CN106991683B - 基于中介真值程度度量的局部主动轮廓图像分割方法 - Google Patents
基于中介真值程度度量的局部主动轮廓图像分割方法 Download PDFInfo
- Publication number
- CN106991683B CN106991683B CN201710189231.5A CN201710189231A CN106991683B CN 106991683 B CN106991683 B CN 106991683B CN 201710189231 A CN201710189231 A CN 201710189231A CN 106991683 B CN106991683 B CN 106991683B
- Authority
- CN
- China
- Prior art keywords
- image
- weight
- vertex
- energy function
- contour
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003709 image segmentation Methods 0.000 title claims abstract description 26
- 238000005259 measurement Methods 0.000 title claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 239000005441 aurora Substances 0.000 claims description 10
- 230000003190 augmentative effect Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 5
- 230000003416 augmentation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于中介真值程度度量的局部主动轮廓图像分割方法,主要解决现有基于主动轮廓的图像分割方法不能用于多种图像的分割及分割结果不准确的问题。其实现过程为:1)输入待分割图像,在图像上给定初始轮廓,对图像上轮廓内外像素分别进行标号;2)取图像的局部区域,在局部区域上分别计算轮廓内外灰度均值;3)计算局部区域上像素的灰度值与轮廓内外灰度均值的相似度;4)根据上述结果构建能量函数;5)用图割优化能量函数,对轮廓内外的像素标号进行更新,以驱动局部区域内轮廓曲线向目标边界演化,当轮廓曲线到达目标边界时,完成图像分割。本发明不仅提高了图像分割的精度,而且能对多种类型图像进行分割,可用于目标识别。
Description
技术领域
本发明属于图像处理技术领域,涉及主动轮廓图像分割方法,可用于在目标识别中对自然图像,人造图像,医学图像,紫外极光图像,多目标图像,灰度不均匀图像以及背景复杂图像的精确分割。
背景技术
图像分割是图像处理中的一项关键技术,也是图像分析的第一步。因此,准确的图像分割在图像处理中有着很重要的作用。但由于图像分割是一项具有很高难度和深度的任务,迄今为止都没有一个适用于多种类型图像分割的方法。
近几年,主动轮廓方法在图像分割中得到了广泛的应用,并且也取得了一定程度的效果。主动轮廓主要分为基于边缘的主动轮廓和基于区域的主动轮廓。基于边缘的主动轮廓方法由于其对噪声和初始轮廓的位置较敏感,且不适用于弱边界图像的分割,如测地线主动轮廓图像分割方法GAC,以及2005年Li提出的无需重新初始化的水平集图像分割方法LSWR。因此,近些年,基于区域的主动轮廓方法比较流行,如,Chan和Vese提出的CV模型;Gelas等人于2007年提出基于配置法的径向基函数水平集图像分割方法CSRBFs;Li等人于2008年提出基于区域可伸缩的能量最小化图像分割方法RSF,2010年又提出距离正则化的水平集图像分割方法DRLSE;Andersson等人于2013年提出改进的梯度搜索水平集图像分割方法MGSLS;这些方法虽然克服了基于边缘的主动轮廓方法的缺点,但由于这些方法都是用梯度下降流来最小化能量函数,容易陷入局部最小。所以有人将主动轮廓方法和图割模型结合,用图割模型来优化主动轮廓方法的能量函数,提出了基于图割优化的主动轮廓方法ACBGC,该方法可以找到能量函数的全局最小。但是该方法不能分割灰度不均匀的图像和对比度极低的紫外极光图像。为了克服以上提到的缺点,Yang等人于2015年提出了嵌入马尔可夫随机场的水平集图像分割方法MELS,该方法在参数最优的情况下可以得到较好的分割结果,但是寻找最优参数不仅耗时耗力,而且非常困难。因此,该方法不适用于大量图像的分割。
