CN106296704A - 通用型图像分割方法 - Google Patents
通用型图像分割方法 Download PDFInfo
- Publication number
- CN106296704A CN106296704A CN201610676475.1A CN201610676475A CN106296704A CN 106296704 A CN106296704 A CN 106296704A CN 201610676475 A CN201610676475 A CN 201610676475A CN 106296704 A CN106296704 A CN 106296704A
- Authority
- CN
- China
- Prior art keywords
- characteristic value
- pixel
- segmentation
- image
- sequence
- 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 78
- 238000005192 partition Methods 0.000 title abstract 2
- 230000011218 segmentation Effects 0.000 claims abstract description 161
- 239000002096 quantum dot Substances 0.000 claims abstract description 49
- 238000003709 image segmentation Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 230000035945 sensitivity Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 23
- 239000012634 fragment Substances 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000010008 shearing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 238000002945 steepest descent method Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000005281 excited state Effects 0.000 claims description 3
- 230000005283 ground state Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 48
- 230000000694 effects Effects 0.000 description 11
- 239000002131 composite material Substances 0.000 description 9
- 235000009508 confectionery Nutrition 0.000 description 8
- 230000007547 defect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000013467 fragmentation Methods 0.000 description 4
- 238000006062 fragmentation reaction Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种通用型图像分割方法，该方法将图像分割问题看作量子系统演化问题，通过将图像的每个像素与一个量子位系统相对应，将量子动力学演化机制引入到图像分割中。通过对像素特征值进行一系列处理，快速建立像素特征值与支配量子位演化的哈密顿算子之间的最佳函数关系。然后通过每个像素的特征值构造支配该像素量子位演化的哈密顿算子，并将哈密顿算子作用到像素量子位，得到其最终稳定量子态，再对每个像素量子位的最终稳定态执行阈值判断，得到每个像素的像素类别，进而得到最终分割结果。该方法可以快速、准确的分割不同类型的对象，并在噪声干扰环境中仍能保持优秀的性能；该方法适用于单一或批量相似图片的处理，如连续的医学影像或监控视频等。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种通用型图像分割方法。
背景技术
图像分割是图像处理领域和计算机视觉中的一个基本而关键的问题。它是将图像分成各具特性的区域并将人们感兴趣的目标(或运动目标)提取出来的过程，可为后续的分析、理解、分类、跟踪、识别、处理等提供基础。图像分割在生物医学图像分析、图像编码、军事目标识别、文档图像处理、指纹与印章鉴定、手写体识别、实时监控系统和视频传输等领域应用非常广泛。作为由图像处理到图像分析的关键步骤，图像分割不仅得到了人们的广泛重视，也在实际中得到了大量的应用。
图像分割多年来一直得到人们的高度重视，20世纪就已经提出了上千种不同类型的分割算法。目前主流研究的图像分割方法有：(1)基于阈值的分割方法：阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。该方法特点是计算简单，具有较高的运算效率，缺点是只适用目标区域与背景灰度值相差大的图像，且识别效果差；(2)基于边缘的分割方法：基于边缘的分割技术主要基于图像灰度级的不连续性，通过检测不同均匀区域之间的边界来实现对图像的分割。该方法的特点是运算速度快，具有一定的准确性，缺点是只能在识别灰度值变化大的图像才能保持较高的准确率；(3)基于区域的分割方法：此方法主要是将图像按照相似性准则分成不同区域，其特点是可以处理大部分纹理清晰的图像，效果稳定，缺点是算法复杂，计算时间长，抗噪声能力差，容易造成过度分割；(4)基于图论的分割方法：该方法的本质就是移除特定的边，将图划分为若干子图从而实现分割。该方法的优点是对于目标区域之间性质差异较大的图像处理准确度高，缺点是算法复杂，处理大尺寸图像时，运算时间极长；(5)基于能量泛函的分割方法：其基本思想是使用连续曲线来表达目标边缘，并定义一个能量泛函使得其自变量包括边缘曲线，因此分割过程就转变为求解能量泛函的最小值的过程，一般可通过求解函数对应的欧拉方程来实现，能量达到最小时的曲线位置就是目标的轮廓所在。该方法的优点是可以得到连续的边界轮廓，具有一定的准确性和稳定性，缺点是对初始轮廓较为敏感，如果初始轮廓选取不合适则会影响图像的分割效果甚至造成分割失败，且在分割前需要人为的设置许多模型参数，计算量较大，分割速度较慢等。
