CN107194870B - 一种基于显著性物体检测的图像场景重构方法 - Google Patents
一种基于显著性物体检测的图像场景重构方法 Download PDFInfo
- Publication number
- CN107194870B CN107194870B CN201710372338.3A CN201710372338A CN107194870B CN 107194870 B CN107194870 B CN 107194870B CN 201710372338 A CN201710372338 A CN 201710372338A CN 107194870 B CN107194870 B CN 107194870B
- Authority
- CN
- China
- Prior art keywords
- image
- scene
- salient
- color
- reconstruction
- 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 57
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000003993 interaction Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公布了一种基于显著性物体检测的图像场景重构方法,属于图像处理技术领域,通过对图像场景中的显著性物体进行检测,自动提取、移除显著性物体,得到待重构图像场景的完整背景和待重构图像场景的显著性物体元素;包括:图像显著性物体检测过程、提取图像场景元素过程、重构场景元素尺寸过程、重构场景元素颜色过程和组合场景元素过程,得到重构的新图像。本发明使得图像场景重构需要人机交互的时间大为减少,克服了图像场景重构过于依赖人机交互的不足,降低了用户对图像场景重构的技术要求。本发明是一种智能化的图像场景重构方法,快捷便利,可以得到较好的图像场景重构图。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于显著性物体检测的图像场景构造方法。
背景技术
在现实生活中,面对一张已有的图像,人们不再满足于现有图像的场景结构,往往想在已有的图片中更换图片背景,或者增加图片中人物等新的场景元素,这就涉及到图像场景重构的问题。所谓图像场景重构,主要是将已有图像场景进行前景、背景的更换、增减等操作,使重新布局后的图像再现的一种技术手段。
现有的图像场景重构方法都是基于人机交互,建立在人为操作的基础上,这种方法不能提取一张图像完整的背景区域,而需要利用专业图像处理工具进行人为处理,才能得到完整的背景区域,这样大大增加了人为操作的工作量,操作较繁琐,需要用户大量的时间去重新构造一个场景。
综合来看,现有图像场景重构的方法还未成熟,不能减少用户全程操作,过于依赖人机交互的操作,不能简化用户的操作过程,不能很好地提升用户体验。
发明内容
本发明的目的在于针对上述已有技术的不足,提出了一种新的基于显著性物体检测的图像场景重构方法,能够解决现有的图像场景重构过于依赖人为操作的情况,使场景重构更加智能化。
为实现上述目的,本发明采用显著性物体检测等技术进行图像场景重构,通过计算机自动对现有图像场景的显著性物体提取、移除,得到待重构图像场景完整背景、待重构图像场景元素,大大减少了人机交互的时间,降低了用户对图像场景重构的技术要求。本发明由五部分构成,第一部分,图像显著性物体检测;第二部分,提取图像场景元素;第三部分,场景元素尺寸重构;第四部分,场景元素颜色重构;第五部分,场景元素组合。
本发明的技术方案是:
一种基于显著性物体检测的图像场景重构方法,采用显著性物体检测技术进行图像场景重构,通过计算机自动对现有图像场景的显著性物体进行提取、移除,得到待重构图像场景完整背景和待重构图像场景元素;步骤包括:图像显著性物体检测、提取图像场景元素、重构场景元素尺寸、重构场景元素颜色和组合场景元素;
其中,所述图像显著性物体检测利用图像各物体的颜色、距离等特征,检测出图像中的显著性物体。
所述提取图像场景元素是利用物体分割算法和物体移除算法,将检测到的显著性物体从当前图像中分割出来,得到前景元素,将分割后的图像进行物体移除算法进行背景填补得到背景元素。
所述场景元素尺寸重构是将提取的图像场景元素按照背景与前景4:1的比例大小进行尺寸缩放,该尺寸比例可以人为按不同场景所需进行重设。
所述场景元素颜色重构是将提取的图像场景前景元素进行整体颜色的更换,本方法提供全部颜色可供更换,具体所需颜色可以人为选定。
所述场景元素组合是将经过前四部处理好的所有待重构图像场景元素进行人为自由组合,从而得到最终的重构后的图像场景。
