CN105913451B - 一种基于图模型的自然图像超像素分割方法 - Google Patents
一种基于图模型的自然图像超像素分割方法 Download PDFInfo
- Publication number
- CN105913451B CN105913451B CN201610464695.8A CN201610464695A CN105913451B CN 105913451 B CN105913451 B CN 105913451B CN 201610464695 A CN201610464695 A CN 201610464695A CN 105913451 B CN105913451 B CN 105913451B
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- vertex
- natural image
- boundary
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Image Analysis (AREA)
Abstract
一种基于图模型的自然图像超像素分割方法，本发明涉及基于图模型的自然图像超像素分割方法。本发明的目的是为了解决现有方法无法在生成大小均匀的超像素同时有较高的超像素分割精度的缺点。步骤一：将输入的自然图像映射为赋权图；步骤二：输入期望生成的K个超像素数目，根据K个超像素数目对步骤一的赋权图进行均匀网格采样，得到K个超像素的初始位置，K取值为正整数；步骤三：在步骤二得到的K个超像素的初始位置的基础上进行聚类，生成超像素；步骤四：对步骤三生成的超像素的边界进行优化，得到超像素分割的结果。本发明用于数字图像处理领域。
Description
技术领域
本发明涉及基于图模型的自然图像超像素分割方法。
背景技术
近年来，遥感成像技术不断发展，在土地覆盖监测，城市规划等领域有着重要的应用，未来发展潜力巨大。随着遥感成像的空间分辨率的提高，逐像素表示的遥感图像处理起来耗费太多的内存资源和运算时间，而以超像素的形式存储的遥感图像可以极大的减少图像的复杂度并提升后续图像处理算法的性能，是图像处理技术的一个重要预处理步骤，超像素分割的质量直接决定后续图像处理算法的性能，一般来说，我们要求生成的超像素较好地依附图像的边界，有着大致相同的形状和尺寸。
目前现有的超像素分割算法有基于图论和基于梯度下降两大类，但是不能在所有方面都有最佳的表现，导致无法在生成大小均匀的超像素同时有较高的超像素分割精度。比如经典的normalized cuts方法虽然可以产生十分规则的超像素，但是超像素依附图像边界的能力较弱，并且耗费大量的运算时间；graph-based超像素算法可以快速的生成超像素，但是这种方法生成的超像素形状和尺寸十分地不规则，也无法控制超像素的数目和紧凑度。
发明内容
本发明的目的是为了解决现有方法无法在生成大小均匀的超像素同时有较高的超像素分割精度的缺点，而提出一种基于图(Graph)模型的自然图像超像素分割方法。
一种基于图(Graph)模型的自然图像超像素分割方法具体过称为：
步骤一：将输入的自然图像映射为赋权图；
步骤二：输入期望生成的K个超像素数目，根据K个超像素数目对步骤一的赋权图进行均匀网格采样，得到K个超像素的初始位置，K取值为正整数；
步骤三：在步骤二得到的K个超像素的初始位置的基础上进行聚类，生成超像素；
步骤四：对步骤三生成的超像素的边界进行优化，得到超像素分割的结果。
本发明的有益效果为：
为了在生成大小均匀的超像素的同时提升超像素分割的精度，本发明在生成超像素后综合三个策略对超像素的边界进行优化，比现有的典型超像素算法有着更优的分割表现。
由于本方法在快速生成超像素后综合3个策略对超像素的边界进行优化，每个策略都有各自的侧重点和不同的优化效果，策略1(步骤四一)可以使颜色均匀区域的图像边界依附能力提高；策略2(步骤四二)可以使颜色渐变区域的图像边界依附能力提高；策略3(步骤四三)可以使超像素的颜色分布更为集中。因而综合三个边界优化策略生成的超像素相比现有的技术有着更高的分割精度。
为了验证本发明所提出方法的性能，如图4，针对伯克利数据集BSDS500中的一组图像数据进行了实验，当超像素数目为200时，本发明方法边界重现率为0.7，典型分割方法边界重现率为0.65；当超像素数目为500时，本发明方法边界重现率为0.8，典型分割方法边界重现率为0.72；当超像素数目为750时，本发明方法边界重现率为0.85，典型分割方法边界重现率为0.8；当超像素数目为1000时，本发明方法边界重现率为0.86，典型分割方法边界重现率为0.82；实验结果验证了本发明提出的基于图(Graph)模型的超像素分割方法的有效性。
附图说明
图1是本发明的实现流程示意图；
图2a是实验原始图像；
图2b是实验真值图像；
图3a是本发明提出方法的超像素分割结果图；
图3b是典型超像素分割方法的分割结果图；
图4是两种方法的分割结果的分割精度曲线；
图5为图G中每个顶点vi与其8邻域中顶点vj示意图。
具体实施方式
具体实施方式一：结合图1说明本实施方式，本实施方式的一种基于图(Graph)模型的自然图像超像素分割方法具体过称为：