发明内容
本发明的目的在于针对上述现有技术的不足,提出基于中介真值程度度量的局部主动轮廓图像分割方法,以实现对大量图像的准确分割。
本发明的技术思路是:通过给定初始轮廓,把图像轮廓曲线内的部分当作目标,把图像轮廓曲线外的部分当作背景;通过在图像的局部区域内用图割优化主动轮廓能量函数,驱动局部区域内轮廓曲线向目标边界演化;重复上述步骤,使图像上所有局部区域内轮廓曲线都向目标边界演化,完成图像分割。其实现步骤包括如下步骤:
(1)在输入图像I上定义初始轮廓曲线C,并对图像上的所有像素进行标号,即把初始轮廓曲线内的像素标号为1,把初始轮廓曲线外的像素标号为0;
(2)以轮廓曲线C上的第i个像素点为中心,r为边长做一个正方形,得到图像I的第i个局部区域Ii,其中r的值在5到40之间,i从1到k,k为轮廓曲线C的周长;
(3)在步骤(2)中得到的局部区域Ii上分别计算轮廓曲线内像素的灰度均值和轮廓曲线外像素的灰度均值
其中,Ii(p)为局部区域Ii上像素p的灰度值,lp为局部区域Ii上像素p的标号,取值为0或1;
(4)分别计算Ii(p)与的相似度和与的相似度
其中,d(*,*)代表两者之间的欧式距离;
(5)分别计算Ii(p)与Ii(qn)的相似度h(Ii(p),Ii(qn))和Ii(p)与Ii(qn)的平均相似度
其中,Ii(qn)是局部区域Ii上像素p的八个邻域像素qn的灰度值,n=1,2,…,8;
(6)分别计算局部区域Ii上像素q的灰度值Ii(q)与的相似度和
(7)根据步骤(4)、步骤(5)和步骤(6)的结果,构建能量函数E:
E=E1+E2+E3+E4,
其中,E1为能量函数的边界平滑项,
E2为能量函数的内部能量项,
E3为能量函数的外部能量项,
E4为能量函数的噪声惩罚项;lq为局部区域Ii上像素q的标号,Ni是p的八邻域系统;
(8)用图割方法对步骤(7)的能量函数进行优化,以驱动局部区域Ii内的轮廓曲线向前景的边界演化,当轮廓曲线演化到达前景的边界时,完成图像分割;
本发明具有如下优点:
1.本发明由于在主动轮廓方法的能量函数中引入噪声惩罚项,因此,对噪声更加鲁棒;
2.本发明由于在主动轮廓方法的能量函数中引入新的边界平滑项,因此,可以得到更加平滑准确的边界;
3.本发明由于引入了图像的局部信息和中介真值程度度量理论,因此适用于分割对比度较低的紫外极光图像、灰度不均匀图像以及背景复杂图像。
4.本发明由于只有一个需要人工调节的局部区域的边长r参数,且该参数对结果的影响较小,因此适合对大量图像的的准确分割。
附图说明
图1是本发明的实现流程图;
图2是用本发明对紫外极光图像进行分割的仿真结果图;
图3是用本发明与现有方法对灰度不均匀图像进行分割的对比结果图;
图4是用本发明与现有方法对背景复杂图像进行分割的对比结果图。
具体实施方式
以下结合附图对本发明的内容和效果进行进一步描述。
参照图1,本实例的具体实现步骤如下:
步骤1:在输入图像I上定义初始轮廓曲线C,并对图像上的所有像素进行标号。
1a)在输入图像上定义初始轮廓曲线:
若输入图像为紫外极光图像,则首先用阈值法得到初步分割结果,然后对初步分割结果的内外边界分别进行椭圆拟合,得到的椭圆环作为初始轮廓曲线;
若输入图像为其他类型的图像,则用户自定义初始轮廓曲线。
1b)对图像上的像素进行标号时,把输入图像看作一个矩阵,其中这个矩阵的行数就是图像的长,列数就是图像的宽,矩阵中的元素就是图像上对应位置的像素灰度值;再把矩阵中对应于图像轮廓曲线内像素的元素换成1,即把图像轮廓曲线内的像素标号为1,把矩阵中对应于图像轮廓曲线外像素的元素换成0,即把轮廓曲线外的像素标号为0。
步骤2:在输入图像I上取局部区域Ii。
以初始轮廓曲线上第i个像素点为中心,r为半径做一个正方形,其中r的大小根据图像灰度的不均匀性以及图像的背景复杂性选取,当图像灰度不太均匀,且背景也较复杂时,r的值应当选的小一些,当图像灰度比较均匀,背景也较单一时,r的值应当选的大一些,但r的值在5到40之间。
步骤3:计算在局部区域Ii轮廓曲线内外的灰度均值。
轮廓曲线将局部区域上的所有像素分成两部分,一部分是轮廓曲线内的像素,一部分是轮廓曲线外的像素,
3a)计算轮廓曲线内像素的灰度均值:
3b)计算轮廓曲线外像素的灰度均值:
其中,Ii(p)为局部区域上像素p的灰度值,lp为像素p的标号。
步骤4:计算局部区域上像素p的灰度值Ii(p)与轮廓曲线内外像素灰度均值的相似度。
4a)计算Ii(p)与的相似度
