CN110264482B - 基于中智集变换矩阵因子分解的活动轮廓分割方法 - Google Patents

基于中智集变换矩阵因子分解的活动轮廓分割方法 Download PDF

Info

Publication number
CN110264482B
CN110264482B CN201910388494.8A CN201910388494A CN110264482B CN 110264482 B CN110264482 B CN 110264482B CN 201910388494 A CN201910388494 A CN 201910388494A CN 110264482 B CN110264482 B CN 110264482B
Authority
CN
China
Prior art keywords
active contour
image
method based
matrix factorization
features
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
Application number
CN201910388494.8A
Other languages
English (en)
Other versions
CN110264482A (zh
Inventor
董永生
张宏艳
刘中华
杨春蕾
谢国森
王琳
郑林涛
宋斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201910388494.8A priority Critical patent/CN110264482B/zh
Publication of CN110264482A publication Critical patent/CN110264482A/zh
Application granted granted Critical
Publication of CN110264482B publication Critical patent/CN110264482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/12Edge-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/194Segmentation; Edge detection involving foreground-background segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/50Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/56Extraction of image or video features relating to colour
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于中智集变换矩阵因子分解的活动轮廓分割方法,逻辑紧密、高效,具有很好的强鲁棒性,分别从空间、小波和光谱三重域中提取特征,使用中智集(NS)变换和相应操作来减少图像中的不确定性,继而得到NS特征,然后根据得到的NS特征矩阵,利用基于因子分解的活动轮廓模型(ACM)来完成图像分割过程,最后在各种复杂彩色自然图像上与其它几种分割算法进行比较实验,实验结果表明,我们的NSTMF‑AC方法对于复杂的两相自然纹理图像更加高效、稳健,可以实现自动分割自然彩色纹理图像,并对噪声具有强鲁棒性。