从上述的比较可以发现，目前传统的图像分割算法中，尚缺少解决多种对象分割问题的通用型算法，且大部分算法不能做到精确性与快速性兼得，精确性稍微好一点的算法，如归一化算法，计算时间都是非常长的，特别是处理大尺寸的图像的情况下。而快速性强的算法，如阈值分割法等对于噪声的抗干扰能力非常差的。所以精确性、快速性、抗噪声、通用性这几个指标的提升一直是目前传统图像分割算法的研究难点。
发明内容
本发明的目的是提供一种通用型图像分割方法，可以快速、准确的分割不同类型的对象，并在噪声干扰环境中仍能保持优秀的性能；该方法适用于单一或批量相似图片的处理，如连续的医学影像或监控视频等。
本发明的目的是通过以下技术方案实现的：
一种通用型图像分割方法，包括：
将待分割处理图片转化为灰度图像；
从灰度图像中随机挑选N块图像块组成碎片化的学习模块，并制作学习模块的标准分割参照图；其中，学习模块的大小不超过灰度图像的预定百分比；
根据选取的最佳特征值提取方案，提取学习模块中所有像素的特征值，得到特征值序列，并且提取标准分割参照图中每个像素的类别，得到与特征值序列相对应的标准分割参照序列；
采用预定的方式分别对特征值序列及标准分割参照序列进行处理后，对特征值序列中的任一个像素特征值X，随机分配一组多项式f(X)的初始系数作为哈密顿算子的常数系数；并根据处理后的特征值序列与标准分割参照序列构造以灵敏度和特异度为变量的总误差函数，通过最速下降法，计算哈密顿算子的常数系数的最佳多项式系数，从而得到哈密顿算子的通用形式；
利用哈密顿算子的通用形式并结合量子机制对学习模板进行分割测试，再计算本次分割测试的灵敏度与特异度；
若本次分割测试的灵敏度与特异度均合格，则利用哈密顿算子的通用形式并结合量子机制对所述待分割处理图片进行分割。
所述学习模块大小不超过灰度图像的10％；若灰度图像的尺寸小于预定值，则N＝1，若灰度图像的尺寸大于预定值，则N≥2。
所述标准分割参照图格式是0-1逻辑图像，其大小与学习模块完全一致；标准分割参照图上类别为1的像素点表示在学习模块上相同位置的像素点属于前景类像素；标准分割参照图上类别为0的像素点表示学习模块上相同位置的像素点属于背景类像素。
该方法还包括选取最佳特征值提取方案，其步骤包括：
随机选择m种类别的特征值，特征值的类别包括：像素灰度值、中值、平均值与图像纹理特征；
利用学习模块及其标准分割参照图分别对m种类别的特征值进行测试，计算每种类别特征值在不同大小提取模板的情况下，单独作为提取方案时候的满意度S：a、对于每一种类别的特征值，均利用相应的特征值提取方案提取学习模块所有像素的特征值，得特征值序列；b、提取标准分割参照图中每个像素的类别，得到与特征值序列相对应的标准分割参照序列，其中，所述标准分割参照图中像素的类别包括0与1，像素的类别为0表示背景类像素，像素的类别为1表示前景类像素；c、将特征值序列从小到大进行排序，并根据特征值序列的变动改变标准分割参照序列的顺序；d、统计特征值序列中对应背景或前景类像素的百分比不低于W的相同特征值片段，再统计这些相同特征值片段的特征值总量，并计算这些特征值总量占特征值总量的百分比，计算到的百分比即为满意度S；
根据满意度S的大小找到每种类别特征值最优的提取模板，最终得到m种类别特征值的最优提取模板；
m种类别的特征值在其最优提取模板的情况下，能够通过不同的权重比系数组合成一种新的特征值，通过数学迭代的方法，寻找到使满意度达到最高的特征值类别最佳权重比系数，利用最佳权重比系数，得到最佳特征值提取方案。
采用预定的方式分别对特征值序列及标准分割参照序列进行处理包括：
排序处理：将特征值序列从小到大进行排序，并根据特征值序列的变动改变标准分割参照序列的顺序；
纠错处理：分别判断排序后的特征值序列中每个相同特征值片段中属于前景类像素的比例是否超过50％，若超过50％，则将相应的特征值片段所对应的标准分割参照序列片段值全部改为1，以表示对应前景类像素；否则改为0，以表示对应着背景类像素；
第一次预处理：对纠错后的特征值序列进行预处理，以剔除重复特征值保留互不相同的特征值，并同步处理改变顺序后的标准分割参照序列；
第二次预处理：将第一次预处理后的特征值序列划分成特征值片段，每个特征值片段中的特征值都是相连的，且在标准分割参照序列中对应着相同的像素类别；每个特征值片段只保留段首的特征值作为起点，下一段特征值片段段首的特征值作为特征值片段的终点；第一段特征值片段没有起点，最后一段特征值片段没有终点；
剪切处理：若第二次预处理后特征值序列中某个特征值的值既小于前一个特征值加剪切精度指标R，又大于后一个特征值减去剪切精度指标R，则判断该特征值为错误分类特征值，做剔除处理，并同步剔除错误特征值在标准分割参照序列中对应的值。
所述随机分配一组多项式f(X)的初始系数包括：
设置多项式f(X)的多项式阶次n，使得：
f(X)＝AnXn+An-1Xn-1+…+A1X1+A0；
其中的{A0,A1,...,An}为随机分配的多项式f(X)的初始系数。
所述根据处理后的特征值序列与标准分割参照序列构造以灵敏度和特异度为变量的总误差函数，通过最速下降法，计算哈密顿算子的常数系数的最佳多项式系数包括：
a、构造灵敏度和特异度为变量的总误差函数：
T＝(|100-sensitivity|+|100-specificity|)*10；
令，灵敏度sensitivity为0，特异度specificity为0，得到总误差函数T的初始值；
b、以随机分配的多项式f(X)的初始系数作为初始点x1，给定精度要求ε>0，令k＝1记录迭代步数；
c、以当前的xk设计哈密顿算子的通用形式；