计算Ii(p)与的相似度可通过计算Ii(p)到某个具体数值的欧式距离和到某个具体数值的欧式距离之比来计算,灰度值Ii(p)的取值不同,得到的相似度不同,其公式如下:
其中d(Ii(p),0)表示p的灰度值Ii(p)与数值0之间的欧氏距离,d(Ii(p),1)表示p的灰度值Ii(p)与数值1之间的欧氏距离,表示轮廓内灰度均值与数值0之间的欧氏距离,表示轮廓外灰度均值与数值1之间的欧氏距离;
4b)计算Ii(p)与的相似度
计算Ii(p)与的相似度可通过计算Ii(p)到某个具体数值的欧式距离和到某个具体数值的欧式距离之比来计算,灰度值Ii(p)的取值不同,得到的相似度不同,其公式如下:
其中表示轮廓内灰度均值与数值0之间的欧氏距离,表示轮廓外灰度均值与数值1之间的欧氏距离;
从上述公式可见:和的取值在0到1之间,当这个值越接近1,说明Ii(p)与和越相似,反之,说明Ii(p)与和越不相似;
步骤5:计算Ii(p)与Ii(qn)的相似度和平均相似度。
5a)计算Ii(p)与Ii(qn)的相似度h(Ii(p),Ii(qn)):
找出局部区域内像素p的八个邻域像素qn,并计算像素p的灰度值Ii(p)与其八个邻域像素的灰度值Ii(qn)的相似度,n=1,2,…,8,i=1,2,...,k,其中k为轮廓曲线的周长,其公式如下:
其中d(Ii(qn),0)表示轮廓内灰度均值Ii(qn)与数值0之间的欧氏距离,d(Ii(qn),1)表示轮廓外灰度均值Ii(qn)与数值1之间的欧氏距离;
5b)根据5a)的结果计算Ii(p)与Ii(qn)的平均相似度
的值在0到1之间,当这个值越接近1,说明Ii(p)和p的八个邻域像素的灰度值都很相似,反之,说明Ii(p)和和p的八个邻域像素的灰度值都很不太相似。
步骤6:计算Ii(q)与的相似度。
找出像素p的四邻域像素q,并计算像素q的灰度值Ii(q)与和的相似度,
6a)计算Ii(q)与的相似度
计算Ii(q)与的相似度可通过计算Ii(q)到某个具体数字的欧式距离和到某个具体数字的欧式距离之比来计算,灰度值Ii(q)的取值不同,得到的相似度不同,其公式如下:
其中d(Ii(q),0)表示q的灰度值Ii(q)与数值0之间的欧氏距离,d(Ii(q),1)表示q的灰度值Ii(q)与数值1之间的欧氏距离;
的值在0到1之间,当这个值越接近1,说明Ii(q)和越相似,反之,说明Ii(q)和越不相似;
6b)计算Ii(q)与的相似度
计算Ii(q)与的相似度可通过计算Ii(q)到某个具体数字的欧式距离和到某个具体数字的欧式距离之比来计算,灰度值Ii(q)的取值不同,得到的相似度不同,其公式如下:
的值在0到1之间,当这个值越接近1,说明Ii(q)和越相似,反之,说明Ii(q)和越不相似。
步骤7:构建能量函数E。
7a)构建能量函数的边界平滑项E1:
7a1)构建边界约束因子K:
K=∑pmax((K1+K2),0)
其中,
7a2)根据7a1)的结果构建边界平滑项E1:
其中,lq为局部区域Ii上像素q的标号,Ni是p的八邻域系统;
7b)构建能量函数的内部能量项E2:
7c)构建能量函数的外部能量项E3:
7d)构建能量函数的噪声惩罚项E4:
7e)根据7a)-7d)的结果得到能量函数E:
E=E1+E2+E3+E4。
步骤8:用图割方法对步骤(7)的能量函数进行优化,以驱动局部区域Ii内的轮廓曲线向前景的边界演化,当轮廓曲线演化到达前景的边界时,完成图像分割。
8a)将局部区域Ii映射为一个包含多个普通顶点、2个终端顶点、多条n-links边和多条t-links边组成的几何图:
8a1)确定几何图的顶点和边;
将局部区域Ii中的每个像素都作为一个普通顶点,将局部区域Ii中前景像素的集合作为第一终端顶点,将局部区域Ii中背景像素的集合作为第二终端顶点;将每两个相邻的普通顶点的连线作为n-links边,将每个普通顶点与2个终端顶点的连线作为t-links边;
8a2)确定几何图的边的权值;
将步骤(7)得到的能量函数E设置为n-links的权值;
根据以下规则设置t-links的权值:
对任一普通顶点p,如果其灰度值满足则将p与第一终端顶点连成的t-links边的权值设为9×109,将p与第二终端顶点连成的t-links边的权值设为0,否则,将p与第二终端顶点连成的t-links边的权值设为9×109,将p与第一终端顶点连成的t-links边的权值设为0;
8b)用最大流和最小割算法找到步骤(8a)中几何图的最小割,以对普通顶点的标号进行更新,进而对能量函数E进行更新优化:
8b1)把几何图看成是一个从第一终端顶点经过中间一系列普通顶点到第二终端顶点的网络流,从任意一个可行流出发,使用广度优先搜索法找到一条从第一终端顶点到第二终端顶点的增广路径,该可行流,是指给网络流中的每条边一个流量,若这些流量都不超过对应边的权值,则称这些流量构成的集合f为一个可行流;该增广路径,是指给定一个可行流f,设M是从第一终端顶点到第二终端顶点的一条路,若M上的每一条边的流量都小于其权值,则称M为关于可行流f的一条可增广路径;
8b2)找出增广路径中最小的权值,将此增广路径中每条边的权值与这个最小权值相减,把得到的差作为对应边的新的权值,并去掉新权值为0的边,构成新的网络流;
8b3)重复步骤8b1)-8b2),直至搜索不到新的从第一终端顶点到第二终端顶点的增广路径,则上一次求得的网络流就是最大流;
8b4)将步骤8b3)中得到的最大流中所有的边构成一个集合,该集合就是一个最小割,并用该最小割将几何图分成两部分,一部分由第一终端顶点及其连接的部分普通顶点组成,这部分普通顶点的标号被更新为1,另一部分由第二终端顶点及其连接的部分普通顶点组成,这部分普通顶点的标号被更新为0,以实现通过对普通顶点标号的更新完成对能量函数E的优化。
本发明的效果通过以下仿真实验进一步说明:
1、实验条件
硬件平台:Intel Core i3、2.93GHz、3.45GB RAM;
软件平台:Windows7操作系统下的MATLAB R2011b;
实验数据:本发明所使用的紫外极光数据来自Polar卫星携带的紫外极光成像仪所拍摄的1996年12月的紫外极光图像100幅,大小均为228*200。
2、实验内容与结果
仿真1:用本发明和现有紫外极光图像分割方法对上述实验数据同时进行分割处理,结果如图2,其中,图2(a)为紫外极光图像,图2(b)为HKM分割结果,图2(c)为AMET分割结果,图2(d)为LLSRHT分割结果,图2(e)为SIIALS分割结果,图2(f)为本发明的分割结果,图2(g)为专家手工标定的结果,比较图2的各列,可以看出,本发明在对紫外极光图像的分割上可以取得令人满意的结果。
为了更准确的评价本发明,用分割结果的查全率、查准率以及F score对本发明以及现有方法的结果做客观评价,如表1所示。
表1
其中F score是查全率与查准率的综合,公式如下:
从表1可见,本发明在紫外极光图像的分割上有最高的F score,查准率仅次于HKM方法,这是因为HKM分割出的极光卵区域过小所致。总体来看,本发明在紫外极光图像的分割上有很好的效果,分割准确率有所提高。
仿真2:本发明与现有方法对灰度不均匀图像进行分割,结果如图3,其中图3(a)为原图像,图3(b)为给定初始轮廓,图3(c)为测地线主动轮廓GAC分割结果,图3(d)为CV模型分割结果,图3(e)为ACBGC的分割结果,图3(f)为RSF分割结果,图3(g)为LSWR分割结果,图3(h)为MELS分割结果,图3(i)为本发明分割结果。
从图3结果可以看出,其它方法都没有正确的分割出原图像的真正前景,而本发明可以正确的分割出原图像的前景。
仿真3,用本发明与现有方法对背景复杂图像进行分割,结果如图4,其中图4(a)为原图像,图4(b)为给定初始轮廓,图4(c)为GAC分割结果,图4(d)为CV模型分割结果,图4(e)为ACBGC的分割结果,图4(f)为LSWR分割结果,图4(g)为RSF分割结果,图4(h)为MELS分割结果,图4(i)为本发明分割结果。
从图4结果可以看出,只有本发明可以正确的分割出原图像的前景。
Claims (5)
1.基于中介真值程度度量的局部主动轮廓图像分割方法,包括:
(1)在输入图像I上定义初始轮廓曲线C,并对图像上的所有像素进行标号,即把初始轮廓曲线内的像素标号为1,把初始轮廓曲线外的像素标号为0;
(2)以轮廓曲线C上的第i个像素点为中心,r为边长做一个正方形,得到图像I的第i个局部区域Ii,其中r的值在5到40之间,i从1到k,k为轮廓曲线C的周长;
(3)在步骤(2)中得到的局部区域Ii上分别计算轮廓曲线内像素的灰度均值和轮廓曲线外像素的灰度均值
其中,Ii(p)为局部区域Ii上像素p的灰度值,lp为局部区域Ii上像素p的标号,取值为0或1;
(4)分别计算Ii(p)与的相似度和与的相似度
其中,d(*,*)代表两者之间的欧式距离;
(5)分别计算Ii(p)与Ii(qn)的相似度h(Ii(p),Ii(qn))和Ii(p)与Ii(qn)的平均相似度
其中,Ii(qn)是局部区域Ii上像素p的八个邻域像素qn的灰度值,n=1,2,…,8;
(6)分别计算局部区域Ii上像素q的灰度值Ii(q)与的相似度和
(7)根据步骤(4)、步骤(5)和步骤(6)的结果,构建能量函数E:
E=E1+E2+E3+E4,
其中,E1为能量函数的边界平滑项,
E2为能量函数的内部能量项,
E3为能量函数的外部能量项,
E4为能量函数的噪声惩罚项;lq为局部区域Ii上像素q的标号,Ni是p的八邻域系统;
(8)用图割方法对步骤(7)的能量函数进行优化,以驱动局部区域Ii内的轮廓曲线向前景的边界演化,当轮廓曲线演化到达前景的边界时,完成图像分割。
2.根据权利要求1所述的方法,其中步骤(1)中在输入图像上定义初始轮廓曲线C,是根据输入图像类型进行:
若输入图像为紫外极光图像,则首先用阈值法得到初步分割结果,然后对初步分割结果的内外边界分别进行椭圆拟合,得到的椭圆环作为初始轮廓曲线;
若输入图像为其他类型的图像,则用户自定义初始轮廓曲线。
3.根据权利要求1所述的方法,其中步骤(8)中用图割方法优化步骤(7)得到的能量函数,按如下步骤进行:
(8a)将局部区域Ii映射为一个包含多个普通顶点、2个终端顶点、多条n-links边和多条t-links边组成的几何图:
(8a1)将局部区域Ii中的每个像素都作为一个普通顶点,将局部区域Ii中前景像素的集合作为第一终端顶点,将局部区域Ii中背景像素的集合作为第二终端顶点;将每两个相邻的普通顶点的连线作为n-links边,将每个普通顶点与2个终端顶点的连线作为t-links边;
(8a2)设置n-links边和t-links边的权值:
将步骤(7)得到的能量函数E作为n-links边的权值;
按以下规则设置t-links边的权值:
对任一普通顶点p,如果其灰度值满足则将p与第一终端顶点连成的t-links边的权值设为9×109,将p与第二终端顶点连成的t-links边的权值设为0,否则,将p与第二终端顶点连成的t-links边的权值设为9×109,将p与第一终端顶点连成的t-links边的权值设为0;
(8b)用最大流和最小割算法找到步骤(8a)中几何图的最小割,以对普通顶点的标号进行更新,进而对能量函数E进行更新优化:
8b1)把几何图看成是一个从第一终端顶点经过中间一系列普通顶点到第二终端顶点的网络流,从任意一个可行流出发,使用广度优先搜索法找到一条从第一终端顶点到第二终端顶点的增广路径;
8b2)找出增广路径中最小的权值,将此增广路径中每条边的权值与这个最小权值相减,把得到的差作为对应边的新的权值,并去掉新权值为0的边,构成新的网络流;
8b3)重复步骤8b1)-8b2),直至搜索不到新的从第一终端顶点到第二终端顶点的增广路径,则上一次求得的网络流就是最大流;
8b4)将步骤8b3)中得到的最大流中所有的边构成一个集合,该集合就是一个最小割,并用该最小割将几何图分成两部分,一部分由第一终端顶点及其连接的部分普通顶点组成,这部分普通顶点的标号被更新为1,另一部分由第二终端顶点及其连接的部分普通顶点组成,这部分普通顶点的标号被更新为0,以实现通过对普通顶点标号的更新完成对能量函数E的优化。
4.根据权利要求3所述的方法,其中步骤8b1)中所述的可行流,是指给网络流中的每条边一个流量,若这些流量都不超过对应边的权值,则称这些流量构成的集合f为一个可行流。
5.根据权利要求3所述的方法,其中步骤8b1)中所述的所述增广路径,是指给定一个可行流f,设M是从第一终端顶点到第二终端顶点的一条路,若M上的每一条边的流量都小于其权值,则称M为关于可行流f的一条可增广路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710189231.5A CN106991683B (zh) | 2017-03-27 | 2017-03-27 | 基于中介真值程度度量的局部主动轮廓图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710189231.5A CN106991683B (zh) | 2017-03-27 | 2017-03-27 | 基于中介真值程度度量的局部主动轮廓图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106991683A CN106991683A (zh) | 2017-07-28 |
CN106991683B true CN106991683B (zh) | 2019-10-08 |
Family
