CN104915952A - 一种深度图像中基于多叉树的局部凸出对象提取方法 - Google Patents
一种深度图像中基于多叉树的局部凸出对象提取方法 Download PDFInfo
- Publication number
- CN104915952A CN104915952A CN201510249956.XA CN201510249956A CN104915952A CN 104915952 A CN104915952 A CN 104915952A CN 201510249956 A CN201510249956 A CN 201510249956A CN 104915952 A CN104915952 A CN 104915952A
- Authority
- CN
- China
- Prior art keywords
- node
- pixel
- neighborhood
- depth
- depth image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种深度图像中基于多叉树的局部凸出对象提取方法,包括以下步骤:对输入深度图像进行逐像素邻域差分,建立基于多叉树数据结构的深度树模型以及深度树节点与图像像素的映射图;对深度树的叶子节点进行局部优化,去除噪声;遍历深度树的叶子节点得到深度图像的局部极值区域,利用判决函数确定叶子节点的子树根节点位置,从而提取出局部凸出对象区域。本发明能够快速、准确的提取出多个凸出对象区域,提升深度图像中凸出物体检测的准确度。
Description
技术领域
本发明涉及计算机视觉技术领域中的的物体检测技术,特别是涉及一种深度图像中基于多叉树的局部凸出对象提取方法。
背景技术
随着深度传感器(比如微软的Kinect等)的普及以及双目立体视觉(比如英特尔的RealSense3D摄像头等)的发展,立体视觉在最近十年逐渐成为热门领域,相比传统二维平面图像,深度图像增加了三维深度信息。深度信息的潜在应用前景是巨大的,而其中一个重要的应用场景就是物体检测。
物体检测是计算机视觉领域的一个重要问题,同时也是一个难点问题,获得尽可能少且与物体类别无关的对象区域是物体检测的重中之重。传统的方法多基于矩形框,也就是用一系列矩形框尽可能紧致的框出图像中的对象(比如Pascal Visual Object ClassesChallenge等),这类方法在传统二维图像领域被广泛应用,在兼顾速度的同时取得了较好的检测精度,但是这种方法亦然存在着生成备选框较多,备选框紧致度低,框内存在大量无用信息等问题。另一种方法是基于区域分割,也就是分割出图像中具有特定现实意义的对象区域,即语义对象,这类方法的精度一般较高,但是算法复杂度高,速度一般较慢。传统的物体检测多采用灰度信息,而很少涉及深度信息,针对现实中的应用需求,亟需一种兼顾速度和精度的深度图像中局部凸出对象提取方法。
发明内容
本发明所要解决的技术问题是提供一种深度图像中基于多叉树的局部凸出对象提取方法,能够快速、准确的提取出多个凸出对象区域,提升深度图像中凸出物体检测的准确度,使得检测结果既能满足人眼视觉要求又能够较好满足现实应用中对速度与精度的需求。
本发明解决其技术问题所采用的技术方案是:提供一种深度图像中基于多叉树的局部凸出对象提取方法,包括以下步骤:
(1)对输入深度图像进行逐像素邻域差分,建立基于多叉树数据结构的深度树模型以及深度树节点与图像像素的映射图;
(2)对深度树的叶子节点进行局部优化,去除噪声;
(3)遍历深度树的叶子节点得到深度图像的局部极值区域,利用判决函数确定叶子节点的子树根节点位置,从而提取出局部凸出对象区域。
所述步骤(1)具体包括以下子步骤:
(11)创建并初始化深度树根节点和映射图,根节点的深度值设为最小值,将该节点位置保存到映射图中;
(12)对输入深度图像进行逐像素邻域差分,判断当前像素深度值是否是邻域内极值点;
(13)如果当前像素是极值点,则创建新的节点;
(14)如果当前像素不是极值点,则插入邻域内某一像素的节点中;
(15)将该节点位置保存在映射图中,并重复步骤(12)。
所述步骤(12)中对输入深度图像进行逐像素邻域差分时,若该像素是深度图像原点且深度值为最小值,则直接存储入根节点,并执行步骤(15),否则判断为邻域内极值点;若该像素是深度图像的上边缘点,则与左像素点差分,判断是否是邻域内极值点;若该像素是深度图像的左边缘点,则与上像素点差分,判断是否是邻域内极值点;若该像素是深度图像的其他点,则分别与上像素点和左像素点差分,判断是否是邻域内极值点。
所述步骤(13)包括以下子步骤:对邻域内其他两像素点所在子树进行合并;将邻域内深度值较大的像素所在节点确认为待插入节点的父节点,创建新叶子节点,调整父节点、兄弟节点和孩子节点,并保存像素位置值,返回该节点位置。