步骤一：将输入的自然图像映射为赋权图；
步骤二：输入期望生成的K个超像素数目，根据K个超像素数目对步骤一的赋权图进行均匀网格采样，得到K个超像素的初始位置，K取值为正整数；
步骤三：在步骤二得到的K个超像素的初始位置的基础上进行聚类，生成超像素；
步骤四：对步骤三生成的超像素的边界进行优化，得到超像素分割的结果。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中将输入的自然图像映射为赋权图；具体过程为：
对原始自然图像I进行高斯滤波，将进行高斯滤波后的原始自然图像I中的每个像素i映射为图G的顶点vi，得到顶点集V；i＝1,2，…N，N为原始图像I的总的像素个数，取值为正整数；
所述图G为图Graph；
将图G中每个顶点vi都与其8邻域中(如图5)顶点vj用边e(i,j)进行连接，得到图G的边集E，j＝1,2，…N；对E中的每条边e(i,j)赋权，赋权后边e(i,j)的权值记为w(i,j)，w(i,j)为vi与vj在(r,g,b)空间上的欧式距离dspectral与(x,y)空间上欧氏距离dspatial的加权和：
w(i,j)＝λ·dspectral+(1-λ)·dspatial
其中，λ是0到1之间的一个常数，记顶点vi在(r,g,b)空间上表示为(ri,gi,bi)，在(x,y)空间上表示为(xi,yi)；顶点vj在(r,g,b)空间上表示为(rj,gj,bj)，在(x,y)空间上表示为(xj,yj)；则dspectral和dspatial的定义由下式给出：
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中输入期望生成的K个超像素数目，根据K个超像素数目对步骤一的赋权图进行均匀网格采样，
得到K个超像素的初始位置，K取值为正整数；具体过程为：
输入期望生成的K个超像素数目(人为根据经验设置)，对步骤一的赋权图用相隔s个像素的均匀网格进行采样，得到K个超像素的起始位置；为了生成大致均匀尺寸的超像素，网格间距K个超像素记为(C0,C1,C2,…,CK-1)；
其中，Cl是第l个超像素中所有像素组成的集合，0≤l≤k-1。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中在步骤二得到的K个超像素的初始位置的基础上进行聚类，生成超像素；具体过程为：
步骤三一、遍历K个超像素(C0,C1,C2,…,CK-1)，每次从一个顶点vi在Cl中而另一个顶点vj不在Cl中的各条边中选择权值最小的边e(vi,vj)；
步骤三二、为了提高超像素的一致性，在算法中控制每个超像素生成的速度，使得相似度高的区域生成速度较快，相似度低的区域生成速度较慢。这可以通过设定一个自适应阈值αl，当权值最小的边e(vi,vj)的权值w(vi,vj)大于αl时，拒绝将权值最小的边e(vi,vj)的顶点vj加入到Cl；
当权值最小的边e(vi,vj)的权值w(vi,vj)小于等于αl时，把权值最小的边e(vi,vj)的顶点vj加入到Cl中；在开始的时候αl具有一个较大的值，随着超像素大小的增大，αl随着变小；
步骤三三、当遍历完K个超像素(C0,C1,C2,…,CK-1)后，K个超像素被更新为重复步骤三三直到每个超像素的大小都不再变化为止，生成超像素(S0,S1,S2,…,SK-1)；所述超像素的大小是指超像素里面顶点的个数。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤四中根据3种边界优化策略(步骤四一、步骤四二、步骤四三)对步骤三生成的超像素的边界进行优化，得到超像素分割的结果；具体过程为：
步骤四一：遍历超像素(S0,S1,S2,…,Sk-1)中每个超像素Sl1边界上所有的像素k，找到与像素k相邻的(S0,S1,S2,…,Sk-1)中任一个超像素Sl2，计算超像素Sl1与超像素Sl2中所有像素的位置值(x,y)的均值，得到超像素Sl1的中心像素m和超像素Sl2的中心像素n；分别计算像素k到位于超像素Sl1中心的像素m和位于超像素Sl2中心的像素n的距离dkm和dkn：
如果dkn<dkm，将像素k重新分配给超像素Sl2，这种优化方法的作用是使颜色均匀区域的图像边界依附能力提高。
如果dkn≥dkm的话，则不对像素k进行操作；
步骤四二：在步骤四一的基础上将每个像素k的RGB颜色值和在原始自然图像I中的空间位置(x,y)记为五维空间中的点(kr,kg,kb,kx,ky)；计算每个超像素Sl1中所有像素在(r,g,b,x,y)五维空间中的均值向量(rl1,gl1,bl1,xl1,yl1)，记|Sl1|为超像素Sl1中像素的数目，则(rl1,gl1,bl1,xl1,yl1)可以由下式计算：
计算每个超像素Sl2中所有像素在(r,g,b,x,y)五维空间中的均值向量(rl2,gl2,bl2,xl2,yl2)，记|Sl2｜为超像素Sl2中像素的数目，则(rl2,gl2,bl2,xl2,yl2)可以由下式计算：
遍历超像素(S0,S1,S2,…,Sk-1)中每个超像素Sl1边界上所有的像素k，找到与像素k相邻的(S0,S1,S2,…,Sk-1)中任一个超像素Sl2，分别计算像素k到超像素Sl1和超像素Sl2的不相，似度dkl1和dkl2：