Description

基于中智集变换矩阵因子分解的活动轮廓分割方法
技术领域
本发明属于计算机视觉和模式识别领域,涉及关于彩色图像纹理分割方法,具体涉及基于中智集变换矩阵因子分解的活动轮廓分割方法。
背景技术
图像分割技术是模式识别和计算机视觉领域的研究重点,图像分割应用于很多不同的领域,例如:自动机器人,遥感,目标检测,医疗图像分析,无人机驾驶等。如何构建定义区域同质性的图像模型和有效的分割模型是图像分割要解决的问题。广泛的纹理分割方法是从局部图像块中提取特征,然后再利用一般的聚类或分割算法进行图像分割。现有技术中,大量的特征去代表纹理外观,广泛使用的是基于滤波器的特征,它使用滤波器组将图像分解为一组子带,以及统计建模,其表征纹理是由一些潜在的概率产生的分布。此外,图像分割模型主要采用聚类分割,活动轮廓分割。
活动轮廓(ACM)是一种经典高效的分割方法。与现存的分割方法相比,活动轮廓模型由于能够实现亚像素级的精度,并提供一个平滑和闭合曲线来表示分割结果而得到了广泛的应用。活动轮廓模型的基本思想是通过最小化能量函数来处理演化曲线。根据图像信息的不同用途,传统的活动轮廓模型可以分为两类:基于边缘的ACM和基于区域的ACM。基于边缘模型的设计一般是基于分割区域边缘强度变化剧烈的假设,利用梯度信息来指导曲线的演化。基于区域的模型通常选择感兴趣区域的适当描述符(如强度、颜色或纹理),同时利用某种统计技术计算描述符在相同区域内的分布,用于逼近输入图像,从而通过最小化估计误差来处理曲线的运动。
目前,如何构建定义区域同质性的图像模型和有效的分割模型是图像分割要解决的问题。现有技术中,用于图像的分割方法,大多是单向方法,如基于活动轮廓模型等,在简单的图形操作上还能适用,但是对于不同复杂图像的彩色纹理,分割起来较为低效,还容易出现极大误差、不稳定、分割不彻底以及分割错误等各种问题,极大违背了实验的结果和要求;另外,现有技术的分割方法在实际操作中,提取特征不够彻底,进而出现了之后的计算中结果缺失、错误等现象;还有,在计算变换和相应操作上,增加了图像的不确定性;最后,并不能对噪声进行很好地鲁棒性,在自动化、智能化、高精度化上欠缺。
发明内容
有鉴于此,为解决上述现有技术的不足,本发明的目的在于提供了基于中智集变换矩阵因子分解的活动轮廓分割方法,逻辑紧密、高效,具有很好的强鲁棒性,对于复杂的两相自然纹理图像更加高效、稳健。
为实现上述目的,本发明所采用的技术方案是:
基于中智集变换矩阵因子分解的活动轮廓分割方法,包括以下步骤:
S1:对输入的彩色图像进行特征提取:分别提取空间域、小波域、光谱域特征;
S11:提取空间域特征;
S12:提取小波域特征:定义小波子块的平均能量分别为MELH、MEHL,滑动窗口的值为τ,则:
Figure BDA0002055644340000031
Figure BDA0002055644340000032
其中,WLH和WHL是输入图像经过一级小波分解之后,得到的两个子块;
S13:提取光谱域特征:为输入图像选择固定窗口Ω,然后选择滤波器组{F{α},α=1,2,...,L},提取局部光谱直方图特征LSH,具体步骤如下:
Figure BDA0002055644340000033
LSH=(H(1),H(2),...,H(L));
其中,
Figure BDA0002055644340000034
表示对应于子带图像Ω{i}的光谱直方图,窗口Ω表示积分尺度;
S2:将步骤S1提取的特征通过中智集变换得到NS特征矩阵H;
S21:NS变换的具体步骤如下:
Figure BDA0002055644340000035
Figure BDA0002055644340000036
F(i,j)=1-T(i,j);
其中一幅图像在NS变换后分别由T(i,j)、I(i,j)和F(i,j)三部分组成,g(i,j)是像素点(i,j)的强度值,
Figure BDA0002055644340000041
是局部像素点强度平均值,
Figure BDA0002055644340000042
分别是
Figure BDA0002055644340000043
的最小值、最大值,δ(i,j)是强度值和平均强度值之差的绝对值,δmin和δmax分别是δ(i,j)的最小值和最大值;
S22:计算T、I和F三个部分的熵值,具体步骤如下:
Figure BDA0002055644340000044
Figure BDA0002055644340000045
Figure BDA0002055644340000046
其中,熵值ET、EI和EF分别是T、I和F三个部分的熵值,ENS是三个熵值之和,pT(i),pI(i)和pF(i)分别是元素i在T、I和F中的概率分布;满足条件(ENS-EI)/EI<ξ时,得到真子集的向量,则这些向量构造一个特征矩阵H,即NS特征矩阵;
S3:利用基于因子分解的活动轮廓模型将输入图像分割为前景和背景两个区域;
S31:构建自适应ACM,利用非负矩阵分解方法来计算前景区域、背景区域两部分的权重;
S32:使用上述步骤S31的权重,构建ACM的拟合能量函数,演化的活动轮廓定义为C={x|φ(x)=0},其中φ(x)为水平集函数,则基于矩阵分解的活动轮廓模型为:
E=λEF+ER
其中,λ是固定常数,EF是能量子项,ER是正则化子项;
S4:使用梯度下降算法,得到最终的彩色纹理分割结果:
Figure BDA0002055644340000051
Figure BDA0002055644340000052
其中,δ(φ)是狄克拉函数,Δt是时间间隔,φt是从第t次迭代获得的水平集函数。
进一步的,所述步骤S11中,提取空间域特征时,采用L*u*v颜色空间进行提取。
进一步的,所述步骤S31中,具体步骤如下:
定义图像域为Ω,Ω1、Ω2分别代表前景区域、背景区域,H是特征矩阵,分解如下:
H=Rβ;
其中,R=[r1,r2],β=[w1,w2]T;r1、r2分别是前景区域、背景区域的代表性特征,w1是r1对应的组合权重,w2是r2对应的组合权重。
进一步的,w1、w2的范围均为[0,1]。
进一步的,所述步骤S32中,能量子项EF表示基于非负矩阵因子分解的能量项,定义为:
EF=∫Ω[(1-w1(x))Hε(φ)+(1-w2(x))(1-Hε(φ))]dx;其中,Ω是整幅图像域,Hε(x)是平滑的Heaviside函数。
进一步的,所述步骤S32中,正则化子项ER定义为:
Figure BDA0002055644340000061
其中,μ、ν为固定常数参数。
本发明的有益效果是:
本发明的基于中智集变换矩阵因子分解的活动轮廓分割方法,逻辑紧密、高效,具有很好的强鲁棒性,分别从空间、小波和光谱三重域中提取特征,使用中智集(NS)变换和相应操作来减少图像中的不确定性,继而得到NS特征,然后根据得到的NS特征矩阵,利用基于因子分解的活动轮廓模型(ACM)来完成图像分割过程,最后在各种复杂彩色自然图像上与其它几种分割算法进行比较实验,实验结果表明,我们的NSTMF-AC方法对于复杂的两相自然纹理图像更加高效、稳健,可以实现自动分割自然彩色纹理图像,并对噪声具有强鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的附图。
图1为本发明的方法流程图;
图2为实施例中在不同积分尺度下图像的分割示意图。
具体实施方式
下面给出具体实施例,对本发明的技术方案作进一步清楚、完整、详细地说明。本实施例是以本发明技术方案为前提的最佳实施例,但本发明的保护范围不限于下述的实施例。
基于中智集变换矩阵因子分解的活动轮廓分割方法,包括以下步骤:
S1:对输入的彩色图像进行特征提取:分别提取空间域、小波域、光谱域特征;
S11:提取空间域特征;
S12:提取小波域特征:定义小波子块的平均能量分别为MELH、MEHL,滑动窗口的值为τ,本实施例中,τ的值为5,则:
Figure BDA0002055644340000071
Figure BDA0002055644340000072
其中,WLH和WHL是输入图像经过一级小波分解之后,得到的两个子块;
S13:提取光谱域特征:为输入图像选择固定窗口Ω,然后选择滤波器组{F{α},α=1,2,...,L},这些过滤器执行卷积操作以获得响应结果,提取局部光谱直方图特征LSH,具体步骤如下:
Figure BDA0002055644340000073
LSH=(H(1),H(2),...,H(L));
其中,
Figure BDA0002055644340000081
表示对应于子带图像Ω{i}的光谱直方图,窗口Ω表示积分尺度;
光谱域是纹理图像的重要通道,因此构造有效的光谱特征可以改善纹理表示和分割性能;本实施例中,局部频谱直方图可以有效地表示所选光谱域中的纹理外观,通过两个LoG滤波器和一个强度滤波器计算局部频谱直方图,集成比例应足够大,以便获得更有效的纹理信息,但是,集成规模越大,计算复杂度越高;本实施例中,当选择积分尺度为10时,边界可以精确定位;
S2:将步骤S1提取的特征通过中智集变换得到NS特征矩阵H;由于从三个不同的颜色纹理域中提取上述特征,可能无法通过直接连接它们来获得有效的颜色纹理呈现;另一方面,对于两阶段纹理分割任务,每个像素应该被分类为前景或背景区域;在细分过程中不应该存在不确定性,在中智集(NS)中,不确定性被明确量化,因此,可以通过使用NS变换及其后续操作来减少图像中的不确定成分;
S21:NS变换的具体步骤如下:
Figure BDA0002055644340000082
Figure BDA0002055644340000083
F(i,j)=1-T(i,j);
其中一幅图像在NS变换后分别由T(i,j)、I(i,j)和F(i,j)三部分组成,g(i,j)是像素点(i,j)的强度值,g(i,j)是局部像素点强度平均值,
Figure BDA0002055644340000091
分别是
Figure BDA0002055644340000095
的最小值、最大值,δ(i,j)是强度值和平均强度值之差的绝对值,δmin和δmax分别是δ(i,j)的最小值和最大值;
S22:计算T、I和F三个部分的熵值,具体步骤如下:
Figure BDA0002055644340000092
Figure BDA0002055644340000093