所述步骤(14)包括以下子步骤:
对邻域内其他两像素点所在子树进行合并;
若该像素深度值与邻域内某一像素深度值相同,则将该像素的节点确认为待插入节点,保存像素位置值,返回该节点位置;
若该像素深度值与邻域内某一像素的父辈节点深度值相等,则将该父节点确认为待插入节点,保存像素位置值,返回该节点位置;
若该像素深度值介于邻域内某一像素的父辈节点及其子节点之间,则将该父节点确认为待插入节点的父节点,创建新子节点,调整父节点、兄弟节点和孩子节点,并保存像素位置值,返回该节点位置。
所述对邻域内其他两像素点所在子树进行合并的步骤具体包括:
若两像素点所在节点是同一节点,则合并完成;
若两像素点所在节点不是同一节点但两像素深度值相同,则合并两像素所在节点的点集,调整两像素所在节点的父节点、兄弟节点和子节点,调整映射图,删除废弃节点,则合并完成;
若两像素点所在节点不是同一节点且两像素深度值不同,且深度值较大节点的父节点的深度值仍大于或等于另一深度值较小节点,则对深度值较大节点的父辈节点及较小节点执行合并步骤;
若两像素点所在节点不是同一节点且两像素深度值不同,且深度值较大节点的父节点的深度值小于另一深度值较小节点,则调整两节点的父节点、兄弟节点和孩子节点,则合并完成。
所述步骤(2)具体包括以下子步骤:
(21)遍历深度树;
(22)若当前节点不是叶子节点,则继续遍历;
(23)若当前节点是叶子节点,则计算点集数,求得该节点面积,判断是否小于阈值;
(24)若当前节点面积大于等于阈值,则继续遍历;
(25)若当前节点面积小于阈值,则将该叶子节点的点集合并入父节点中,并调整父节点、兄弟节点,调整映射图,删除该节点,继续遍历,从而完成对深度树的叶子节点的局部优化去除噪声。
所述步骤(3)具体包括以下子步骤:
(31)遍历深度树;
(32)若当前节点不是叶子节点,则继续遍历;
(33)若当前节点是叶子节点,则求解判决函数的最优解,求得的解即为子树根节点位置,而子树内所有节点点集的并集,即为局部凸出对象的区域;其中,解判决函数为: 式中,M是松弛因子,Ni是子树根节点,N0是叶子节点,F(Ni)是对节点Ni的点集区域提取特征,是节点Ni的深度值,αi和βi为权重参数,判决函数的最大值即为节点N0的根节点位置。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明将多叉树模型运用到深度图像中局部凸出对象提取,提出了一种全新的基于区域的图像分割方法,为深度图像中快速物体检测提供了新的解决方案;方法对深度图像的质量要求较低,从而降低了双目立体视觉中对立体匹配的精度要求,适应性与应用前景更广;方法中的树型结构完好的利用和保存了场景中凸出对象的结构信息,每棵子树就代表一个独立的对象,通过先定位局部极值区域再提取出凸出对象完整区域,能够高效快速的提取出多个凸出对象区域,提升了深度图像中局部凸出对象提取效果,使其既能满足人眼视觉要求又能够较好满足现实应用中对速度与精度的需求。
附图说明
图1是本发明的流程图;
图2是本发明中建立基于多叉树数据结构的深度树模型以及深度树节点与图像像素的映射图的流程图;
图3是本发明的建立基于多叉树数据结构的深度树模型以及深度树节点与图像像素的映射图中创建节点的流程图;
图4是本发明的建立基于多叉树数据结构的深度树模型以及深度树节点与图像像素的映射图中插入节点流程图;
图5是本发明的对邻域内其他两像素点所在子树进行合并的流程图;
图6是本发明的遍历深度树的叶子节点进行局部优化的流程图;
图7是本发明的遍历深度树的叶子节点,利用判决函数确定叶子节点的子树根节点位置,从而提取出局部凸出对象区域的流程图;
图8和图9均为本发明的实验结果示意图,其中,(a)是原始图像,(b)是凸出对象,(c)是提取的对象区域轮廓。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种深度图像中基于多叉树的局部凸出对象提取方法,如图1所示,包括以下步骤:
(1)对输入深度图像进行逐像素邻域差分,建立基于多叉树数据结构的深度树模型以及深度树节点与图像像素的映射图。
(2)遍历深度树的叶子节点进行局部优化,去除噪声。
(3)遍历深度树的叶子节点得到深度图像的局部极值区域,利用判决函数确定叶子节点的子树根节点位置,从而提取出局部凸出对象区域。
如图2所示,所述步骤(1)还包括以下子步骤:
(21)创建并初始化深度树根节点和映射图,根节点的深度值设为最小值,将该节点位置保存到映射图中;
(22)对输入深度图像进行逐像素邻域差分,判断当前像素深度值是否是邻域内极值点;
(23)若当前像素是极值点,则创建新的节点
