(1-4)的结果计算每个超像素的边界连通性值。
所述步骤(1-1)的步骤如下:
对输入图像进行SLIC(Simple Linear Iterative Clustering,简单的线性迭代聚类)方法分割,记录下每个超像素的标记号,每个像素所属的超像素类别,超像素邻接矩阵,以及图像边界上的超像素以待后续的使用。
所述步骤(1-2)的步骤如下:
步骤(1-2-1):对分割后的图像进行颜色空间转换,即由RGB空间转换为Lab空间;
步骤(1-2-2):根据步骤(1-1)得到的超像素邻接矩阵,计算所有邻接超像素pi,pi+1在Lab空间的欧氏距离:
其中,i的取值范围为1到N-1,N为图像超像素的个数。pi表示第i个超像素,pi+1表示第i+1个超像素,li,ai,bi分别是第i个超像素在Lab颜色空间的三个分量,li+1,ai+1,bi+1分别是第i+1个超像素在Lab颜色空间的三个分量。
步骤(1-2-3):任意两个超像素的测地距离dgeo(pi,pj)为:从超像素pi开始沿着一条最短的路到达超像素pj的距离:
其中,pk,pi,p2,...,pn,pj都是分割后图像的超像素,i,j取值范围均为1到N,k取值范围均为1到n-1,n代表从pi到pj的路径上经过的超像素个数。min表示取最小值。为了方便,当i=j时,定义dgeo(pi,pj)=0,即一个超像素和它自己的测地距离为0。
所述步骤(1-3)的步骤如下:
超像素pi的生成区域表示的是,超像素pi所属区域的一个软区域。该区域描述的是其他的超像素pj(j为第j个超像素)对于超像素pi所在区域的贡献大小。超像素pi的生成区域Area(pi)为:
其中,exp表示指数函数,i,j取值范围均为1到N,N为图像超像素的个数,σclr=10σclr表示调整超像素pj对pi的区域影响大小的参数,S(pi,pj)表示超像素pj对pi的区域影响,dgeo 2(pi,pj)由公式(2)计算得到。pj和pi测地距离越小,它对pi的区域贡献越大。
所述步骤(1-4)的步骤如下:
超像素pi的边界长度描述的是图像边界上的超像素对于pi的区域的贡献大小Lenbnd(pi),计算定义为:
其中,Bnd是图像边界上的超像素的集合,对于图像边界上的超像素,δ(pj∈Bnd)为1,其他为0。
所述步骤(1-5)的步骤如下:超像素pi的边界连通性值描述的是pi属于图像的边界的可能性大小。
边界连通性值是一个关于图像超像素边界长度和生成区域的一个函数:
所述步骤(3)的步骤如下:
采用图割方法来进行图像分割。根据图论的思想,将超像素看成是图上的一个个节点,源节点为S,汇节点为T,区域项转化为S或T到每一个超像素的权重,边缘项转化为超像素之间的权重。通过求解最大流最小割,将图像分成前景和背景区域。在边缘项不变的情况下,使用步骤(1)得到的图像边界连通性值和步骤(2)得到的显著性图的显著性值作为区域项的权重输入,自动地进行图像分割,可以得到较好的图像显著性区域分割结果。区域项的权重为:
其中,w,σ分别是两个调节参数,w,σ∈[0.3,0.6],S(pi)为利用步骤(2)得到的超像素pi的显著性值,BonCon(pi),S(pi)都归一化到[0,1]之间。
本发明的有益效果:
本发明对图像进行超像素分割,然后依次得到图像超像素的测地距离,生成区域,边界长度,边界连通性值。接着用HSLIC方法对原始输入图像进行超像素分割,并用SC方法进行显著性检测得到图像显著性图。最后用图割方法对原图像进行分割,其中区域项为图像的边界连通性值和图像显著性图的显著性值的一种组合。该方法具有如下优点:
1、学习并使用了图像的背景信息知识,且简单易懂。
2、将边界连通性值,图像显著性值和图割方法联系起来,通过图像自动分割技术得到图像显著性区域分割结果
附图说明
图1是本发明的流程示意图;
图2是测地距离的图形表示示意图;
图3(a)待处理图像:跳跃的人;
图3(b)对应于跳跃的人的标准分割图;
图3(c)对应于跳跃的人的显著性区域分割后的结果;
图4(a)待处理图像:游动的鱼;
图4(b)对应于游动的鱼的标准分割图;
图4(c)对应于游动的鱼的显著性区域分割后的结果。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1流程图所示,本发明包括以下步骤:
步骤(1):输入原图像,对原图像进行超像素分割,并记录下超像素的相关情况;
步骤(2):对步骤(1)分割后的图像,计算每个超像素的测地距离;
步骤(3):利用步骤(2)得到的每个超像素的测地距离计算每个超像素的生成区域;
步骤(4):利用步骤(3)得到的每个超像素的生成区域计算每个超像素的边界长度;
步骤(5):利用步骤(3)、步骤(4)的结果计算每个超像素的边界连通性值;进入步骤(7);