ID=59412411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710189231.5A Active CN106991683B (zh) | 2017-03-27 | 2017-03-27 | 基于中介真值程度度量的局部主动轮廓图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991683B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230340B (zh) * | 2018-02-05 | 2021-11-26 | 南京邮电大学 | 一种基于mmtd的slic超像素提取权值确定方法及超像素提取方法 |
CN112001851B (zh) * | 2019-05-27 | 2023-08-04 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN110766708B (zh) * | 2019-10-24 | 2023-04-25 | 西安工业大学 | 基于轮廓相似度的图像比较方法 |
CN112258545A (zh) * | 2020-11-27 | 2021-01-22 | 云南省烟草农业科学研究院 | 一种烟叶图像在线背景处理系统及在线背景处理方法 |
CN116433701B (zh) * | 2023-06-15 | 2023-10-10 | 武汉中观自动化科技有限公司 | 一种工件孔洞轮廓的提取方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203177944U (zh) * | 2013-04-08 | 2013-09-04 | 贵州茅台酒股份有限公司 | 一种颗粒物计数装置 |
CN103413152A (zh) * | 2013-07-24 | 2013-11-27 | 南京邮电大学 | 基于模糊分类器识别模糊图像中数字的方法 |
CN103544708A (zh) * | 2013-10-31 | 2014-01-29 | 南京邮电大学 | 一种基于mmtd的图像质量客观评价方法 |
CN103810689A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 一种新的图像融合效果评价算法 |
CN103824274A (zh) * | 2012-11-16 | 2014-05-28 | 山东大学(威海) | 可应用于具有复杂背景的灰度不均匀图像的局部分割方法 |
CN105069798A (zh) * | 2015-08-12 | 2015-11-18 | 西安电子科技大学 | 基于图割优化的局部主动轮廓图像分割方法 |
CN105260698A (zh) * | 2015-09-08 | 2016-01-20 | 北京天诚盛业科技有限公司 | 对虹膜图像进行定位的方法和装置 |
-
2017
- 2017-03-27 CN CN201710189231.5A patent/CN106991683B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810689A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 一种新的图像融合效果评价算法 |
CN103824274A (zh) * | 2012-11-16 | 2014-05-28 | 山东大学(威海) | 可应用于具有复杂背景的灰度不均匀图像的局部分割方法 |
CN203177944U (zh) * | 2013-04-08 | 2013-09-04 | 贵州茅台酒股份有限公司 | 一种颗粒物计数装置 |
CN103413152A (zh) * | 2013-07-24 | 2013-11-27 | 南京邮电大学 | 基于模糊分类器识别模糊图像中数字的方法 |
CN103544708A (zh) * | 2013-10-31 | 2014-01-29 | 南京邮电大学 | 一种基于mmtd的图像质量客观评价方法 |
CN105069798A (zh) * | 2015-08-12 | 2015-11-18 | 西安电子科技大学 | 基于图割优化的局部主动轮廓图像分割方法 |
CN105260698A (zh) * | 2015-09-08 | 2016-01-20 | 北京天诚盛业科技有限公司 | 对虹膜图像进行定位的方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于多模态卷积神经网络的脑血管提取方法研究;秦志光等;《电子科技大学学报》;20160731;第45卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106991683A (zh) | 2017-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991683B (zh) | 基于中介真值程度度量的局部主动轮廓图像分割方法 | |