如果dkl2<dkl1，将像素k重新分配给超像素Sl2；
如果dkl2≥dkl1，则不对像素k进行操作；
这种优化方法的作用是使颜色渐变区域的图像边界依附能力提高。
步骤四三：根据步骤四二设HSI颜色空间的分量H和分量S的取值范围分别是[0,Hmax]和[0,Smax]，将其分别平均分成50组，各得到50个bins：
式中，Hr、Sr为直方图分组中的一组，Smax、Hmax为正实数；
统计每个超像素Sl1在HSI颜色空间中分量H和分量S的直方图和
统计每个超像素Sl2在HSI颜色空间中分量H和分量S的直方图和
其中H(r)和S(r)分别表示像素k在颜色空间H，S上的颜色值，Zl1和Zl2是归一化系数，分别是超像素Sl1和Sl2中像素的个数；δ(·)是冲击函数，在像素k的颜色值落在直方图的第r组时返回1；同时也对超像素Sl1边界上的每个像素k计算直方图ΨHk(j)和ΨSk(j)：
易知这样得到的直方图形状是单个的柱形。我们希望重新分配超像素的边界后，每个超像素的直方图有更集中的分布。
遍历超像素(S0,S1,S2,…,Sk-1)中每个超像素Sl1边界上所有的像素k，找到与像素k相邻的(S0,S1,S2,…,Sk-1)中任一个超像素Sl2，分别计算像素k到超像素Sl1和超像素Sl2的不相似度dkl1和dkl2：
如果dkl2<dkl1，将像素k重新分配给超像素Sl2；
如果dkl2≥dkl1，则不对像素k进行操作。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述找到与像素k相邻的(S0,S1,S2,…,Sk-1)中任一个超像素Sl2，具体过程为：
超像素Sl2满足条件为：超像素Sl2满足存在Sl2边界上的顶点与顶点k相连结。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述步骤四一中计算像素k到位于超像素Sl1中心的像素m和位于超像素Sl2中心的像素n的距离dkm和dkn：具体过程为：
其中，像素k在(r,g,b)空间上表示为(rk,gk,bk)，像素m在(r,g,b)空间上表示为(rm,gm,bm)，像素n在(r,g,b)空间上表示为(rn,gn,bn)。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是：所述步骤四二中遍历每个超像素Sl1边界上所有的像素k，找到与像素k相邻的超像素Sl2，分别计算像素k到超像素Sl1和超像素Sl2的不相似度dkl1和dkl2：具体过程为
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九：本实施方式与具体实施方式一至八之一不同的是：所述步骤四三中遍历每个超像素Sl1边界上所有的像素k，找到与像素k相邻的超像素Sl2，分别计算像素k到超像素Sl1和超像素Sl2的不相似度dkl1和dkl2：具体过程为：
其它步骤及参数与具体实施方式一至八之一相同。
采用以下实施例验证本发明的有益效果：
实施例一：
本实施例一种基于图(Graph)模型的自然图像超像素分割方法具体是按照以下步骤制备的：
实验所用数据是伯克利数据集BSDS500的测试图像，大小为481×321，在图2a、图2b中显示了原始图像和真值图像，图3a是本发明方法的超像素分割结果，图3b是典型算法的超像素分割结果，图4是两种方法的分割结果的分割精度随超像素变化的曲线，针对伯克利数据集BSDS500中的一组图像数据进行了实验，当超像素数目为200时，本发明方法边界重现率为0.7，典型分割方法边界重现率为0.65；当超像素数目为500时，本发明方法边界重现率为0.8，典型分割方法边界重现率为0.72；当超像素数目为750时，本发明方法边界重现率为0.85，典型分割方法边界重现率为0.8；当超像素数目为1000时，本发明方法边界重现率为0.86，典型分割方法边界重现率为0.82；实验结果验证了本发明提出的基于图(Graph)模型的超像素分割方法的有效性；从曲线可以看出本发明提出的方法有着更高的精度。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种基于图模型的自然图像超像素分割方法，其特征在于：一种基于图模型的自然图像超像素分割方法具体是按照以下步骤进行的：
步骤一：将输入的自然图像映射为赋权图；
步骤二：输入期望生成的K个超像素数目，根据K个超像素数目对步骤一的赋权图进行均匀网格采样，得到K个超像素的初始位置，K取值为正整数；
步骤三：在步骤二得到的K个超像素的初始位置的基础上进行聚类，生成超像素；
步骤四：对步骤三生成的超像素的边界进行优化，得到超像素分割的结果；具体过程为：
步骤四一：遍历超像素(S0,S1,S2,…,SK-1)中每个超像素Sl1边界上所有的像素k，找到与像素k相邻的(S0,S1,S2,…,Sk-1)中任一个超像素Sl2，计算超像素Sl1与超像素Sl2中所有像素的位置值(x,y)的均值，得到超像素Sl1的中心像素m和超像素Sl2的中心像素n；分别计算像素k到位于超像素Sl1中心的像素m和位于超像素Sl2中心的像素n的距离dkm和dkn：