d、将学习模板的每个像素分别与一个双态量子系统建立联系，并将每个像素对应的量子位初始化为|0>态，分别提取每个像素的特征值，判别每个像素特征值所属的特征值片段，然后根据该特征值片段的段首特征值并结合所设计的哈密顿算子的通用形式，来构造控制该像素量子位演化的哈密顿算子，再分别对每个像素量子位进行演化，得到每个像素量子位的最终稳定状态；其中，若该特征值片段为第一个特征值片段，则采用该特征值片段的中值；
e、对所有学习模板的像素量子位最终状态执行阈值判断，得到每个像素所属的像素类别；然后计算本次分割的灵敏度和特异度，进而得到本次的总误差函数T；
f、若误差函数的梯度满足则迭代终止，此时取x*＝xk，并转入步骤h；其中，是梯度算符；
g、否则，在xk处沿误差函数T的负梯度方向做线性搜索得到xk+1＝xk+akdk，并令k＝k+1转入步骤c；其中，ak为第k次迭代的步长；
h、得到最佳多项式系数x*，结束计算。
所述哈密顿算子的通用形式表示为：
其中，为约化普朗克常数，i表示虚数单位，e-t指以自然常数e为底、以时间t为变量的指数函数。
对学习模板进行分割测试，与对所述待分割处理图片进行分割的过程一致，其包括：
将学习模板或者待分割处理图片的每个像素分别与一个双态量子系统建立联系，并将每个像素对应的量子位初始化为|0>态，分别提取每个像素的特征值，判别每个像素特征值所属的特征值片段，然后根据该特征值片段的段首特征值并结合哈密顿算子的通用形式，来构造控制该像素量子位演化的哈密顿算子，再分别对每个像素量子位进行演化，得到每个像素量子位的最终稳定状态；其中，若该特征值片段为第一个特征值片段，则采用该特征值片段的中值；
对所有学习模板或者待分割处理图片的像素量子位最终状态执行阈值判断，得到每个像素所属的像素类别，即完成学习模板的分割测试或者完成待分割处理图片的分割操作。
所述对所有学习模板的像素量子位最终状态执行阈值判断，得到每个像素所属的像素类别包括：
像素量子位的最终状态对应矢量[a b]T，其中a，b分别表示像素量子位系统处在基态和激发态上的概率；阈值设为D；若b>D，就是|1>态，表示前景类像素；若b≤D，就是|0>态，表示背景类像素。
由上述本发明提供的技术方案可以看出，1)通过将图像的每个像素与一个量子位系统相对应，将量子动力学演化机制引入到图像分割中，克服了传统分割算法难以精确到像素点分割的缺点，从而有效提升图像分割的准确率。2)通过对像素特征值进行一系列处理，快速建立像素特征值与支配量子位演化的哈密顿算子之间的最佳函数拟合关系，克服了监督学习类分割算法在处理较大训练集时，运行速度慢的缺点，从而有效提升了图像分割的快速性。3)对于不同的分割对象，可根据满意度等指标，自动选择最优的图像特征提取方案，通过引入这样的自适应机制，对于不同的对象均可保持稳定、高效、优异的分割效果，甚至是在噪声干扰的环境里也可保持优秀的处理性能，这在一定程度上降低了对操作者的经验要求及该算法的使用门槛。此外，仿真结果表明，本方案可以有效应用于不同对象的图像分割，且在噪声干扰的环境中也可以对目标做到精确定位，有利于提高目前目标识别和医学影像诊断的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种通用型图像分割方法的流程图；
图2为本发明实施例提供的一种通用型图像分割方法的流程图；
图3为本发明实施例提供的针对合成图像Image1多种分割结果示意图；
图4为本发明实施例提供的针对合成图像Image2多种分割结果示意图；
图5为本发明实施例提供的针对合成图像Image3多种分割结果示意图；
图6为本发明实施例提供的针对合成图像Image4多种分割结果示意图；
图7为本发明实施例提供的针对合成图像Image5多种分割结果示意图；
图8为本发明实施例提供的针对合成图像Image6多种分割结果示意图；
图9为本发明实施例提供的针对自然图像Image7多种分割结果示意图；
图10为本发明实施例提供的针对自然图像Image8多种分割结果示意图。
具体实施方式
下面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，都属于本发明的保护范围。
本发明实施例提供一种通用型图像分割方法，该方法将图像分割问题看作量子系统演化问题，通过将图像的每个像素与一个量子位系统相对应，将量子动力学演化机制引入到图像分割中。通过对像素特征值进行一系列处理，快速建立像素特征值与支配量子位演化的哈密顿算子之间的最佳函数关系。然后通过每个像素的特征值构造支配该像素量子位演化的哈密顿算子，并将哈密顿算子作用到像素量子位，得到其最终稳定量子态，再对每个像素量子位的最终稳定态执行阈值判断，得到每个像素的像素类别，进而得到最终分割结果。
如图1所示，该方法主要包括：
步骤11、将待分割处理图片转化为灰度图像。
步骤12、从灰度图像中随机挑选N块图像块组成碎片化的学习模块，并制作学习模块的标准分割参照图；其中，学习模块的大小不超过灰度图像的预定百分比。
步骤13、根据选取的最佳特征值提取方案，提取学习模块中所有像素的特征值，得到特征值序列，并且提取标准分割参照图中每个像素的类别，得到与特征值序列相对应的标准分割参照序列。
步骤14、采用预定的方式分别对特征值序列及标准分割参照序列进行处理后，对特征值序列中的任一个像素特征值X，随机分配一组多项式f(X)的初始系数作为哈密顿算子的常数系数；并根据处理后的特征值序列与标准分割参照序列构造以灵敏度和特异度为变量的总误差函数，通过最速下降法，计算哈密顿算子的常数系数的最佳多项式系数，从而得到哈密顿算子的通用形式。
步骤15、利用哈密顿算子的通用形式并结合量子机制对学习模板进行分割测试，再计算本次分割测试的灵敏度与特异度。
步骤16、若本次分割测试的灵敏度与特异度均合格，则利用哈密顿算子的通用形式并结合量子机制对所述待分割处理图片进行分割。
本发明实施例的上述方案，可以快速、准确的分割不同类型的对象，并在噪声干扰环境中仍能保持优秀的性能，其适用于单一或批量相似图片的处理，如连续的医学影像或监控视频等。
为了便于理解，下面结合附图2对本发明做详细的说明。
如图2所示，其描述了本发明实施例提供的通用型图像分割方法的全部步骤，各个步骤详细过程如下：
1、将待分割处理图片转化为灰度图像，进行初步的处理。