具体地,主要包括如下过程:
1)输入需要重构的图像;
2)计算机利用图像显著性检测算法检测图像中显著性物体;
3)计算机将检测到的显著性物体进行分割提取并保存;
4)计算机将检测到的显著性物体进行物体移除,提取图像背景;
5)计算机将提取到的显著性物体、图像背景进行1:4尺寸缩放;
6)计算机将提取到的显著性物体进行颜色更换;
7)人为设置图像场景元素位置,计算机将图像元素进行组合,重构图像场景并输出保存。
与现有技术相比,本发明的有益效果是:
本发明采用显著性物体检测等技术进行图像场景重构,通过计算机自动对现有图像场景的显著性物体提取、移除,得到待重构图像场景完整背景、待重构图像场景元素,对图像场景进行重构,大大减少了人机交互的时间,减少了图像场景重构过于依赖人机交互的情况;降低了用户对图像场景重构的技术要求;本发明是一种智能化的图像场景重构方法,大大节省了人为操作的时间成本;实验结果表明,本发明快捷便利,可以得到较好的图像场景重构图。
附图说明
图1为本发明提供的图像场景构造方法的流程框图。
图2(a)和(b)是本发明实施例中的待重构的两个图像。
图3(a)和(b)分别为本发明实施例中提取的图像背景元素和前景元素。
图4为本发明实施例中重构得到的图像场景结果。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明提供一种基于显著性物体检测的图像场景重构方法,采用显著性物体检测技术进行图像场景重构,通过计算机自动对现有图像场景的显著性物体进行提取、移除,得到待重构图像场景完整背景和待重构图像场景元素;步骤包括:图像显著性物体检测、提取图像场景元素、重构场景元素尺寸、重构场景元素颜色和组合场景元素。本发明是一种智能化的图像场景重构方法,能够大大减少了人机交互的时间,减少图像场景重构过于依赖人机交互的情况,降低用户对图像场景重构的技术要求;本发明提供的图像场景重构方法快捷便利,可以得到较好的图像场景重构图。
如图1所示的本发明的流程框图,主要包括如下过程:
1)人为输入需要重构的图像;
2)计算机利用图像显著性检测算法检测图像中显著性物体;
3)计算机将检测到的显著性物体进行分割提取并保存;
4)计算机将检测到的显著性物体进行物体移除,提取图像背景;
5)计算机将提取到的显著性物体、图像背景进行1:4尺寸缩放;
6)计算机将提取到的显著性物体进行颜色重构/更换;
7)人为设置显著性物体位置,计算机将显著性物体按相应位置放置到图像背景中;
8)图像场景重构并输出保存。
本发明具体实施时,采用的显著性检测算法包括以下步骤:
步骤一、输入待检测的图像Io,如图2所示;
步骤二、利用K-means算法将图像分成K个区域,并通过式(1)得到物体的显著性值S(rk):
其中,rk和ri分别代表区域k和i,Dc(rk,ri)表示区域k和区域i在L*a*b颜色空间上的
欧氏距离,Pi代表区域i所占图像区域的比例,Wd(rk)定义如下:
其中,Do(rk,ri)表示区域k和区域i的坐标位置距离,σ是一个参数控制着Wd(rk)的范围。本发明中σ取值为0.4。
本发明所采用的显著性物体提取包括以下步骤:
步骤一、提取待检测的图像Io的原始图像颜色信息:RGB通道Io(R|G|B);
步骤二、将显著性检测结果S(rk)与颜色通道通过式(3)进行融合,得到S(R|G|B),分割出原图中的显著性物体:
S(R|G|B)=Io(R|G|B)×S(rk) (3)
S(rk)为单通道图像,此步骤将S(rk)分别与原图Io的R、G、B三通道进行上述运算操作,得到分割后的结果S的值是彩色的,如图3所示,图3(a)和(b)分别为本发明实施例中提取的图像背景元素和前景元素。
本发明所采用的图像背景元素提取包括以下步骤:
步骤一、通过显著性物体检测算法检测,得到需要移除的非背景元素的显著性值S(rk);
显著性检测结果S(rk)即需要移除的非背景元素;把图像的显著性物体移除后留下的非显著元素当作背景图。
步骤二、移除非背景元素:本发明采用改进后的Criminisi算法,具体改进说明如下:
移除非背景元素可采用文献(Criminisi A,Prez P,Toyama K.Object Removalby Exemplar-Based Inpainting,Computer Vision and Pattern Recognition,2003.Proceedings.2003IEEE Computer Society Conference on.IEEE,2003:II-721-II-728vol.2.)记载的Criminisi算法。Criminisi算法通过移除物体得到背景图,具体是基于样本的图像补全方法使用保持原状的空间区域去估计和填充待修补部分中缺失的信息,对每个靶区域的像素赋一个灰度值(可用0表示尚未填充)和一个置信度,置信度值反应对像素灰度值的置信程度,且在像素被填充后不再变化;另外在填充过程中,对处于填充锋线上的图像块还赋予一个临时的优先值,以此来确定图像块被填充的顺序。