如果dkn＜dkm，将像素k重新分配给超像素Sl2；
如果dkn≥dkm的话，则不对像素k进行操作；
步骤四二：在步骤四一的基础上将每个像素k的RGB颜色值和在原始自然图像I中的空间位置(x,y)记为五维空间中的点(kr,kg,kb,kx,ky)；计算每个超像素Sl1中所有像素在(r,g,b,x,y)五维空间中的均值向量(rl1,gl1,bl1,xl1,yl1)，记|Sl1|为超像素Sl1中像素的数目，则(rl1,gl1,bl1,xl1,yl1)由下式计算：
计算每个超像素Sl2中所有像素在(r,g,b,x,y)五维空间中的均值向量(rl2,gl2,bl2,xl2,yl2)，记|Sl2|为超像素Sl2中像素的数目，则(rl2,gl2,bl2,xl2,yl2)由下式计算：
遍历超像素(S0,S1,S2,…,SK-1)中每个超像素Sl1边界上所有的像素k，找到与像素k相邻的(S0,S1,S2,…,Sk-1)中任一个超像素Sl2，分别计算像素k到超像素Sl1和超像素Sl2的不相似度dkl1和dkl2：
如果dkl2＜dkl1，将像素k重新分配给超像素Sl2；
如果dkl2≥dkl1，则不对像素k进行操作；
步骤四三：根据步骤四二设HSI颜色空间的分量H和分量S的取值范围分别是[0,Hmax]和[0,Smax]，将其分别平均分成50组，各得到50个bins：
式中，Hr、Sr为直方图分组中的一组，Smax、Hmax为正实数；
统计每个超像素Sl1在HSI颜色空间中分量H和分量S的直方图和
统计每个超像素Sl2在HSI颜色空间中分量H和分量S的直方图和
其中H(r)和S(r)分别表示像素k在颜色空间H，S上的颜色值，Zl1和Zl2是归一化系数，分别是超像素Sl1和Sl2中像素的个数；δ(·)是冲击函数，在像素k的颜色值落在直方图的第r组时返回1；同时也对超像素Sl1边界上的每个像素k计算直方图ΨHk(j)和ΨSk(j)；
遍历超像素(S0,S1,S2,…,SK-1)中每个超像素Sl1边界上所有的像素k，找到与像素k相邻的(S0,S1,S2,…,SK-1)中任一个超像素Sl2，分别计算像素k到超像素Sl1和超像素Sl2的不相似度dkl1和dkl2：
如果dkl2＜dkl1，将像素k重新分配给超像素Sl2；
如果dkl2≥dkl1，则不对像素k进行操作。
2.根据权利要求1所述一种基于图模型的自然图像超像素分割方法，其特征在于：所述步骤一中将输入的自然图像映射为赋权图；具体过程为：
对原始自然图像I进行高斯滤波，将进行高斯滤波后的原始自然图像I中的每个像素i映射为图G的顶点vi，得到顶点集V；i＝1,2，…N，N为原始图像I的总的像素个数，取值为正整数；
将图G中每个顶点vi都与其8邻域中顶点vj用边e(i,j)进行连接，得到图G的边集E，j＝1,2，…N；对E中的每条边e(i,j)赋权，赋权后边e(i,j)的权值记为w(i,j)，w(i,j)为vi与vj在(r,g,b)空间上的欧式距离dspectral与(x,y)空间上欧氏距离dspatial的加权和，公式为：
w(i,j)＝λ·dspectral+(1-λ)·dspatial
其中，λ是0到1之间的一个常数，记顶点vi在(r,g,b)空间上表示为(ri,gi,bi)，在(x,y)空间上表示为(xi,yi)；顶点vj在(r,g,b)空间上表示为(rj,gj,bj)，在(x,y)空间上表示为(xj,yj)；则dspectral和dspatial的定义由下式给出：
3.根据权利要求2所述一种基于图模型的自然图像超像素分割方法，其特征在于：所述步骤二中输入期望生成的超像素数目K个，根据超像素数目K个对步骤一的赋权图进行均匀网格采样，得到K个超像素的初始位置；具体过程为：
输入期望生成的超像素数目K个，对步骤一的赋权图用相隔s个像素的均匀网格进行采样，得到K个超像素的起始位置；网格间距K个超像素记为(C0,C1,C2,…,CK-1)；
其中，Cl是第l个超像素中所有像素组成的集合，0≤l≤K-1。
4.根据权利要求3所述一种基于图模型的自然图像超像素分割方法，其特征在于：所述步骤三中在步骤二得到的K个超像素的初始位置的基础上进行聚类，生成超像素；具体过程为：
步骤三一、遍历K个超像素(C0,C1,C2,…,CK-1)，每次从一个顶点vi在Cl中而另一个顶点vj不在Cl中的各条边中选择权值最小的边e(vi,vj)；
步骤三二、设定一个自适应阈值αl，当权值最小的边e(vi,vj)的权值w(vi,vj)大于αl时，拒绝将权值最小的边e(vi,vj)的顶点vj加入到Cl；
当权值最小的边e(vi,vj)的权值w(vi,vj)小于等于αl时，把权值最小的边e(vi,vj)的顶点vj加入到Cl中；
步骤三三、当遍历完K个超像素(C0,C1,C2,…,CK-1)后，K个超像素被更新为重复步骤三三直到每个超像素的大小都不再变化为止，生成超像素(S0,S1,S2,…,SK-1)；所述超像素的大小是指超像素里面顶点的个数。
5.根据权利要求4所述一种基于图模型的自然图像超像素分割方法，其特征在于：所述找到与像素k相邻的(S0,S1,S2,…,Sk-1)中任一个超像素Sl2，具体过程为：具体过程为：
超像素Sl2满足条件为：超像素Sl2满足存在Sl2边界上的顶点与顶点k相连结。