(24)若当前像素不是极值点,则插入邻域内某一像素的节点中;
(25)将该节点位置保存在映射图中,并重复步骤(22)。
其中,所述步骤(22)还包括以下子步骤:
(31)对输入深度图像进行逐像素邻域差分,若该像素是深度图像原点且深度值为最小值,则直接存储入根节点,并执行步骤(25),否则判断为邻域内极值点;
(32)若该像素是深度图像的上边缘点,则与左像素点差分,判断是否是邻域内极值点;
(33)若该像素是深度图像的左边缘点,则与上像素点差分,判断是否是邻域内极值点;
(34)若该像素是深度图像的其他点,则分别与上像素点、左像素点差分,判断是否是邻域内极值点。
如图3所示,所述步骤(23)还包括以下子步骤:
(41)对邻域内其他两像素点所在子树进行合并;
(42)将邻域内深度值较大的像素所在节点确认为待插入节点的父节点,创建新叶子节点,调整父节点、兄弟节点、孩子节点,保存像素位置值;
(43)返回该节点位置。
如图4所示,所述步骤(24)还包括以下子步骤:
(51)对邻域内其他两像素点所在子树进行合并;
(52)若该像素深度值与邻域内某一像素深度值相同,则将该像素的节点确认为待插入节点,保存像素位置值,返回该节点位置;
(53)若该像素深度值与邻域内某一像素的父辈节点深度值相等,则将该父节点确认为待插入节点,保存像素位置值,返回该节点位置;
(54)若该像素深度值介于邻域内某一像素的父辈节点及其子节点之间,则将该父节点确认为待插入节点的父节点,创建新子节点,调整父节点、兄弟节点、孩子节点,保存像素位置值,返回该节点位置。
如图5所示,所述步骤(41)和(51)还包括以下子步骤:
(61)若两像素点所在节点是同一节点,则合并完成;
(62)若两像素点所在节点不是同一节点但两像素深度值相同,则合并两像素所在节点的点集,调整两像素所在节点的父节点、兄弟节点、子节点,调整映射图,删除废弃节点,则合并完成;
(63)若两像素点所在节点不是同一节点且两像素深度值不同,且深度值较大节点的父节点的深度值仍大于等于另一深度值较小节点,则对深度值较大节点的父辈节点及较小节点执行合并步骤(41);
(64)若两像素点所在节点不是同一节点且两像素深度值不同,且深度值较大节点的父节点的深度值小于另一深度值较小节点,则调整两节点父节点、兄弟节点、孩子节点,则合并完成。
如图6所示,所述步骤(2)还包括以下子步骤:
(71)遍历深度树;
(72)若当前节点不是叶子节点,则继续遍历;
(73)若当前节点是叶子节点,则计算点集数,求得该节点面积,判断是否小于阈值MIN_AREA=30;
(74)若当前节点面积大于等于30,则继续遍历;
(75)若当前节点面积小于30,则将该叶子节点的点集合并入父节点中,并调整父节点、兄弟节点,调整映射图,删除该节点,继续遍历。
如图7所示,所述步骤(3)还包括以下子步骤:
(81)遍历深度树;
(82)若当前节点不是叶子节点,则继续遍历;
(83)若当前节点是叶子节点,则求解判决函数公式(1)的最优解,求得的解即为子树根节点位置,而子树内所有节点点集的并集,即为局部凸出对象的区域;
式中,设定M=2,F(Ni)为节点Ni的点集区域的长宽比和面积,α0、α1和β0、β1分别为0.40、0.24,公式(1)的最大值lmax即为节点N0的根节点位置。
本实验进行仿真实验,实验结果如图8和图9所示,用以说明本发明的实用性和算法的准确性。该仿真实验是在InterlXeonCPUX56903.47GHz3.46GHz(2处理器)、内存24GB的PC测试平台上C/C++编程实现,在不使用任何多线程技术的前提下,处理速度可以达到200fps。其中图8(a)和图9(a)是原始图像,图8(b)和图9(b)是凸出对象,图8(c)和图9(c)是提取的对象区域轮廓。
Claims (8)
1.一种深度图像中基于多叉树的局部凸出对象提取方法,其特征在于,包括以下步骤:
(1)对输入深度图像进行逐像素邻域差分,建立基于多叉树数据结构的深度树模型以及深度树节点与图像像素的映射图;
(2)对深度树的叶子节点进行局部优化,去除噪声;
(3)遍历深度树的叶子节点得到深度图像的局部极值区域,利用判决函数确定叶子节点的子树根节点位置,从而提取出局部凸出对象区域。
2.根据权利要求1所述的深度图像中基于多叉树的局部凸出对象提取方法,其特征在于,所述步骤(1)具体包括以下子步骤:
(11)创建并初始化深度树根节点和映射图,根节点的深度值设为最小值,将该节点位置保存到映射图中;
(12)对输入深度图像进行逐像素邻域差分,判断当前像素深度值是否是邻域内极值点;
(13)如果当前像素是极值点,则创建新的节点;
(14)如果当前像素不是极值点,则插入邻域内某一像素的节点中;