转化为灰度图像的目的是去掉对感知不重要的细节，降低图像分割的计算量，转化为灰度图像后，再进行直方图均衡化增强处理，以增加图像的对比度。
2、制作碎片化的学习模块
在灰度图像中随机挑选N块图像块组成碎片化的学习模块，采用碎片化和随机的方式挑选学习模块，可以充分照顾到图像中各种细节的差异性。
本发明实施例中，根据分割精度的实际需要，确定学习模板需要占据总图片的比例。比例越大，学习模板越大，图像分割精度越高，但是计算量也会随之大幅度增加。原则上，学习模板的大小不宜超过总图片的10％。
同时，还根据待分割处理图片的大小以及目标分割对象的复杂程度来确定学习模板的碎片化程度(即确定N的大小)。对于小尺寸图片(尺寸小于预定值)，可以就选择一块(即N＝1)，对于大尺寸图片(尺寸大于预定值)，可以选择多块碎片(N≥2)。
此外，根据学习模板的大小以及其碎片化的程度(N值)，可以确定每个学习模板碎片的大小。将碎片的形状设为矩形(长、宽可以根据需要改变)，然后通过随机选取，在待分割图片上选取N个点，然后将这N个点作为N个矩形学习模板碎片的起点(起点可以设为矩形图块的左上角第一个点，也可以设为矩形图块上任意一个点)。由此可以得到N个图块，这些图块的集合就是学习模板。
3、制作学习模块的标准分割参照图。
采用人工识别或其他有效方式相结合的方式将学习模板中的需要分割的对象精确的分割出来，得到学习模块的标准分割参照图。所述标准分割参照图格式是0-1逻辑图像，其大小与学习模块完全一致；标准分割参照图上类别为1的像素点表示在学习模块上相同位置的像素点属于前景类像素；标准分割参照图上类别为0的像素点表示学习模块上相同位置的像素点属于背景类像素。学习模块和标准分割参照图将作为本方法监督学习部分的训练集，使本方法对于不同对象都可以做到精确分割的通用性得到保证。
4、选择合适的特征值提取方案。
1)随机选择m种类别的特征值，特征值的类别包括：像素灰度值、中值、平均值与图像纹理特征等；m是一个用户根据需要自己选的指标。
2)利用学习模块及其标准分割参照图分别对m种类别的特征值进行测试，计算每种类别特征值在不同大小提取模板的情况下，单独作为提取方案时候的满意度S：a、对于每一种类别的特征值，均利用相应的特征值提取方案提取学习模块所有像素的特征值，得特征值序列；b、提取标准分割参照图中每个像素的类别，得到与特征值序列相对应的标准分割参照序列，其中，所述标准分割参照图中像素的类别包括0与1，像素的类别为0表示背景类像素，像素的类别为1表示前景类像素；c、将特征值序列从小到大进行排序，并根据特征值序列的变动改变标准分割参照序列的顺序；d、统计特征值序列中对应背景或前景类像素的百分比不低于W的相同特征值片段，再统计这些相同特征值片段的特征值总量，并计算这些特征值总量占特征值总量的百分比，计算到的百分比即为满意度S；其中W是一个可以根据需要变动的指标。
3)根据满意度S的大小找到每种类别特征值最优的提取模板(如7X7大小的中值模板可能比3X3大小的中值模板提取效果要好)，最终得到m种类别特征值的最优提取模板。
4)m种类别的特征值在其最优提取模板的情况下，能够通过不同的权重比系数组合成一种新的特征值，通过数学迭代的方法，寻找到使满意度达到最高的特征值类别最佳权重比系数，利用最佳权重比系数，得到最佳特征值提取方案。
5、计算最佳特征值提取方案下的满意度S。判断满意度是否大于一个事先规定的指标，如果大于则表示合格，继续步骤6；小于表示不合格，回到步骤4。
6、进行特征值序列纠错。
1)纠错之前需要进行排序处理：将特征值序列从小到大进行排序，并根据特征值序列的变动改变标准分割参照序列的顺序。
2)分别判断排序后的特征值序列中每个相同特征值片段中属于前景类像素的比例是否超过50％，若超过50％，则将相应的特征值片段所对应的标准分割参照序列片段值全部改为1，以表示对应前景类像素；否则改为0，以表示对应着背景类像素；
7、第一次预处理。
对纠错后的特征值序列进行预处理，以剔除重复特征值保留互不相同的特征值，并同步处理改变顺序后的标准分割参照序列。
8、第二次预处理。
将第一次预处理后的特征值序列划分成特征值片段，每个特征值片段中的特征值都是相连的，且在标准分割参照序列中对应着相同的像素类别；每个特征值片段只保留段首的特征值作为起点，下一段特征值片段段首的特征值作为特征值片段的终点；第一段特征值片段没有起点，最后一段特征值片段没有终点。
9、剪切处理。
若第二次预处理后特征值序列中某个特征值的值既小于前一个特征值加剪切精度指标R，又大于后一个特征值减去剪切精度指标R，则判断该特征值为错误分类特征值，做剔除处理，并同步剔除错误特征值在标准分割参照序列中对应的值。
10、随机分配一组多项式f(X)的初始系数作为哈密顿算子的常数系数。
根据需要设置多项式f(X)的多项式阶次n，使得：
f(X)＝AnXn+An-1Xn-1+…+A1X1+A0；
其中，{A0,A1,...,An}为随机分配的多项式f(X)的初始系数，X为实数域内取值的某一图像像素特征值，X1～Xn表示X的1～n次幂。
11、计算哈密顿算子的常数系数的最佳多项式系数。
a、构造灵敏度和特异度为变量的总误差函数：
T＝(|100-sensitivity|+|100-specificity|)*10；
令，灵敏度sensitivity为0，特异度specificity为0，得到总误差函数T的初始值；
b、以随机分配的多项式f(X)的初始系数作为初始点x1(即将初始系数{A0,A1,...,An}构成的列矢量作为x1)，给定精度要求ε>0，令k＝1记录迭代步数；
c、以当前的xk设计哈密顿算子的通用形式；
d、将学习模板的每个像素分别与一个双态量子系统建立联系，并将每个像素对应的量子位初始化为|0>态，分别提取每个像素的特征值，判别每个像素特征值所属的特征值片段，然后根据该特征值片段的段首特征值(第一个特征值片段采用片段的中值)并结合所设计的哈密顿算子的通用形式，来构造控制该像素量子位演化的哈密顿算子，再分别对每个像素量子位进行演化，得到每个像素量子位的最终稳定状态；
e、对所有学习模板的像素量子位最终状态执行阈值判断，得到每个像素所属的像素类别；然后计算本次分割的灵敏度和特异度，进而得到本次的总误差函数T；