本发明具体实施中,采用改进后的Criminisi算法。该算法的靶区域为标定需要移除的区域,即希望移除的物体,本发明主要改进该算法的靶区域寻找阶段,将Criminisi算法中有监督的人工标定靶区域替换为无监督检测的显著性物体,并设计为两层靶区域定位,第一层靶区域为物体的显著性检测,第二层靶区域为噪声干扰的显著性检测,再将检测到的显著性物体和显著性噪声替换Criminisi算法的靶区域。因此,本发明的改进主要是将靶区域替换成机器自动检测需要移除的地方(即显著性物体),再通过Criminisi算法移除显著性物体,得到最后的背景元素,如图3(a)所示,为移除物体后的背景图。
本发明所采用的图像元素尺寸缩放包括以下步骤:
步骤一、输入需要缩放的图像元素;
步骤二、按照需要缩放的比例将图像元素的长宽等比例缩放,并用双线性插值得到缩放
后的图像。
本发明所采用的颜色重构包括以下步骤:
步骤一、通过显著性检测算法检测出需要重构颜色的显著性物体;
可以选择把显著性检测结果得到的显著性物体,进行重构颜色;
步骤二、按照RGB三原色通道的数值配比,赋予图像新的颜色值。
Cs(R|G|B)=Co(R|G|B)×S(rk) (4)
Cs(R|G|B)是重构颜色后的显著性物体;Co(R|G|B)是按照国际标准RGB色卡对照表,人为按照所需颜色设定的R、G、B值的大小具体数值比例;S(rk)是需要重构颜色的显著性物体,也就是经过显著性检测算法的得到的显著性物体。
本发明所采用的图像元素组合主要通过人机交互的方式,由用户自主选择所需要重构的背景元素、所需要重构的前景元素,将背景元素和前景元素放在不同位置,进行自由组合,得到最后的重构图像,如图4所示。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (9)
1.一种基于显著性物体检测的图像场景重构方法,通过对图像场景中的显著性物体进行检测,自动提取、移除显著性物体,得到待重构图像场景的完整背景和待重构图像场景的显著性物体元素;包括:图像显著性物体检测过程、提取图像场景元素过程、重构场景元素尺寸过程、重构场景元素颜色过程和组合场景元素过程,得到重构的新图像;步骤如下:
1)图像显著性物体检测过程:利用图像各物体的颜色和距离特征,通过图像显著性物体检测方法,检测得到图像中的显著性物体S(rk);
2)提取图像场景元素过程,得到待重构图像场景元素:将检测到的显著性物体S(rk)利用物体分割方法,从当前图像中分割出来,得到图像前景元素S(R|G|B);再将分割后的图像进行物体移除,通过背景填补得到图像背景元素;待重构图像场景元素包括图像前景元素和图像背景元素;
3)重构场景元素尺寸过程:将步骤2)提取得到的图像背景元素和图像前景元素按照设定比例进行尺寸缩放;
4)重构场景元素颜色过程:将提取得到的图像前景元素根据设定颜色进行颜色更换;
5)组合场景元素过程:将上述得到的待重构图像场景元素进行自由组合,即得到重构后的图像场景。
3.如权利要求2所述图像场景重构方法,其特征是,步骤12)中,具体利用K-means算法将图像分成K个区域;参数σ取值具体为0.4。
4.如权利要求1所述图像场景重构方法,其特征是,步骤2)通过物体分割方法提取得到图像显著性物体,包括以下步骤:
21)提取待检测的图像Io的原始图像颜色信息,得到图像Io的RGB通道Io(R|G|B);
22)将所述显著性检测物体S(rk)与颜色通道Io(R|G|B)通过式(3)进行融合,得到S(R|G|B),分割得到原彩色图像中的显著性物体S(R|G|B):
S(R|G|B)=Io(R|G|B)×S(rk) (3)
S(rk)为单通道图像,此步骤将S(rk)分别与原图Io的R、G、B三通道进行上述运算操作,得到分割后彩色的显著性物体。
5.如权利要求1所述图像场景重构方法,其特征是,步骤2)通过物体移除方法得到图像背景元素,所述物体移除方法采用改进Criminisi算法,改进Criminisi算法的靶区域寻找阶段,具体为:将Criminisi算法中有监督的人工标定靶区域替换为无监督检测的显著性物体,并设计为两层靶区域定位,第一层靶区域为物体的显著性检测,第二层靶区域为噪声干扰的显著性检测,将检测到的显著性物体和显著性噪声替换Criminisi算法的靶区域,由此检测得到显著性物体和显著性噪声。
6.如权利要求1所述图像场景重构方法,其特征是,步骤3)所述尺寸缩放具体对需要缩放的图像元素,设定需要缩放的比例,再按照设定比例将图像元素的长宽等比例缩放,并用双线性插值得到缩放后的图像。