(15)将该节点位置保存在映射图中,并重复步骤(12)。
3.根据权利要求2所述的深度图像中基于多叉树的局部凸出对象提取方法,其特征在于,所述步骤(12)中对输入深度图像进行逐像素邻域差分时,若该像素是深度图像原点且深度值为最小值,则直接存储入根节点,并执行步骤(15),否则判断为邻域内极值点;若该像素是深度图像的上边缘点,则与左像素点差分,判断是否是邻域内极值点;若该像素是深度图像的左边缘点,则与上像素点差分,判断是否是邻域内极值点;若该像素是深度图像的其他点,则分别与上像素点和左像素点差分,判断是否是邻域内极值点。
4.根据权利要求2所述的深度图像中基于多叉树的局部凸出对象提取方法,其特征在于,所述步骤(13)包括以下子步骤:
对邻域内其他两像素点所在子树进行合并;
将邻域内深度值较大的像素所在节点确认为待插入节点的父节点,创建新叶子节点,
调整父节点、兄弟节点和孩子节点,并保存像素位置值,返回该节点位置。
5.根据权利要求2所述的深度图像中基于多叉树的局部凸出对象提取方法,其特征在于,所述步骤(14)包括以下子步骤:
对邻域内其他两像素点所在子树进行合并;
若该像素深度值与邻域内某一像素深度值相同,则将该像素的节点确认为待插入节点,保存像素位置值,返回该节点位置;
若该像素深度值与邻域内某一像素的父辈节点深度值相等,则将该父节点确认为待插入节点,保存像素位置值,返回该节点位置;
若该像素深度值介于邻域内某一像素的父辈节点及其子节点之间,则将该父节点确认为待插入节点的父节点,创建新子节点,调整父节点、兄弟节点和孩子节点,并保存像素位置值,返回该节点位置。
6.根据权利要求4或5所述的深度图像中基于多叉树的局部凸出对象提取方法,其特征在于,所述对邻域内其他两像素点所在子树进行合并的步骤具体包括:
若两像素点所在节点是同一节点,则合并完成;
若两像素点所在节点不是同一节点但两像素深度值相同,则合并两像素所在节点的点集,调整两像素所在节点的父节点、兄弟节点和子节点,调整映射图,删除废弃节点,则合并完成;
若两像素点所在节点不是同一节点且两像素深度值不同,且深度值较大节点的父节点的深度值仍大于或等于另一深度值较小节点,则对深度值较大节点的父辈节点及较小节点执行合并步骤;
若两像素点所在节点不是同一节点且两像素深度值不同,且深度值较大节点的父节点的深度值小于另一深度值较小节点,则调整两节点的父节点、兄弟节点和孩子节点,则合并完成。
7.根据权利要求1所述的深度图像中基于多叉树的局部凸出对象提取方法,其特征在于,所述步骤(2)具体包括以下子步骤:
(21)遍历深度树;
(22)若当前节点不是叶子节点,则继续遍历;
(23)若当前节点是叶子节点,则计算点集数,求得该节点面积,判断是否小于阈值;
(24)若当前节点面积大于等于阈值,则继续遍历;
(25)若当前节点面积小于阈值,则将该叶子节点的点集合并入父节点中,并调整父节点、兄弟节点,调整映射图,删除该节点,继续遍历,从而完成对深度树的叶子节点的局部优化去除噪声。
8.根据权利要求1所述的深度图像中基于多叉树的局部凸出对象提取方法,其特征在于,所述步骤(3)具体包括以下子步骤:
(31)遍历深度树;
(32)若当前节点不是叶子节点,则继续遍历;
(33)若当前节点是叶子节点,则求解判决函数的最优解,求得的解即为子树根节点位置,而子树内所有节点点集的并集,即为局部凸出对象的区域;判决函数为: 式中,M是松弛因子,Ni是子树根节点,N0是叶子节点,F(Ni)是对节点Ni的点集区域提取特征,是节点Ni的深度值,αi和βi为权重参数,判决函数的最大值即为节点N0的根节点位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510249956.XA CN104915952B (zh) | 2015-05-15 | 2015-05-15 | 一种深度图像中基于多叉树的局部凸出对象提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510249956.XA CN104915952B (zh) | 2015-05-15 | 2015-05-15 | 一种深度图像中基于多叉树的局部凸出对象提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104915952A true CN104915952A (zh) | 2015-09-16 |
CN104915952B CN104915952B (zh) | 2018-04-27 |
Family