f、若误差函数的梯度满足则迭代终止，此时取x*＝xk，并转入步骤h；其中，是梯度算符；
g、否则，在xk处沿误差函数T的负梯度方向做线性搜索得到xk+1＝xk+akdk，并令k＝k+1转入步骤c；其中，ak为第k次迭代的步长；
h、得到最佳多项式系数x*，结束计算。
12、利用最佳多项式系数的设计哈密顿算子的通用形式。
将最佳多项式系数x*带入到f(X)中，再将f(X)带入到哈密顿算子，得到哈密顿算子的通用形式：
其中，为约化普朗克常数，i表示虚数单位，e-t指以自然常数e为底、以时间t为变量的指数函数。
这种形式的哈密顿算子可以使任何像素的量子态的最终状态都可以演化到稳定状态，十分便于阈值判断。
13、利用哈密顿算子的通用形式并结合量子机制对学习模板进行分割测试。
分割测试的过程与前文步骤11中的d～e过程类似，即：
将学习模板的每个像素分别与一个双态量子系统建立联系，并将每个像素对应的量子位初始化为|0>态，分别提取每个像素的特征值，判别每个像素特征值所属的特征值片段，然后根据该特征值片段的段首特征值并结合哈密顿算子的通用形式，来构造控制该像素量子位演化的哈密顿算子，再分别对每个像素量子位进行演化，得到每个像素量子位的最终稳定状态；其中，若该特征值片段为第一个特征值片段，则采用该特征值片段的中值；
对所有学习模板的像素量子位最终状态执行阈值判断，得到每个像素所属的像素类别，即完成学习模板的分割测试。
示例性的，像素量子位的最终状态对应矢量[a b]T，其中a，b分别表示像素量子位系统处在基态和激发态上的概率；阈值设为D(例如，D＝0.5)；若b>D，就是|1态，表示前景类像素；若b≤D，就是|0>态，表示背景类像素。
14、评估分割测试的结果。
1)计算分割测试的灵敏度和特异度：利用标准分割参照图，统计分割结果中，正确分类的前景类像素占前景类像素总数目的百分比(即灵敏度)，正确分类的背景类像素占背景类像素总数目的百分比(即特异度)。
2)如果灵敏度和特异度分别大于设定的指标S1和S2，则表示指标合格，可以进行下一步，若不合格回到步骤10。
15、对待分割处理图片进行分割操作。
该过程与前文的分割测试过程一致，具体为：
将待分割处理图片的每个像素分别与一个双态量子系统建立联系，并将每个像素对应的量子位初始化为|0>态，分别提取每个像素的特征值，判别每个像素特征值所属的特征值片段，然后根据该特征值片段的段首特征值并结合哈密顿算子的通用形式，来构造控制该像素量子位演化的哈密顿算子，再分别对每个像素量子位进行演化，得到每个像素量子位的最终稳定状态；其中，若该特征值片段为第一个特征值片段，则采用该特征值片段的中值；
对所有待分割处理图片的像素量子位最终状态执行阈值判断，得到每个像素所属的像素类别，以图像的形式输出，即完成了图像分割操作。
本发明实施例的上述方案相对于现有技术主要具有如下优点：
1)通过将图像的每个像素与一个量子位系统相对应，将量子动力学演化机制引入到图像分割中，克服了传统分割算法难以精确到像素点分割的缺点，从而有效提升图像分割的准确率。
2)通过对像素特征值进行一系列处理，快速建立像素特征值与支配量子位演化的哈密顿算子之间的最佳函数拟合关系，克服了监督学习类分割算法在处理较大训练集时，运行速度慢的缺点，从而有效提升了图像分割的快速性。
3)对于不同的分割对象，可根据满意度等指标，自动选择最优的图像特征提取方案，通过引入这样的自适应机制，对于不同的对象均可保持稳定、高效、优异的分割效果，甚至是在噪声干扰的环境里也可保持优秀的处理性能，这在一定程度上降低了对操作者的经验要求及该算法的使用门槛。
为了说明本发明上述实施例的效果，下面通过仿真实验做进一步说明。
1、仿真内容：将本发明分割方法与基于边缘检测的Candy算法，和基于图论的Meanshift算法以及基于能量泛函的主动轮廓算法，分别针对两级灰度图像、三级灰度图像、梯度图像、叠加了均值0.1高斯噪声的两级灰度图像、叠加了均值0.5高斯噪声的两级灰度图像分割仿真结果、叠加了均值0.3高斯噪声、自然图像(花)、自然图像(鸟)的分割性能进行了比较。
2、仿真参数设置：本发明量子分割算法参数设置为：学习模块的碎片数N＝1，特征值种类数m＝2，特征值纠正处理的指标T＝90％，特征值剪切处理的精度R＝2，多项式函数f(X)的阶次n＝8，满意度合格指标M＝90％，灵敏度、特异度合格指标S1＝90％，S2＝90％，选定的阈值条件为0.5。
3、仿真结果：
(1)合成图片图像分割的仿真结果
为了验证新方法的有效性，对六幅合成图像进行了测试。Image1是一幅381×389的灰度图，它包含两种灰度特征，如图3(a)所示，图3(b)给出了Image1的理想分割结果。Image2包含了三种灰度特征，图4(a)和图4(b)分别代表了Image2的原始图像和理想分割结果。Image3包含了梯度图像特征，图5(a)和5(b)分别代表Image3的原始图像和理想分割结果。Image4属于均值0.1高斯噪声干扰下的双灰度特征图，图6(a)和6(b)分别代Image4的原始图像和理想分割结果。Image5属于均值0.5高斯噪声干扰下的两级灰度特征图，图7(a)和7(b)分别代Image5的原始图像和理想分割结果。Image6属于均值0.3高斯噪声干扰下的三级灰度特征图，图8(a)和8(b)分别代Image6的原始图像和理想分割结果。图3～图8中的(c)～(f)分别是基于量子分割算法，candy算法，主动轮廓法和meanshift方法四种算法针对六幅合成图像的分割结果。
表1四种算法对于所有仿真图像的分割结果
针对Image1的分割结果，可以发现Image1具有锐利的边缘特征，量子分割算法的灵敏度和特异度为100％，这表示该算法可以完全捕获了对象。而candy算法、主动轮廓法、meanshift算法的总体表现也可以，但是并没有达到完美。
针对灰度复杂性增加了的Image2分割结果，可以发现量子分割算法仍然可以做到精确完美分割，其灵敏度和特异度都达到了100％。meanshift算法的特异度指标几近100％，表示其可以完美的捕获背景类像素，但是灵敏度稍逊，没有达到100％。而主动轮廓法和candy算法的处理效果较差，灵敏度都没有到70％，表示其几乎没有捕获到前景对象。