步骤(6):对原图像进行显著性检测得到显著性图;进入步骤(7);
步骤(7):将步骤(5)得到的边界连通性值和步骤(6)得到的显著性图应用到图割方法中,作为区域项的权重,自动地进行图像分割,得到图像显著性区域分割结果。
所述步骤(1)对图像进行过分割具体过程如下:
对输入图像进行SLIC超像素分割,记录下每个超像素的标记,每个像素所属的超像素标记,超像素邻接矩阵,以及图像边界上的超像素以待后续的使用。
所述步骤(2)计算每个超像素的测地距离的具体过程如下:
(2-1):对图像进行颜色空间转换,即由RGB空间转换为Lab空间
(2-2):计算所有邻接超像素pi,pi+1在Lab颜色空间的欧氏距离
其中,i,i+1为超像素的下标,i的取值范围为1到N-1,pi表示第i个超像素,pi+1表示第i+1个超像素,li,ai,bi分别是第i个超像素在Lab颜色空间的三个分量,li+1,ai+1,bi+1分别是第i+1个超像素在Lab颜色空间的三个分量。图2是pi和pj测地距离的一个图形描述:从超像素pi开始沿着一条最短的路到达超像素pj。其中,每个方框代表了一个超像素。
(2-3):任意两个超像素的测地距离dgeo(pi,pj)为,从超像素pi开始沿着一条最短的路到达超像素pj的距离,即:
其中,pk,pi,p2,...,pn,pj都是分割后图像的超像素,i,j取值范围均为1到N,k取值范围均为1到n-1,n代表从pi到pj的路径上经过的超像素个数。min表示取最小值。为了方便,当i=j时定义dgeo(pi,pj)=0,即一个超像素和它自己的测地距离为0。
所述步骤(3)计算每个超像素的生成区域的具体过程如下:
超像素pi的生成区域表示的是超像素pi所属区域的一个软区域。它描述的是其他的超像素pj对于超像素pi所在区域的贡献大小。其计算定义为:
其中,i,j取值范围均为1到N,N为图像超像素的个数,σclr=10。超像素pj和pi测地距离越小,它对pi的区域贡献越大。
所述步骤(4)计算每个超像素的边界长度的具体过程如下:
超像素pi的边界长度描述的是图像边界上的超像素对于pi的区域的贡献大小,其计算定义为:
其中,Bnd是图像边界上的超像素的集合,对于图像边界上的超像素,δ(pj∈Bnd)为1,其他为0。
所述步骤(5)计算每个超像素的边界连通性值具体过程如下:
超像素pi的边界连通性值描述的是pi属于图像的边界的可能性大小,它是一个关于图像超像素边界长度和生成区域的一个函数:
图像的背景与图像的边界接触的面积比较大,而图像的前景与图像的边界接触较小。
如果一个超像素的边界连通性值越大,说明它与图像边界的接触可能较多,即它越可能是背景;
如果一个超像素的边界连通性值越小,说明它与图像边界的接触可能较少,即它越可能是前景;
所以,边界连通性值可以作为一个区域是否是背景或前景的判断。
所述步骤(6)对输入的原图像进行显著性检测得到显著性图的具体过程如下:
步骤(6-1):使用HSLIC方法对原始图像进行图像分割;
步骤(6-2):在步骤(6-1)的基础上,使用SC方法进行图像显著性检测,得到原始图像的显著性图。
HSLIC方法是一种超像素聚类方法,该方法得到的超像素具有良好的性质,超像素紧凑几乎统一,大小相对一致,贴合物体的边缘,并且邻接关系更为均衡。SC方法是一种基于HSLIC方法的全局显著性检测方法,可以产生高质量的显著性图,并且简单快速高效。
所述步骤(7)进行图像分割的具体过程如下:
采用图割方法进行图像分割。根据图论的思想,将超像素看成是图上的一个个节点,源节点为S,汇节点为T,区域项转化为S或T到每一个超像素的权重,边缘项转化为超像素之间的权重。通过最大流最小割的求解,将图像分成前景和背景区域。在边缘项不变的情况下,使用步骤(5)得到的图像边界连通性值,和步骤(6)得到的显著性图的显著性值作为区域项的权重输入
其中,w,σ分别是两个调节参数,w,σ∈[0.3,0.6],S(pi)为利用步骤(6)得到的超像素pi的显著性值,BonCon(pi),S(pi)都归一化到[0,1]之间。
下面对图像处理结果进行分析,如针对图3(a),图4(a)给出的图片,利用上面的方法进行处理,处理结果如图3(c),图4(c)所示。图3(b),图4(b)为标准分割图。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (1)
1.一种鲁棒的图像显著性区域自动分割方法,其特征是,包括以下步骤:
步骤(1):对图像进行超像素分割,得到图像超像素的测地距离,生成区域,边界长度,边界连通性值;
所述步骤(1)包括以下步骤:
步骤(1-1):输入原图像,对原图像进行超像素分割,并记录下超像素的相关情况;
所述步骤(1-1)的步骤如下:
对输入图像进行SLIC方法分割,记录下每个超像素的标记号,每个像素所属的超像素类别,超像素邻接矩阵,以及图像边界上的超像素以待后续的使用;
步骤(1-2):对步骤(1-1)分割后的图像,计算每个超像素的测地距离;
所述步骤(1-2)的步骤如下:
步骤(1-2-1):对分割后的图像进行颜色空间转换,即由RGB空间转换为Lab空间;
步骤(1-2-2):根据步骤(1-1)得到的超像素邻接矩阵,计算所有邻接超像素pi,pi+1在Lab空间的欧氏距离:
其中,i的取值范围为1到N-1,N为图像超像素的个数;pi表示第i个超像素,pi+1表示第i+1个超像素,li,ai,bi分别是第i个超像素在Lab颜色空间的三个分量,li+1,ai+1,bi+1分别是第i+1个超像素在Lab颜色空间的三个分量;
步骤(1-2-3):任意两个超像素的测地距离dgeo(pi,pj)为:从超像素pi开始沿着一条最短的路到达超像素pj的距离:
其中,pk,pi,p2,...,pn,pj都是分割后图像的超像素,i,j取值范围均为1到N,k取值范围均为1到n-1,n代表从pi到pj的路径上经过的超像素个数;min表示取最小值;当i=j时,定义dgeo(pi,pj)=0,即一个超像素和它自己的测地距离为0;
步骤(1-3):利用步骤(1-2)得到的每个超像素的测地距离计算每个超像素的生成区域;
所述步骤(1-3)的步骤如下:
超像素pi的生成区域表示的是,超像素pi所属区域的一个软区域;该区域描述的是其他的超像素pj对于超像素pi所在区域的贡献大小;超像素pi的生成区域Area(pi)为:
其中,exp表示指数函数,i,j取值范围均为1到N,N为图像超像素的个数,σclr=10,σclr表示调整超像素pj对pi的区域影响大小的参数,S(pi,pj)表示超像素pj对pi的区域影响,dgeo 2(pi,pj)由公式(2)计算得到;pj和pi测地距离越小,它对pi的区域贡献越大;
步骤(1-4):利用步骤(1-3)得到的每个超像素的生成区域计算每个超像素的边界长度;
所述步骤(1-4)的步骤如下:
超像素pi的边界长度描述的是图像边界上的超像素对于pi的区域的贡献大小Lenbnd(pi),计算定义为:
其中,Bnd是图像边界上的超像素的集合,对于图像边界上的超像素,δ(pj∈Bnd)为1,其他为0;
步骤(1-5):利用步骤(1-3)、步骤(1-4)的结果计算每个超像素的边界连通性值;
所述步骤(1-5)的步骤如下:超像素pi的边界连通性值描述的是pi属于图像的边界的可能性大小;
边界连通性值是一个关于图像超像素边界长度和生成区域的一个函数:
步骤(2):用HSLIC方法对原始输入图像进行超像素分割,并在此基础上使用SC方法进行全局显著性检测得到原始图像的显著性图;
步骤(3):使用步骤(1)的边界连通性值和步骤(2)的显著性图中的显著性值作为图割方法的区域项,进行图像分割,输出图像的显著性区域分割结果;
所述步骤(3)的步骤如下:
采用图割方法来进行图像分割;根据图论的思想,将超像素看成是图上的一个个节点,源节点为S,汇节点为T,区域项转化为S或T到每一个超像素的权重,边缘项转化为超像素之间的权重;
通过求解最大流最小割,将图像分成前景和背景区域;
在边缘项不变的情况下,使用步骤(1)得到的图像边界连通性值和步骤(2)得到的显著性图的显著性值作为区域项的权重输入,自动地进行图像分割,得到较好的图像显著性区域分割结果;
区域项的权重为:
其中,w,σ分别是两个调节参数,w,σ∈[0.3,0.6],S(pi)为利用步骤(2)得到的超像素pi的显著性值,BonCon(pi),S(pi)都归一化到[0,1]之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510214078.8A CN104809729B (zh) | 2015-04-29 | 2015-04-29 | 一种鲁棒的图像显著性区域自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510214078.8A CN104809729B (zh) | 2015-04-29 | 2015-04-29 | 一种鲁棒的图像显著性区域自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104809729A CN104809729A (zh) | 2015-07-29 |
CN104809729B true CN104809729B (zh) | 2018-08-28 |
Family