ID=54084990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510249956.XA Expired - Fee Related CN104915952B (zh) | 2015-05-15 | 2015-05-15 | 一种深度图像中基于多叉树的局部凸出对象提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915952B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741271A (zh) * | 2016-01-25 | 2016-07-06 | 上海物联网有限公司 | 一种深度图像中物体检测方法 |
CN109712161A (zh) * | 2018-12-26 | 2019-05-03 | 上海联影医疗科技有限公司 | 一种图像分割方法、装置、设备及存储介质 |
CN111241348A (zh) * | 2019-12-31 | 2020-06-05 | 浙江华云信息科技有限公司 | 一种基于Walker’s Tree 动态调整树间距的方法 |
CN111932576A (zh) * | 2020-07-15 | 2020-11-13 | 中国科学院上海微系统与信息技术研究所 | 一种基于深度相机的物体边界测量方法和装置 |
CN113791768A (zh) * | 2021-09-22 | 2021-12-14 | 海通证券股份有限公司 | 代码生成方法及装置、存储介质、终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101989178A (zh) * | 2010-11-05 | 2011-03-23 | 北京航空航天大学 | 多叉树数据结构的立体环状可视化方法 |
CN102402796A (zh) * | 2011-10-26 | 2012-04-04 | 重庆大学 | 肝脏血管系统的三维结构化描述方法 |
US20130106852A1 (en) * | 2011-11-02 | 2013-05-02 | Ben Woodhouse | Mesh generation from depth images |
-
2015
- 2015-05-15 CN CN201510249956.XA patent/CN104915952B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101989178A (zh) * | 2010-11-05 | 2011-03-23 | 北京航空航天大学 | 多叉树数据结构的立体环状可视化方法 |
CN102402796A (zh) * | 2011-10-26 | 2012-04-04 | 重庆大学 | 肝脏血管系统的三维结构化描述方法 |
US20130106852A1 (en) * | 2011-11-02 | 2013-05-02 | Ben Woodhouse | Mesh generation from depth images |
Non-Patent Citations (3)
Title |
---|
周勇飞等: "基于双目的三维点云数据的获取与预处理", 《计算机技术与发展》 * |
李璐一: "基于Kinect的物体分割与识别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
陈君等: "基于图割和显著性的图像结构表示方法研究", 《计算机应用研究》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741271A (zh) * | 2016-01-25 | 2016-07-06 | 上海物联网有限公司 | 一种深度图像中物体检测方法 |
CN105741271B (zh) * | 2016-01-25 | 2021-11-16 | 上海物联网有限公司 | 一种深度图像中物体检测方法 |
CN109712161A (zh) * | 2018-12-26 | 2019-05-03 | 上海联影医疗科技有限公司 | 一种图像分割方法、装置、设备及存储介质 |
CN111241348A (zh) * | 2019-12-31 | 2020-06-05 | 浙江华云信息科技有限公司 | 一种基于Walker’s Tree 动态调整树间距的方法 |
CN111241348B (zh) * | 2019-12-31 | 2024-03-01 | 浙江华云信息科技有限公司 | 一种基于Walker’s Tree动态调整树间距的方法 |
CN111932576A (zh) * | 2020-07-15 | 2020-11-13 | 中国科学院上海微系统与信息技术研究所 | 一种基于深度相机的物体边界测量方法和装置 |