6.根据权利要求5所述一种基于图模型的自然图像超像素分割方法，其特征在于：所述步骤四一中计算像素k到位于超像素Sl1中心的像素m和位于超像素Sl2中心的像素n的距离dkm和dkn：具体过程为：
其中，像素k在(r,g,b)空间上表示为(rk,gk,bk)，像素m在(r,g,b)空间上表示为(rm,gm,bm)，像素n在(r,g,b)空间上表示为(rn,gn,bn)。
7.根据权利要求6所述一种基于图模型的自然图像超像素分割方法，其特征在于：所述步骤四二中遍历每个超像素Sl1边界上所有的像素k，找到与像素k相邻的超像素Sl2，分别计算像素k到超像素Sl1和超像素Sl2的不相似度dkl1和dkl2：具体过程为
8.根据权利要求7所述一种基于图模型的自然图像超像素分割方法，其特征在于：所述步骤四三中遍历每个超像素Sl1边界上所有的像素k，找到与像素k相邻的超像素Sl2，分别计算像素k到超像素Sl1和超像素Sl2的不相似度dkl1和dkl2：具体过程为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610464695.8A CN105913451B (zh) | 2016-06-23 | 2016-06-23 | 一种基于图模型的自然图像超像素分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610464695.8A CN105913451B (zh) | 2016-06-23 | 2016-06-23 | 一种基于图模型的自然图像超像素分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105913451A CN105913451A (zh) | 2016-08-31 |
| CN105913451B true CN105913451B (zh) | 2018-09-11 |
Family
ID=56759242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610464695.8A Active CN105913451B (zh) | 2016-06-23 | 2016-06-23 | 一种基于图模型的自然图像超像素分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105913451B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108198187A (zh) * | 2017-12-27 | 2018-06-22 | 中原工学院 | 基于图模型结构学习的图像分割方法 |
| CN108772841A (zh) * | 2018-05-30 | 2018-11-09 | 深圳市创艺工业技术有限公司 | 一种智能巡逻机器人 |
| CN110276777B (zh) * | 2019-06-26 | 2022-03-22 | 山东浪潮科学研究院有限公司 | 一种基于深度图学习的图像分割方法及装置 |
| CN110570352B (zh) * | 2019-08-26 | 2021-11-05 | 腾讯科技（深圳）有限公司 | 图像标注方法、装置、系统及细胞标注方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831594A (zh) * | 2011-04-29 | 2012-12-19 | 三菱电机株式会社 | 将图像分割成超像素的方法 |
| CN104143186A (zh) * | 2014-07-04 | 2014-11-12 | 华南理工大学 | 一种slic超像素分块优化方法 |
| TW201523517A (zh) * | 2013-11-19 | 2015-06-16 | Thomson Licensing | 產生超像素之方法及裝置 |
| US9111356B2 (en) * | 2012-01-20 | 2015-08-18 | Korea Advanced Institute Of Science And Technology | Image segmentation method using higher-order clustering, system for processing the same and recording medium for storing the same |
| CN105354599A (zh) * | 2015-11-25 | 2016-02-24 | 安徽创世科技有限公司 | 一种基于改进的slic超像素分割算法的颜色识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2523329A (en) * | 2014-02-20 | 2015-08-26 | Nokia Technologies Oy | Method, apparatus and computer program product for image segmentation |
-
2016