ID=53694534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510214078.8A Active CN104809729B (zh) | 2015-04-29 | 2015-04-29 | 一种鲁棒的图像显著性区域自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104809729B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574866A (zh) * | 2015-12-15 | 2016-05-11 | 努比亚技术有限公司 | 一种实现图像处理的方法及装置 |
CN105741294A (zh) * | 2016-02-01 | 2016-07-06 | 福建师范大学 | 一种对象数量可控的图像分割方法 |
CN105740915B (zh) * | 2016-03-04 | 2019-05-24 | 浙江大学 | 一种融合感知信息的协同分割方法 |
CN106373131B (zh) * | 2016-08-25 | 2020-11-06 | 上海交通大学 | 基于边缘的图像显著性区域检测方法 |
CN106373126B (zh) * | 2016-09-04 | 2018-09-18 | 河北工业大学 | 基于融合类测地线和边界对比的图像显著性检测方法 |
CN106137532B (zh) * | 2016-09-19 | 2019-01-25 | 清华大学 | 一种图像处理方法 |
CN106447679B (zh) * | 2016-10-17 | 2019-04-09 | 大连理工大学 | 一种基于迭代图割和自适应聚类的显著性检测方法 |
WO2018118914A2 (en) * | 2016-12-20 | 2018-06-28 | Kodak Alaris Inc. | An iterative method for salient foreground detection and multi-object segmentation |
CN107133955B (zh) * | 2017-04-14 | 2019-08-09 | 大连理工大学 | 一种多层次结合的协同显著性检测方法 |
CN108550132B (zh) * | 2018-03-16 | 2021-06-18 | 安徽大学 | 一种图像协同显著目标检测方法 |
CN108717539A (zh) * | 2018-06-11 | 2018-10-30 | 北京航空航天大学 | 一种小尺寸舰船检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996189A (zh) * | 2014-05-05 | 2014-08-20 | 小米科技有限责任公司 | 图像分割方法及装置 |
CN104463870A (zh) * | 2014-12-05 | 2015-03-25 | 中国科学院大学 | 一种图像显著区域检测方法 |
-
2015
- 2015-04-29 CN CN201510214078.8A patent/CN104809729B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996189A (zh) * | 2014-05-05 | 2014-08-20 | 小米科技有限责任公司 | 图像分割方法及装置 |
CN104463870A (zh) * | 2014-12-05 | 2015-03-25 | 中国科学院大学 | 一种图像显著区域检测方法 |
Non-Patent Citations (3)
Title |
---|
Global Contrast of Superpixels Based Salient Region Detection;Jie Wang et al.;《Lecture Notes in Computer Science, CVM 2012》;20121231;Page 131,134-135 * |
Saliency Optimization from Robust Background Detection;Wangjiang Zhu et al.;《2014 IEEE Conference on Computer Vision and Pattern Recognition》;20141231;Page 2815-2816 * |
基于超像素和图割理论的自动图像分割方法研究;毕剑;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140915;第4-5、12-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104809729A (zh) | 2015-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104809729B (zh) | 一种鲁棒的图像显著性区域自动分割方法 | |