7.如权利要求1所述图像场景重构方法,其特征是,优选地,步骤3)场景元素按照背景与前景4∶1的比例大小进行尺寸缩放。
8.如权利要求1所述图像场景重构方法,其特征是,步骤4)颜色重构具体将作为图像前景元素的显著性物体,通过式(4)按照RGB三原色通道的数值配比赋予新的颜色值:
Cs(R|G|B)=Co(R|G|B)×S(rk) (4)
其中,Cs(R|G|B)是重构颜色后的显著性物体;Co(R|G|B)是按照国际标准RGB色卡对照表,人为按照所需颜色设定的R、G、B值的大小具体数值比例;S(rk)是图像前景元素,即需要重构颜色的显著性物体。
9.如权利要求1所述图像场景重构方法,其特征是,步骤5)通过人机交互的方式,由用户自主选择所需要重构的图像背景元素和图像前景元素,将所述背景元素和前景元素置于不同位置进行自由组合,得到重构的新图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710372338.3A CN107194870B (zh) | 2017-05-24 | 2017-05-24 | 一种基于显著性物体检测的图像场景重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710372338.3A CN107194870B (zh) | 2017-05-24 | 2017-05-24 | 一种基于显著性物体检测的图像场景重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194870A CN107194870A (zh) | 2017-09-22 |
CN107194870B true CN107194870B (zh) | 2020-07-28 |
Family
ID=59875670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710372338.3A Active CN107194870B (zh) | 2017-05-24 | 2017-05-24 | 一种基于显著性物体检测的图像场景重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194870B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902675B (zh) * | 2018-09-17 | 2021-05-04 | 华为技术有限公司 | 物体的位姿获取方法、场景重构的方法和装置 |
CN110390731B (zh) * | 2019-07-15 | 2020-07-24 | 贝壳找房(北京)科技有限公司 | 图像处理方法、装置、计算机可读存储介质及电子设备 |
CN112598571B (zh) * | 2019-11-27 | 2021-10-08 | 中兴通讯股份有限公司 | 一种图像缩放方法、装置、终端及存储介质 |
CN111861996B (zh) * | 2020-06-23 | 2023-11-03 | 西安工程大学 | 一种印花织物疵点检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020965A (zh) * | 2012-11-29 | 2013-04-03 | 奇瑞汽车股份有限公司 | 一种基于显著性检测的前景分割方法 |
CN103914834A (zh) * | 2014-03-17 | 2014-07-09 | 上海交通大学 | 一种基于前景先验和背景先验的显著性物体检测方法 |
CN104952083A (zh) * | 2015-06-26 | 2015-09-30 | 兰州理工大学 | 一种基于显著性目标背景建模的视频显著性检测算法 |
CN106327507A (zh) * | 2016-08-10 | 2017-01-11 | 南京航空航天大学 | 一种基于背景和前景信息的彩色图像显著性检测方法 |
CN106846289A (zh) * | 2017-01-17 | 2017-06-13 | 中北大学 | 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法 |
-
2017
- 2017-05-24 CN CN201710372338.3A patent/CN107194870B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020965A (zh) * | 2012-11-29 | 2013-04-03 | 奇瑞汽车股份有限公司 | 一种基于显著性检测的前景分割方法 |