- 2016-06-23 CN CN201610464695.8A patent/CN105913451B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831594A (zh) * | 2011-04-29 | 2012-12-19 | 三菱电机株式会社 | 将图像分割成超像素的方法 |
| US9111356B2 (en) * | 2012-01-20 | 2015-08-18 | Korea Advanced Institute Of Science And Technology | Image segmentation method using higher-order clustering, system for processing the same and recording medium for storing the same |
| TW201523517A (zh) * | 2013-11-19 | 2015-06-16 | Thomson Licensing | 產生超像素之方法及裝置 |
| CN104143186A (zh) * | 2014-07-04 | 2014-11-12 | 华南理工大学 | 一种slic超像素分块优化方法 |
| CN105354599A (zh) * | 2015-11-25 | 2016-02-24 | 安徽创世科技有限公司 | 一种基于改进的slic超像素分割算法的颜色识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| Hybrid superpixel segmentation;Yuan Liu 等;《2015 International Conference on Image and Vision Computing New Zealand (IVCNZ)》;20151124;第1-6页 * |
| Interactive image segmentation based on superpixel grouping for mobile devices with touchscreen;Birinci 等;《2014 IEEE International Conference on Multimedia and Expo (ICME)》;20140718;第1-6页 * |
| 基于改进SLIC方法的彩色图像分割;张亚亚 等;《计算机工程》;20150430;第41卷(第4期);第205-209页 * |
| 基于超像素与特征改进的Grab cut前景分割;翟玲 等;《微型电脑应用》;20151120;第31卷(第1期);第48-50页 * |
| 基于超像素分割的图像去雾算法;郑良缘 等;《重庆理工大学学报(自然科学)》;20150630;第29卷(第6期);第100-106页 * |
| 超像素分割算法研究综述;王春瑶;《计算机应用研究》;20140131;第31卷(第1期);第6-12页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105913451A (zh) | 2016-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107767413B (zh) | 一种基于卷积神经网络的图像深度估计方法 | |
| CN109859190B (zh) | 一种基于深度学习的目标区域检测方法 | |
| CN106778821B (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
| CN110322453B (zh) | 基于位置注意力和辅助网络的3d点云语义分割方法 | |
| CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
| CN105913451B (zh) | 一种基于图模型的自然图像超像素分割方法 | |
| CN108647602B (zh) | 一种基于图像复杂度判定的航空遥感图像场景分类方法 | |
| CN106096655B (zh) | 一种基于卷积神经网络的光学遥感图像飞机检测方法 | |
| CN110659664B (zh) | 一种基于ssd的高精度识别小物体的方法 | |
| CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
| CN107784657A (zh) | 一种基于颜色空间分类的无人机遥感图像分割方法 | |
| CN110570363A (zh) | 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法 | |
| CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
| CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