US10636164B2 (en) | Object detection method and apparatus based on dynamic vision sensor | |
CN106952269B (zh) | 近邻可逆的视频前景物体序列检测分割方法及系统 | |
Lee et al. | Multiple random walkers and their application to image cosegmentation | |
CN103810503A (zh) | 一种基于深度学习的自然图像中显著区域的检测方法 | |
CN112817755B (zh) | 基于目标追踪加速的边云协同深度学习目标检测方法 | |
Xu et al. | Automatic building rooftop extraction from aerial images via hierarchical RGB-D priors | |
CN107369158B (zh) | 基于rgb-d图像的室内场景布局估计及目标区域提取方法 | |
CN108629783A (zh) | 基于图像特征密度峰值搜索的图像分割方法、系统及介质 | |
Jerripothula et al. | Automatic image co-segmentation using geometric mean saliency | |
Gupta et al. | Automatic trimap generation for image matting | |
CN105046689B (zh) | 一种基于多层次图结构的交互式立体图像快速分割方法 | |
Xu et al. | Weakly supervised deep semantic segmentation using CNN and ELM with semantic candidate regions | |
CN110992379B (zh) | 一种基于方向超像素的快速图像分割方法 | |
CN104091336B (zh) | 一种基于稠密视差图的立体图像同步分割方法 | |
CN103093470A (zh) | 一种具有尺度无关特性的快速多模态图像协同分割方法 | |
JP6389742B2 (ja) | 画像セグメンテーション方法、装置、及びプログラム | |
Wang et al. | Salient object detection by robust foreground and background seed selection | |
Sun et al. | A Click-based Interactive Segmentation Network for Point Clouds | |
Kim et al. | Segmentation of salient regions in outdoor scenes using imagery and 3-d data | |
Osuna-Coutiño et al. | Structure extraction in urbanized aerial images from a single view using a CNN-based approach | |
Yang et al. | Common action discovery and localization in unconstrained videos | |
KR101934358B1 (ko) | 다중 랜덤 워크 기반의 영상 분할 방법 및 장치 | |
Rahimi et al. | Single image ground plane estimation | |
CN106447689A (zh) | 一种全息视频流的分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221026 Address after: 250101 No. 699 West China Road, hi tech Zone, Shandong, Ji'nan Patentee after: SYNTHESIS ELECTRONIC TECHNOLOGY Co.,Ltd. Address before: 250061, No. 27, Da Nan Road, Licheng District, Shandong, Ji'nan Patentee before: SHANDONG University |