CN110415254A - 一种基于振荡耦合网络的水平集图像分割方法、计算机 - Google Patents
一种基于振荡耦合网络的水平集图像分割方法、计算机 Download PDFInfo
- Publication number
- CN110415254A CN110415254A CN201910493587.7A CN201910493587A CN110415254A CN 110415254 A CN110415254 A CN 110415254A CN 201910493587 A CN201910493587 A CN 201910493587A CN 110415254 A CN110415254 A CN 110415254A
- Authority
- CN
- China
- Prior art keywords
- image
- level set
- pixel
- phase
- coupling network
- 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
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,公开了一种基于振荡耦合网络的水平集图像分割方法、计算机,包括:输入待分割图像;提取图像特征;初始化相位;使用Kuramoto模型对相位进行迭代演化;根据稳定后的相位获取图像中的目标个数和符合高斯分布的相位图;初始化演化曲线;计算相位图中每个像素的重构误差;累加每个像素的重构误差,构造数据驱动能量项;最小化该能量函数,驱动曲线演化,得到分割结果。相对于传统的有监督的水平集方法,本发明是基于Kuramoto模型得到图像中待分割目标的个数以及符合高斯分布的图像信息。由于高斯分布更符合图像的实际分布,因而,能够更好地实现无监督的多目标图像分割。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于振荡耦合网络的水平集图像分割方法、计算机。
背景技术
目前,最接近的现有技术:在过去的半个世纪中,图像分割一直受到人们的关注并保持持久的研究热度,至今已提出上千种基于不同理论的分割方法。图像分割是图像特征提取之前的主要工作,它也是计算机视觉处理的基本步骤。图像分割的好坏直接影响后期图像分析的结果。因此,性能优良的图像分割方法的研究一直是国内外学者研究和关注的焦点。
从图像信息的不同和分割方式的不同方法等几个方面介绍。
(1)基于阈值的图像分割方法
基于阈值的图像分割方法又称为门限化分割。它将图像硬划分为前景和背景两个区域,如灰度阈值。基于阈值的分割方法具有结构简单高效、计算成本低廉,计算速度快等优点。但是也存在一定的缺点,对于可处理的数据有很大的局限性。首先,此类方法对于多类目标分割是不能使用的,仅能将图像分别为两个区域;此外,对于前景与背景一致性较强或者前景灰度低于背景灰度的情况,此方法的分割效果较差,它能较好地应用于前景和背景存在较大差异的数据。
(2)基于区域的图像分割方法
基于区域的分割方法是根据区域内的像素之间具有相似特性(例如,颜色、纹理等)并且与其他区域中的像素不相似的原理对图像进行分割。基于区域的分割方法的目的是产生均匀的区域,其面积增大并且使图像中的其他区域减少。基于区域的方法从根本上划分为区域生长方法和区域分裂合并方法。
(3)基于聚类的图像分割方法
“聚类”是数理统计中的一种说法,它是对数据样本进行多类别分类的处理,而且每一类不交叉。假设数据样本D=(x1,x2......xm)包含m个样本,每个样本 xi=(xi1,xi2......xin)是一个n维特征向量。聚类方法是将这个样本集划分为k个不同的簇{Cl|l=1,2......l}。聚类是基于其属性分组的过程。该类方法的目标是识别数据中的簇。例如:图像中通常包含一组类似的像素,这些像素属于特定区域并且与其他区域不同,这些像素被赋予相应的标签,所以可以对图像像素进行分组进而得到分割结果。