Figure BDA0002055644340000094
其中,熵值ET、EI和EF分别是T、I和F三个部分的熵值,ENS是三个熵值之和,pT(i),pI(i)和pF(i)分别是元素i在T、I和F中的概率分布;满足条件(ENS-EI)/EI<ξ时,得到真子集的向量,则这些向量构造一个特征矩阵H,即NS特征矩阵;
S3:利用基于因子分解的活动轮廓模型将输入图像分割为前景和背景两个区域;
S31:构建自适应ACM,利用非负矩阵分解方法来计算前景区域、背景区域两部分的权重;
S32:使用上述步骤S31的权重,构建ACM的拟合能量函数,演化的活动轮廓定义为C={x|φ(x)=0},其中φ(x)为水平集函数,则基于矩阵分解的活动轮廓模型为:
E=λEF+ER
其中,λ是固定常数,EF是能量子项,ER是正则化子项;
S4:使用梯度下降算法,得到最终的彩色纹理分割结果:
Figure BDA0002055644340000101
Figure BDA0002055644340000102
其中,δ(φ)是狄克拉函数,Δt是时间间隔,φt是从第t次迭代获得的水平集函数。
进一步的,所述步骤S31中,具体步骤如下:
定义图像域为Ω,Ω1、Ω2分别代表前景区域、背景区域,H是特征矩阵,分解如下:
H=Rβ;
其中,R=[r1,r2],β=[w1,w2]T;r1、r2分别是前景区域、背景区域的代表性特征,w1是r1对应的组合权重,w2是r2对应的组合权重。
进一步的,w1、w2的范围均为[0,1]。
进一步的,正则化子项ER的作用是平滑曲线并且避免重新初始化操作,欧几里德长度项也包含在公式中;所述步骤S32中,正则化子项ER定义为:
Figure BDA0002055644340000103
其中,μ、ν为固定常数参数。
进一步的,所述步骤S32中,能量子项EF表示基于非负矩阵因子分解的能量项,定义为:
EF=∫Ω[(1-w1(x))Hε(φ)+(1-w2(x))(1-Hε(φ))]dx;其中,Ω是整幅图像域,Hε(x)是平滑的Heaviside函数。
进一步的,所述步骤S32中,基于矩阵分解的活动轮廓模型为:
E=λEF+ER;则可以表示为:
Figure BDA0002055644340000111
这里,λ,μ和ν均是常数参数,Hε(x)是平滑的Heaviside函数,Ω代表整幅图像域,φ(x)是水平集函数。
进一步的,所述步骤S11中,提取空间域特征时,采用L*u*v颜色空间进行提取。相较于其他颜色空间,L*u*v颜色空间具有很好的感知统一性。
进一步的,本实施例中,选择Berkeley dataset中的一些图像进行实验。其中的固定参数λ,μ,ν和Δt均取值为1。主要分为三个部分:
1、简单彩色图像的实验与参数的研究:首先选择两张简单的自然图像实验,然后将其与原始的基于NS的方法和传统的C-V方法进行比较。然后,为了选择合适的积分尺度,选择三种不同的颜色纹理在不同积分尺度下实验,实验结果如图2所示;
2、多种方法的比较实验:对更多复杂的自然纹理图像进行对比实验。此外,在不同强度噪声图像上进行实验;
3、定量评估:定义两个评估标准,分别是分割精度SA和F-measure。实验结果如表1,2,3,4所示:
表1:6个方法在不同复杂图像上的分割精度(SA)表
Figure BDA0002055644340000121
表2:6个方法在不同复杂图像上的F-measure表
Figure BDA0002055644340000131
表3:6个方法在不同强度噪声图像上的分割精度(SA)表
Figure BDA0002055644340000132
表4:6个方法在不同强度噪声图像上的F-measure表
Figure BDA0002055644340000141
我们分别对C-V,NS,SPF,FBM,LSACM和NSTMF-AC进行实验,实验结果表明,我们提出的方法NSTMF-AC在不同复杂图像上均具有相对更好的分割结果,对于复杂的两相自然纹理图像更加高效、稳健,而且对不同的高斯图像噪声具有鲁棒性。因此,本发明更具有广泛的应用价值。
综上所述,本发明的基于中智集变换矩阵因子分解的活动轮廓分割方法,逻辑紧密、高效,具有很好的强鲁棒性,分别从空间、小波和光谱三重域中提取特征,使用中智集(NS)变换和相应操作来减少图像中的不确定性,继而得到NS特征,然后根据得到的NS特征矩阵,利用基于因子分解的活动轮廓模型(ACM)来完成图像分割过程,最后在各种复杂彩色自然图像上与其它几种分割算法进行比较实验,实验结果表明,本发明的NSTMF-AC方法,即基于中智集变换矩阵因子分解的活动轮廓分割方法,对于复杂的两相自然纹理图像更加高效、稳健,可以实现自动分割自然彩色纹理图像,并对噪声具有强鲁棒性。
以上显示和描述了本发明的主要特征、基本原理以及本发明的优点。本行业技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会根据实际情况有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.基于中智集变换矩阵因子分解的活动轮廓分割方法,其特征在于:包括以下步骤:
S1:对输入的彩色图像进行特征提取:分别提取空间域、小波域、光谱域特征;
S11:提取空间域特征;
S12:提取小波域特征:定义小波子块的平均能量分别为MELH、MEHL,滑动窗口的值为τ,则:
Figure FDA0002055644330000011
Figure FDA0002055644330000012
其中,WLH和WHL是输入图像经过一级小波分解之后,得到的两个子块;
S13:提取光谱域特征:为输入图像选择固定窗口Ω,然后选择滤波器组{F{α},α=1,2,...,L},提取局部光谱直方图特征LSH,具体步骤如下:
Figure FDA0002055644330000013
LSH=(H(1),H(2),...,H(L));
其中,
Figure FDA0002055644330000014
表示对应于子带图像Ω{i}的光谱直方图,窗口Ω表示积分尺度;
S2:将步骤S1提取的特征通过中智集变换得到NS特征矩阵H;
S21:NS变换的具体步骤如下:
Figure FDA0002055644330000021
Figure FDA0002055644330000022
F(i,j)=1-T(i,j);
其中一幅图像在NS变换后分别由T(i,j)、I(i,j)和F(i,j)三部分组成,g(i,j)是像素点(i,j)的强度值,
Figure FDA0002055644330000023
是局部像素点强度平均值,
Figure FDA0002055644330000024
分别是
Figure FDA0002055644330000025
的最小值、最大值,δ(i,j)是强度值和平均强度值之差的绝对值,δmin和δmax分别是δ(i,j)的最小值和最大值;
S22:计算T、I和F三个部分的熵值,具体步骤如下:
Figure FDA0002055644330000026
Figure FDA0002055644330000027
Figure FDA0002055644330000028
其中,熵值ET、EI和EF分别是T、I和F三个部分的熵值,ENS是三个熵值之和,pT(i),pI(i)和pF(i)分别是元素i在T、I和F中的概率分布;满足条件(ENS-EI)/EI<ξ时,得到真子集的向量,则这些向量构造一个特征矩阵H,即NS特征矩阵;
S3:利用基于因子分解的活动轮廓模型将输入图像分割为前景和背景两个区域;
S31:构建自适应ACM,利用非负矩阵分解方法来计算前景区域、背景区域两部分的权重;
S32:使用上述步骤S31的权重,构建ACM的拟合能量函数,演化的活动轮廓定义为C={x|φ(x)=0},其中φ(x)为水平集函数,则基于矩阵分解的活动轮廓模型为:
E=λEF+ER
其中,λ是固定常数,EF是能量子项,ER是正则化子项;
S4:使用梯度下降算法,得到最终的彩色纹理分割结果:
Figure FDA0002055644330000031
Figure FDA0002055644330000032
其中,δ(φ)是狄克拉函数,Δt是时间间隔,φt是从第t次迭代获得的水平集函数。
2.根据权利要求1所述的基于中智集变换矩阵因子分解的活动轮廓分割方法,其特征在于:所述步骤S11中,提取空间域特征时,采用L*u*v颜色空间进行提取。
3.根据权利要求1所述的基于中智集变换矩阵因子分解的活动轮廓分割方法,其特征在于:所述步骤S31中,具体步骤如下:
定义图像域为Ω,Ω1、Ω2分别代表前景区域、背景区域,H是特征矩阵,分解如下:
H=Rβ;
其中,R=[r1,r2],β=[W1,W2]T;r1、r2分别是前景区域、背景区域的代表性特征,W1是r1对应的组合权重,w2是r2对应的组合权重。
4.根据权利要求3所述的基于中智集变换矩阵因子分解的活动轮廓分割方法,其特征在于:w1、w2的范围均为[0,1]。
5.根据权利要求1所述的基于中智集变换矩阵因子分解的活动轮廓分割方法,其特征在于:所述步骤S32中,能量子项EF表示基于非负矩阵因子分解的能量项,定义为:
EF=∫Ω[(1-w1(x))Hε(φ)+(1-w2(x))(1-Hε(φ))]dx;其中,Ω是整幅图像域,Hε(x)是平滑的Heaviside函数。
6.根据权利要求1所述的基于中智集变换矩阵因子分解的活动轮廓分割方法,其特征在于:所述步骤S32中,正则化子项ER定义为:
Figure FDA0002055644330000041
其中,μ、ν为固定常数参数。
CN201910388494.8A 2019-05-10 2019-05-10 基于中智集变换矩阵因子分解的活动轮廓分割方法 Active CN110264482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910388494.8A CN110264482B (zh) 2019-05-10 2019-05-10 基于中智集变换矩阵因子分解的活动轮廓分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910388494.8A CN110264482B (zh) 2019-05-10 2019-05-10 基于中智集变换矩阵因子分解的活动轮廓分割方法