CN111932576B (zh) * | 2020-07-15 | 2023-10-31 | 中国科学院上海微系统与信息技术研究所 | 一种基于深度相机的物体边界测量方法和装置 |
CN113791768A (zh) * | 2021-09-22 | 2021-12-14 | 海通证券股份有限公司 | 代码生成方法及装置、存储介质、终端 |
CN113791768B (zh) * | 2021-09-22 | 2023-04-14 | 海通证券股份有限公司 | 代码生成方法及装置、存储介质、终端 |
Also Published As
Publication number | Publication date |
---|---|
CN104915952B (zh) | 2018-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9830701B2 (en) | Static object reconstruction method and system | |
CN104915952A (zh) | 一种深度图像中基于多叉树的局部凸出对象提取方法 | |
CN104299263B (zh) | 一种基于单幅图像建模云场景的方法 | |
CN108596919B (zh) | 一种基于深度图的自动图像分割方法 | |
CN109255357B (zh) | 一种rgbd图像协同显著性检测方法 | |
CN109272467B (zh) | 一种基于多尺度边缘线索的层次化图像分割方法 | |
CN105374039B (zh) | 基于轮廓锐度的单目图像深度信息估计方法 | |
CN109712143B (zh) | 一种基于超像素多特征融合的快速图像分割方法 | |
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 | |
CN113888391A (zh) | 一种室内结构化重建方法、装置及计算机可读存储介质 | |
Yuan et al. | Volume cutout | |
CN106952301B (zh) | 一种rgb-d图像显著性计算方法 | |
CN107578419A (zh) | 一种基于一致性轮廓提取的立体图像分割方法 | |
Zivkovic | Gentle ICM energy minimization for Markov random fields with smoothness-based priors | |
Song et al. | Saliency detection for RGBD images | |
Ju et al. | Stereo grabcut: Interactive and consistent object extraction for stereo images | |
CN106558050A (zh) | 一种基于自适应三阈值的显著物体分割方法 | |
Patakin et al. | Single-stage 3d geometry-preserving depth estimation model training on dataset mixtures with uncalibrated stereo data | |
Liu et al. | Saliency detection using two-stage scoring | |
Xia et al. | Lazy texture selection based on active learning | |
CN109872280B (zh) | 一种三维植物叶片点云的去噪与简化方法、装置及系统 | |
Meng et al. | Image co-segmentation via active contours | |
CN105741271A (zh) | 一种深度图像中物体检测方法 | |
CN112884884A (zh) | 一种候选区域生成方法及系统 | |
Shen et al. | Structure Preserving Large Imagery Reconstruction |
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 |
Granted publication date: 20180427 |
|
CF01 | Termination of patent right due to non-payment of annual fee |