针对具有灰度值梯度下降特征的Image3分割结果，量子分割算法的灵敏度和特异度分别达到了100％和99.5％，表明量子分割算法对于梯度图像仍然具有优秀的分割效果。主动轮廓法的灵敏度为100％，但是特异度为91.2％，表示其出现了过分割现象。Meanshift算法灵敏度、特异度分别为99.98％和99.98％，其分割效果尚可。Candy算法的灵敏度和特异度都大于98％，表明candy算法的分割效果尚可。
针对添加了噪声干扰的Image4、Image5、Image6分割结果，我们可以发现量子分割算法的灵敏度和特异度仍然保持着高水准，表示量子分割算法拥有极强的抗噪声干扰能力。其他三种算法的抗噪声干扰能力并不稳定，总体表现较差，如主动轮廓算法如对Image5的灵敏度为99.31％，但是对Image6的灵敏度跌到4.33％。
(2)自然图像分割的仿真结果
为了进一步验证新方法的有效性，对两幅自然图像进行了测试。
Image7是一幅426×320的灰度图，如图9(a)所示，里面含有花、树叶等多个复杂的对象，图9(a)和图9(b)分别代表了Image7的原始图像和理想分割结果。Image8是一幅426×284的灰度图，如图10(a)所示，里面含有鸟头部、羽毛、嘴、背景等多个复杂对象，图10(a)和图10(b)分别代表了Image8的原始图像和理想分割结果。图9～图10中的(c)～(f)分别是基于量子分割算法，candy算法，主动轮廓法和meanshift方法四种算法针对两幅自然图像的分割结果。
针对Image7、Image8分割结果来看，Candy算法和主动轮廓法对于Image7的灵敏度均低于95％，其中一个甚至低于80％，表明其在复杂环境中捕捉对象的能力弱或不稳定。Meanshift算法对于Image7的特异度低于98％，表示在算法在复杂环境中过分割现象较严重。最后我们可以发现量子分割算法的性能十分稳定，对于两幅图片处理的灵敏度。特异度均保持在98％以上。表明在复杂的环境中仍能对对象做到稳定、精准的分割。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (10)
1.一种通用型图像分割方法，其特征在于，包括：
将待分割处理图片转化为灰度图像；
从灰度图像中随机挑选N块图像块组成碎片化的学习模块，并制作学习模块的标准分割参照图；其中，学习模块的大小不超过灰度图像的预定百分比；
根据选取的最佳特征值提取方案，提取学习模块中所有像素的特征值，得到特征值序列，并且提取标准分割参照图中每个像素的类别，得到与特征值序列相对应的标准分割参照序列；
采用预定的方式分别对特征值序列及标准分割参照序列进行处理后，对特征值序列中的任一个像素特征值X，随机分配一组多项式f(X)的初始系数作为哈密顿算子的常数系数；并根据处理后的特征值序列与标准分割参照序列构造以灵敏度和特异度为变量的总误差函数，通过最速下降法，计算哈密顿算子的常数系数的最佳多项式系数，从而得到哈密顿算子的通用形式；
利用哈密顿算子的通用形式并结合量子机制对学习模板进行分割测试，再计算本次分割测试的灵敏度与特异度；
若本次分割测试的灵敏度与特异度均合格，则利用哈密顿算子的通用形式并结合量子机制对所述待分割处理图片进行分割。
2.根据权利要求1所述的一种通用型图像分割方法，其特征在于，所述学习模块大小不超过灰度图像的10％；若灰度图像的尺寸小于预定值，则N＝1，若灰度图像的尺寸大于预定值，则N≥2。
3.根据权利要求1所述的一种通用型图像分割方法，其特征在于，所述标准分割参照图格式是0-1逻辑图像，其大小与学习模块完全一致；标准分割参照图上类别为1的像素点表示在学习模块上相同位置的像素点属于前景类像素；标准分割参照图上类别为0的像素点表示学习模块上相同位置的像素点属于背景类像素。
4.根据权利要求1所述的一种通用型图像分割方法，其特征在于，该方法还包括选取最佳特征值提取方案，其步骤包括：
随机选择m种类别的特征值，特征值的类别包括：像素灰度值、中值、平均值与图像纹理特征；
利用学习模块及其标准分割参照图分别对m种类别的特征值进行测试，计算每种类别特征值在不同大小提取模板的情况下，单独作为提取方案时候的满意度S：a、对于每一种类别的特征值，均利用相应的特征值提取方案提取学习模块所有像素的特征值，得特征值序列；b、提取标准分割参照图中每个像素的类别，得到与特征值序列相对应的标准分割参照序列，其中，所述标准分割参照图中像素的类别包括0与1，像素的类别为0表示背景类像素，像素的类别为1表示前景类像素；c、将特征值序列从小到大进行排序，并根据特征值序列的变动改变标准分割参照序列的顺序；d、统计特征值序列中对应背景或前景类像素的百分比不低于W的相同特征值片段，再统计这些相同特征值片段的特征值总量，并计算这些特征值总量占特征值总量的百分比，计算到的百分比即为满意度S；
根据满意度S的大小找到每种类别特征值最优的提取模板，最终得到m种类别特征值的最优提取模板；
m种类别的特征值在其最优提取模板的情况下，能够通过不同的权重比系数组合成一种新的特征值，通过数学迭代的方法，寻找到使满意度达到最高的特征值类别最佳权重比系数，利用最佳权重比系数，得到最佳特征值提取方案。
5.根据权利要求1所述的一种通用型图像分割方法，其特征在于，采用预定的方式分别对特征值序列及标准分割参照序列进行处理包括：
排序处理：将特征值序列从小到大进行排序，并根据特征值序列的变动改变标准分割参照序列的顺序；
纠错处理：分别判断排序后的特征值序列中每个相同特征值片段中属于前景类像素的比例是否超过50％，若超过50％，则将相应的特征值片段所对应的标准分割参照序列片段值全部改为1，以表示对应前景类像素；否则改为0，以表示对应着背景类像素；
第一次预处理：对纠错后的特征值序列进行预处理，以剔除重复特征值保留互不相同的特征值，并同步处理改变顺序后的标准分割参照序列；
第二次预处理：将第一次预处理后的特征值序列划分成特征值片段，每个特征值片段中的特征值都是相连的，且在标准分割参照序列中对应着相同的像素类别；每个特征值片段只保留段首的特征值作为起点，下一段特征值片段段首的特征值作为特征值片段的终点；第一段特征值片段没有起点，最后一段特征值片段没有终点；