| KR101618996B1 (ko) | 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치 | |
| CN112819096B (zh) | 一种基于复合卷积神经网络的化石图像分类模型的构建方法 | |
| CN105389821B (zh) | 一种基于云模型和图割相结合的医学图像分割方法 | |
| CN112800955A (zh) | 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统 | |
| CN110084284A (zh) | 基于区域卷积神经网络的目标检测与二级分类算法及装置 | |
| CN109636764A (zh) | 一种基于深度学习与显著性检测的图像风格转移方法 | |
| CN112949738A (zh) | 基于eecnn算法的多类不平衡高光谱图像分类方法 | |
| CN104036294A (zh) | 基于光谱标记的多光谱遥感图像自适应分类方法 | |
| CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
| CN113837191A (zh) | 基于双向无监督域适应融合的跨星遥感图像语义分割方法 | |
| CN113989631A (zh) | 一种基于卷积神经网络的红外图像目标检测网络压缩方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210115 Address after: Building 9, accelerator, 14955 Zhongyuan Avenue, Songbei District, Harbin City, Heilongjiang Province Patentee after: INDUSTRIAL TECHNOLOGY Research Institute OF HEILONGJIANG PROVINCE Address before: 150001 No. 92 West straight street, Nangang District, Heilongjiang, Harbin Patentee before: HARBIN INSTITUTE OF TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221117 Address after: 150027 Room 412, Unit 1, No. 14955, Zhongyuan Avenue, Building 9, Innovation and Entrepreneurship Plaza, Science and Technology Innovation City, Harbin Hi tech Industrial Development Zone, Heilongjiang Province Patentee after: Heilongjiang Industrial Technology Research Institute Asset Management Co.,Ltd. Address before: Building 9, accelerator, 14955 Zhongyuan Avenue, Songbei District, Harbin City, Heilongjiang Province Patentee before: INDUSTRIAL TECHNOLOGY Research Institute OF HEILONGJIANG PROVINCE |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230103 Address after: Room 111-096, Floor 1, Building 2, Science and Innovation Headquarters, Shenzhen (Harbin) Industrial Park, No. 288, Zhigu Street, Songbei District, Harbin, 150000, Heilongjiang Patentee after: Tiananma Technology (Heilongjiang) Co.,Ltd. Address before: 150027 Room 412, Unit 1, No. 14955, Zhongyuan Avenue, Building 9, Innovation and Entrepreneurship Plaza, Science and Technology Innovation City, Harbin Hi tech Industrial Development Zone, Heilongjiang Province Patentee before: Heilongjiang Industrial Technology Research Institute Asset Management Co.,Ltd. |
|
| TR01 | Transfer of patent right |