Publications (2)

Publication Number Publication Date
CN110264482A CN110264482A (zh) 2019-09-20
CN110264482B true CN110264482B (zh) 2022-09-09

Family

ID=67912999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910388494.8A Active CN110264482B (zh) 2019-05-10 2019-05-10 基于中智集变换矩阵因子分解的活动轮廓分割方法

Country Status (1)

Country Link
CN (1) CN110264482B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826472B (zh) * 2019-11-01 2023-06-27 新疆大学 图像检测方法及装置
CN113298790B (zh) * 2021-05-31 2023-05-05 奥比中光科技集团股份有限公司 一种图像滤波方法、装置、终端和计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869178A (zh) * 2016-04-26 2016-08-17 昆明理工大学 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法
CN105894496A (zh) * 2016-03-18 2016-08-24 常州大学 一种基于半局部纹理特征的二阶段图像分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2131325B1 (en) * 2008-05-08 2013-01-30 Agfa Healthcare Method for mass candidate detection and segmentation in digital mammograms

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894496A (zh) * 2016-03-18 2016-08-24 常州大学 一种基于半局部纹理特征的二阶段图像分割方法
CN105869178A (zh) * 2016-04-26 2016-08-17 昆明理工大学 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于小波变换和形态学分水岭的血细胞图像分割;黄籽博等;《计算技术与自动化》;20170915(第03期);全文 *
小波变换联合互信息量的水平集策略分割B超病灶;杨谊等;《计算机应用与软件》;20160115(第01期);全文 *

Also Published As

Publication number Publication date
CN110264482A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
Yuan et al. Factorization-based texture segmentation
Xu et al. Image inpainting by patch propagation using patch sparsity
CN110866439B (zh) 基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法
CN111340697B (zh) 一种基于聚类回归的图像超分辨方法
CN111950406A (zh) 一种手指静脉识别方法、装置及存储介质
CN110796022B (zh) 一种基于多流形耦合映射的低分辨人脸识别方法
CN112926452B (zh) 一种基于GCN和GRU增强U-Net特征的高光谱分类方法及系统
CN109829924A (zh) 一种基于主体特征分析的图像质量评价方法
CN110264482B (zh) 基于中智集变换矩阵因子分解的活动轮廓分割方法
CN111695455B (zh) 一种基于耦合判别流形对齐的低分辨人脸识别方法
Dhar et al. Accurate segmentation of complex document image using digital shearlet transform with neutrosophic set as uncertainty handling tool
CN110097499B (zh) 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法
CN113920210A (zh) 基于自适应图学习主成分分析方法的图像低秩重构方法
Karabatak et al. Wavelet domain association rules for efficient texture classification
CN113239785A (zh) 一种基于卷积神经网络的户型自动识别的方法、系统、存储介质及电子设备
CN113378620A (zh) 监控视频噪声环境下跨摄像头行人重识别方法
Krupiński et al. Binarization of degraded document images with generalized Gaussian distribution
CN113313655B (zh) 一种基于显著性映射和梯度倒频谱技术的盲图像去模糊方法
CN112927169B (zh) 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法
CN115205308A (zh) 一种基于线状滤波和深度学习的眼底图像血管分割方法
Azzabou et al. Uniform and textured regions separation in natural images towards MPM adaptive denoising
Zhang et al. A generative adversarial network with dual discriminators for infrared and visible image fusion based on saliency detection
CN115082337A (zh) 一种基于双重全变分的高光谱混合噪声去除方法
CN113887656A (zh) 一种联合深度学习与稀疏表示的高光谱图像分类方法
CN112529081A (zh) 基于高效注意力校准的实时语义分割方法

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