剪切处理：若第二次预处理后特征值序列中某个特征值的值既小于前一个特征值加剪切精度指标R，又大于后一个特征值减去剪切精度指标R，则判断该特征值为错误分类特征值，做剔除处理，并同步剔除错误特征值在标准分割参照序列中对应的值。
6.根据权利要求1所述的一种通用型图像分割方法，其特征在于，所述随机分配一组多项式f(X)的初始系数包括：
设置多项式f(X)的多项式阶次n，使得：
f(X)＝AnXn+An-1Xn-1+…+A1X1+A0；
其中的{A0,A1,...,An}为随机分配的多项式f(X)的初始系数。
7.根据权利要求1所述的一种通用型图像分割方法，其特征在于，所述根据处理后的特征值序列与标准分割参照序列构造以灵敏度和特异度为变量的总误差函数，通过最速下降法，计算哈密顿算子的常数系数的最佳多项式系数包括：
a、构造灵敏度和特异度为变量的总误差函数：
T＝(|100-sensitivity|+|100-specificity|)*10；
令，灵敏度sensitivity为0，特异度specificity为0，得到总误差函数T的初始值；
b、以随机分配的多项式f(X)的初始系数作为初始点x1，给定精度要求ε>0，令k＝1记录迭代步数；
c、以当前的xk设计哈密顿算子的通用形式；
d、将学习模板的每个像素分别与一个双态量子系统建立联系，并将每个像素对应的量子位初始化为|0>态，分别提取每个像素的特征值，判别每个像素特征值所属的特征值片段，然后根据该特征值片段的段首特征值并结合所设计的哈密顿算子的通用形式，来构造控制该像素量子位演化的哈密顿算子，再分别对每个像素量子位进行演化，得到每个像素量子位的最终稳定状态；其中，若该特征值片段为第一个特征值片段，则采用该特征值片段的中值；
e、对所有学习模板的像素量子位最终状态执行阈值判断，得到每个像素所属的像素类别；然后计算本次分割的灵敏度和特异度，进而得到本次的总误差函数T；
f、若误差函数的梯度满足则迭代终止，此时取x*＝xk，并转入步骤h；其中，是梯度算符；
g、否则，在xk处沿误差函数T的负梯度方向做线性搜索得到xk+1＝xk+akdk，并令k＝k+1转入步骤c；其中，ak为第k次迭代的步长；
h、得到最佳多项式系数x*，结束计算。
8.根据权利要求1所述的一种通用型图像分割方法，其特征在于，所述哈密顿算子的通用形式表示为：
其中，为约化普朗克常数，i表示虚数单位，e-t指以自然常数e为底、以时间t为变量的指数函数。
9.根据权利要求1所述的一种通用型图像分割方法，其特征在于，对学习模板进行分割测试，与对所述待分割处理图片进行分割的过程一致，其包括：
将学习模板或者待分割处理图片的每个像素分别与一个双态量子系统建立联系，并将每个像素对应的量子位初始化为|0>态，分别提取每个像素的特征值，判别每个像素特征值所属的特征值片段，然后根据该特征值片段的段首特征值并结合哈密顿算子的通用形式，来构造控制该像素量子位演化的哈密顿算子，再分别对每个像素量子位进行演化，得到每个像素量子位的最终稳定状态；其中，若该特征值片段为第一个特征值片段，则采用该特征值片段的中值；
对所有学习模板或者待分割处理图片的像素量子位最终状态执行阈值判断，得到每个像素所属的像素类别，即完成学习模板的分割测试或者完成待分割处理图片的分割操作。
10.根据权利要求7或9所述的一种通用型图像分割方法，其特征在于，所述对所有学习模板的像素量子位最终状态执行阈值判断，得到每个像素所属的像素类别包括：
像素量子位的最终状态对应矢量[a b]T，其中a，b分别表示像素量子位系统处在基态和激发态上的概率；阈值设为D；若b>D，就是|1>态，表示前景类像素；若b≤D，就是|0>态，表示背景类像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610676475.1A CN106296704B (zh) | 2016-08-16 | 2016-08-16 | 通用型图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610676475.1A CN106296704B (zh) | 2016-08-16 | 2016-08-16 | 通用型图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106296704A true CN106296704A (zh) | 2017-01-04 |
| CN106296704B CN106296704B (zh) | 2019-02-01 |
Family
ID=57679334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610676475.1A Active CN106296704B (zh) | 2016-08-16 | 2016-08-16 | 通用型图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106296704B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107947941A (zh) * | 2017-11-30 | 2018-04-20 | 中南大学 | 一种基于量子盲计算的哈密尔顿量子仲裁签名及验证方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1227684A2 (en) * | 2001-01-19 | 2002-07-31 | Motorola, Inc. | Encoding of video signals |
| CN102496156A (zh) * | 2011-11-17 | 2012-06-13 | 西安电子科技大学 | 基于协同量子粒子群算法的医学图像分割方法 |
| CN102567963A (zh) * | 2011-11-10 | 2012-07-11 | 西安电子科技大学 | 基于量子多目标聚类的遥感图像分割方法 |
| CN103824291A (zh) * | 2014-02-24 | 2014-05-28 | 哈尔滨工程大学 | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 |