众多图像分割方法中,活动轮廓模型倍受关注,根据能量函数是否含有参数,分为参数活动轮廓模型和几何活动轮廓模型。参数活动轮廓模型将曲线以参数的形式显式地表达。这类模型表示方式简单易懂,但在演化过程中难以适应曲线的拓扑变化。几何活动轮廓模型没有参数,典型代表是基于水平集方法的活动轮廓模型。水平集活动轮廓模型将演化曲线嵌入到高一阶的能量函数中,能量函数的零水平集就是演化曲线。演化曲线的这种隐式表达方式,使曲线能够自动处理演化过程中的拓扑变化,更适用于图像分割。
但是传统水平集的演化曲线只能刻画曲线内外两块区域,针对含有多个待分割目标的图像,只能通过有监督地初始化多条水平集曲线进行分割,不能很好地应用于社会对图像分割自动化、智能化的需求。
1989年,科学家通过实验发现生物系统利用皮层神经元的振荡同步来实现视觉功能,引起了社会广泛的关注。通过刺激强迫和刺激诱导同步,脉冲耦合神经网络使具有相似输入的神经元同步振荡,可用于图像聚类、图像分割等多个领域。近年来,基于同步振荡的神经网络模型在图像分割中的应用越来越广泛,其中较为常用的是Kuranmoto模型,该模型以图像像素为基本神经元,经过同步耦合振荡,其终止状态在全局上符合高斯分布,也具有表征图像中待分割目标数目的特性。但是因其不能很好刻画空间信息,面对复杂图像时稳定后的相位呈连续高斯分布,不能精确地提出目标的真实轮廓。
综上所述,现有技术存在的问题是:
(1)传统水平集的演化曲线只能刻画曲线内外两块区域只能通过有监督地初始化多条水平集曲线进行分割,不能很好地应用于社会对图像分割自动化、智能化的需求。
(2)现有基于同步振荡的神经网络模型不能很好刻画空间信息,该模型不能很好的用于自然图像分割。
解决上述技术问题的难度:
(1)基于振荡耦合网络的图像分割,在演化处理的过程中需要将输入图像转化图模型。如何处理图像和图的映射关系,在节约计算量的同时能够实现精准的图像分割是本发明的技术要点;
(2)本发明将耦合振荡网络和水平集方程结合到一起,如何设计水平集方程的能量泛函使之能够符合耦合振荡网络稳定输出的结果,决定着图像分割的最终结果。
解决上述技术问题的意义:
Kuramoto模型作为一种神经振荡网络模型,其的离散结构在图像上具有广泛的应用空间,凭借其同步特性能够无监督地获得图像中目标的个数。但是在面对彩色复杂图像时,Kuramoto模型未考虑到像素之间的空间关系以及相位图连续分布在固定范围内无法给出精确类别等问题给实现图像分割带来了困难。针对上述问题,本发明充分利用Kuramoto模型特点,考虑到待分割图像的目标特征,改进了Kuramoto模型的能量泛函利用主动轮廓模型来精准地提取目标边缘以实现彩色图像的多目标无监督分割。
发明内容
针对现有技术存在的问题,本发明提供了一种基于振荡耦合网络的水平集图像分割方法、计算机。
本发明是这样实现的,一种基于振荡耦合网络的水平集图像分割方法,所述基于振荡耦合网络的水平集图像分割方法包括:
第一步,将同步振荡网络与水平集方程有机的结合,同步振荡网络的终止态信息满足高斯分布,且能根据分布图,自动初始化多条水平集;
第二步,计算像素相位与演化曲线内均值的误差,累加所有像素的误差得到高斯化能量函数;
第三步,最小化能量函数,驱动曲线演化到目标的边界。
进一步,所述基于振荡耦合网络的水平集图像分割方法具体包括:
步骤一,输入图像,大小为M×N的待分割图像I;
步骤二,对于图像中的每个像素点i,提取HSV特征,计算全连接的邻接矩阵Aij;
步骤三,对于图中的每个像素点i,给定一个随机初始相位θi(0),取值范围 [0,2π];
步骤四,根据典型振荡耦合网络Kuramoto模型,每个像素点i上的相位θi迭代演化s次至稳定状态,计算第s次迭代后的相位相位θi(s);
步骤五,绘出稳定后的相位分布图,统计波峰数目k,分别得到待分割图像的相位图Iθ和图中明显目标个数k;
步骤六,人工或者自动地初始化k条演化曲线,并用水平集函数表示为φ0 i,i=1…k;
步骤七,将相位图Iθ作为水平集特征图,给每条演化曲线都将图像分割为内部区域Rin i和外部区域Rout i。将内部区域Rin i展开成矩阵Win i=[x1,…,xm],其中m表示内部区域像素点数,同理,将外部区域Rout i展开成矩阵Wout i=[x1,…,xn],n表示外部区域像素点数,Win i和Wout i是一个具有高斯分布特性的矩阵;
步骤八,统计Win i和Wout i内的均值和方差,分别得到