CN103914834A (zh) * | 2014-03-17 | 2014-07-09 | 上海交通大学 | 一种基于前景先验和背景先验的显著性物体检测方法 |
CN104952083A (zh) * | 2015-06-26 | 2015-09-30 | 兰州理工大学 | 一种基于显著性目标背景建模的视频显著性检测算法 |
CN106327507A (zh) * | 2016-08-10 | 2017-01-11 | 南京航空航天大学 | 一种基于背景和前景信息的彩色图像显著性检测方法 |
CN106846289A (zh) * | 2017-01-17 | 2017-06-13 | 中北大学 | 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法 |
Non-Patent Citations (2)
Title |
---|
Multilevel Modified Finite Radon Transform Network for Image Upsampling;Yang Zhao 等;《IEEE Transactions on Circuits and Systems for Video Technology》;20161231;第26卷(第12期);2189-2199 * |
视频序列的人体运动描述方法综述;孙倩茹 等;《智能系统学报》;20130630;第8卷(第3期);189-198 * |
Also Published As
Publication number | Publication date |
---|---|
CN107194870A (zh) | 2017-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194870B (zh) | 一种基于显著性物体检测的图像场景重构方法 | |
CN107452010B (zh) | 一种自动抠图算法和装置 | |
JP4954206B2 (ja) | ビデオオブジェクトのカットアンドペースト | |
CN107516319B (zh) | 一种高精度简易交互式抠图方法、存储设备及终端 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN110008962B (zh) | 基于注意力机制的弱监督语义分割方法 | |
JP6408314B2 (ja) | カラービデオ処理システムおよび方法、ならびに対応するコンピュータプログラム | |
CN105825494A (zh) | 一种图像处理方法及移动终端 | |
JP2006318474A (ja) | 画像シーケンス内のオブジェクトを追跡するための方法及び装置 | |
CN103559719A (zh) | 一种交互式图像分割方法 | |
CN110706151B (zh) | 一种面向视频的非均匀风格迁移方法 | |
CN107369204B (zh) | 一种从单幅照片恢复出场景基本三维结构的方法 | |
WO2020173024A1 (zh) | 面向智能家居场景的多手势精准分割方法 | |
CN107564078B (zh) | 一种带有干扰像素的栅格分区图自动矢量化方法 | |
CN110544262A (zh) | 一种基于机器视觉的子宫颈细胞图像分割方法 | |
CN111275729B (zh) | 精分割天空区域的方法及系统、图像换天的方法及系统 | |
JP2003256834A (ja) | 顔領域抽出及び顔構成要素位置判定装置 | |
CN107481253B (zh) | 一种基于边缘的斑点检测方法 | |
CN110490877B (zh) | 基于Graph Cuts的双目立体图像对目标分割方法 | |
CN114494272A (zh) | 一种基于深度学习的金属零件快速分割方法 | |
CN114155569A (zh) | 一种化妆进度检测方法、装置、设备及存储介质 | |
KR100928889B1 (ko) | 영상 다면체 구조를 이용한 영상 분할 및 합성 방법 | |
CN117036636B (zh) | 一种基于纹理替换的实景建筑物三维模型纹理重构方法 | |
JP7491830B2 (ja) | 被写体シルエット抽出装置、方法及びプログラム | |
Lai et al. | Surface-based background completion in 3D scene |
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 |