| CN103914831A (zh) * | 2014-03-10 | 2014-07-09 | 西安电子科技大学 | 一种基于量子粒子群优化的二维双阈值sar图像分割方法 |
-
2016
- 2016-08-16 CN CN201610676475.1A patent/CN106296704B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1227684A2 (en) * | 2001-01-19 | 2002-07-31 | Motorola, Inc. | Encoding of video signals |
| CN102567963A (zh) * | 2011-11-10 | 2012-07-11 | 西安电子科技大学 | 基于量子多目标聚类的遥感图像分割方法 |
| CN102496156A (zh) * | 2011-11-17 | 2012-06-13 | 西安电子科技大学 | 基于协同量子粒子群算法的医学图像分割方法 |
| CN103824291A (zh) * | 2014-02-24 | 2014-05-28 | 哈尔滨工程大学 | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 |
| CN103914831A (zh) * | 2014-03-10 | 2014-07-09 | 西安电子科技大学 | 一种基于量子粒子群优化的二维双阈值sar图像分割方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107947941A (zh) * | 2017-11-30 | 2018-04-20 | 中南大学 | 一种基于量子盲计算的哈密尔顿量子仲裁签名及验证方法 |
| CN107947941B (zh) * | 2017-11-30 | 2019-08-06 | 中南大学 | 一种基于量子盲计算的哈密尔顿量子仲裁签名及验证方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106296704B (zh) | 2019-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| Silberman et al. | Instance segmentation of indoor scenes using a coverage loss | |
| CN108491784B (zh) | 面向大型直播场景的单人特写实时识别与自动截图方法 | |
| CN105574063B (zh) | 基于视觉显著性的图像检索方法 | |
| CN107680106A (zh) | 一种基于Faster R‑CNN的显著性目标检测方法 | |
| Xiao et al. | A fast method for particle picking in cryo-electron micrographs based on fast R-CNN | |
| CN108009222B (zh) | 基于较优视图和深度卷积神经网络的三维模型检索方法 | |
| CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
| CN110443257B (zh) | 一种基于主动学习的显著性检测方法 | |
| Abubakar | Study of image segmentation using thresholding technique on a noisy image | |
| CN104732534B (zh) | 一种图像中显著目标的抠取方法及系统 | |
| Lech et al. | Optimization of the fast image binarization method based on the Monte Carlo approach | |
| CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| Lu et al. | Curve-structure segmentation from depth maps: A cnn-based approach and its application to exploring cultural heritage objects | |
| CN113971644A (zh) | 基于数据增强策略选择的图像识别方法及装置 | |
| Widyantara et al. | Gamma correction-based image enhancement and canny edge detection for shoreline extraction from coastal imagery | |
| CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
| CN112446417B (zh) | 基于多层超像素分割的纺锤形果实图像分割方法及系统 | |
| CN106296704B (zh) | 通用型图像分割方法 | |
| Rahmat et al. | Image classification of ribbed smoked sheet using Learning Vector Quantization | |
| CN109949298B (zh) | 一种基于聚类学习的图像分割质量评价方法 | |
| CN104680194A (zh) | 基于随机蕨丛和随机投影的在线目标跟踪方法 | |
| CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
| CN112907503A (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 |
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 |