CN109145713B (zh) | 一种结合目标检测的小目标语义分割方法 | |
CN109472792B (zh) | 结合局部熵的局部能量泛函与非凸正则项的图像分割方法 | |
CN109409240B (zh) | 一种结合随机游走的SegNet遥感图像语义分割方法 | |
CN104933709B (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
CN111652892A (zh) | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 | |
CN107993237A (zh) | 一种基于窄带约束的几何活动轮廓模型图像局部分割方法 | |
CN102354396A (zh) | 基于水平集函数的灰度不均匀图像分割方法 | |
CN109993753B (zh) | 遥感影像中城市功能区的分割方法及装置 | |
CN110120057B (zh) | 基于权重全局和局部拟合能量的模糊区域性活动轮廓分割模型 | |
Zhang et al. | Level set evolution driven by optimized area energy term for image segmentation | |
Wang et al. | Interactive multilabel image segmentation via robust multilayer graph constraints | |
CN118015002B (zh) | 一种交通工程路况视觉检测方法及系统 | |
CN110610491B (zh) | 一种腹部ct图像的肝脏肿瘤区域分割方法 | |
CN110930413A (zh) | 一种基于弱监督多核分类优化合并的图像分割方法 | |
CN110047085B (zh) | 一种针对肺ct图像阈值分割结果的肺膜粘连结节区域精确修复方法 | |
CN115631372A (zh) | 基于土壤遥感数据的土地信息分类管理方法 | |
CN110969635B (zh) | 基于先验约束水平集框架的鲁棒快速图像分割方法 | |
CN110619643B (zh) | 一种基于局部信息的区域生长图像分割方法 | |
CN108898611B (zh) | 基于显著感知先验的模糊区域活动轮廓分割模型 | |
CN103236056B (zh) | 基于模板匹配的图像分割方法 | |
CN114140485A (zh) | 一种三七主根切割轨迹生成方法及系统 | |
Sun et al. | A fuzzy energy-based active contour model with adaptive contrast constraint for local segmentation | |
Qu et al. | Interactive image segmentation based on the appearance model and orientation energy | |
CN111145179B (zh) | 一种基于水平集的灰度不均图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20220505 Address after: No.2, Taibai South Road, Yanta District, Xi'an City, Shaanxi Province Patentee after: XIDIAN University Patentee after: Jiangsu Zejing Automotive Electronics Co., Ltd Address before: 710071 No. 2 Taibai South Road, Shaanxi, Xi'an Patentee before: XIDIAN University Patentee before: Jiangsu Zejing Automotive Electronics Co., Ltd. Xi'an Branch |
|
TR01 | Transfer of patent right |