步骤九,对于区域R的某个像素,其误差为:相位图特征与区域均值之间的欧氏距离;累加图像上每个像素的误差,构造数据驱动能量项;
步骤十,最小化所构造的新颖的能量函数,驱动曲线演化,得到分割结果。
进一步,所述步骤二对于图像中的每个像素点i,提取其HSV特征,计算全连接的邻接矩阵Aij,具体过程如下:
第一步,提取HSV特征:其中,为图像的H通道,为图像的S通道,N为像素点总数;
第二步,计算邻接矩阵A:其中i,j=[1,2,3…k]。
进一步,所述步骤四根据典型振荡耦合网络Kuramoto模型,每个像素点i上的相位θi迭代演化s次至稳定状态,计算第s次迭代后的相位相位θi(s),具体步骤:
第一步,Kuraoto相位对应的能量演化方程为:
第二步,Kuraoto相位的更新方程为:
第三步,迭代更新全局相位θ,直到收敛得到最后的稳定结果Θ。
进一步,所述步骤九对于区域R的某个像素,其误差为:相位图特征与区域均值之间的欧氏距离;累加图像上每个像素的误差,构造数据驱动能量项,具体步骤为:
第一步,使用欧式距离度量每个像素的与区域内外均值误差:Θe=||θi-μ||2;
第二步,累加每个像素的重构误差,构造数据驱动能量项和正则项:其中,φt为t时刻的水平集函数,H(·)为Heaviside函数,ei、λ为参数。
进一步,所述步骤十最小化所构造的新颖的能量函数,驱动曲线演化,得到分割结果,具体步骤为:
第一步,能量函数对应的演化方程为:
第二步,水平集函数的更新方程为:
第三步,迭代更新水平集函数φ,直到收敛得到最后的分割结果φ*。
本发明的另一目的在于提供一种应用所述基于振荡耦合网络的水平集图像分割方法的计算机。
综上所述,本发明的优点及积极效果为:传统基于水平集模型的分割方法通常假设图像目标和背景满足均匀分布,本发明使用了Kuramoto模型,经过相位迭代稳定后的相位图像信息满足高斯分布,高斯分布更满足图像信息的实际分布,而且能够根据相位直方图给出图像中待分割目标的目标个数。因而,本方法在实现无监督地多目标图像分割的基础上,具有提升非匀质图像分割效果、对噪声鲁棒等优点。
本发明创造性地将振荡耦合网络应用到基于水平集方法的图像分割中。传统基于水平集方法的多目标图像分割通常是有监督的,需要人工初始化多条演化曲线而振荡耦合网络技术很好地提供了初始化目标个数,而且像素的稳定相位满足高斯分布,高斯分布更满足图像信息的实际分布。因而,能够较好地分割多目标图像。
附图说明
图1是本发明实施例提供的基于振荡耦合网络的水平集图像分割方法流程图。
图2是本发明实施例提供的于振荡耦合网络的水平集图像分割方法实现流程图。
图3是本发明实施例提供的多目标图像上的分割结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有基于同步振荡的神经网络模型不能很好刻画空间信息,该模型不能很好的用于自然图像分割的问题,本发明使用振荡耦合网络经过迭代达到稳定态来绘制出相位分布图,计算出目标个数,同时计算每个像素相位的误差,最后使所有像素重构误差的和最小,即得到分割结果。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于振荡耦合网络的水平集图像分割方法包括以下步骤:
S101:将同步振荡网络与水平集方程有机的结合,同步振荡网络的终止态信息满足高斯分布,且能根据分布图,自动初始化多条水平集;
S102:计算像素相位与演化曲线内均值的误差,累加所有像素的误差得到高斯化能量函数;
S103:最小化能量函数,驱动曲线演化到目标的边界。
下面结合附图对本发明的应用原理作进一步的描述。
如图1所示,本发明实施例提供的基于振荡耦合网络的水平集图像分割方法具体包括以下步骤:
步骤一,输入图像。大小为M×N的待分割图像I;
步骤二,对于图像中的每个像素点i,提取其HSV特征,计算全连接的邻接矩阵Aij,具体过程如下:
第一步,提取HSV特征:其中,为图像的H通道,为图像的S通道,N为像素点总数;
第二步,计算邻接矩阵A:其中i,j=[1,2,3…k];
步骤三,对于图中的每个像素点i,给定一个随机初始相位θi(0),取值范围 [0,2π];
步骤四,根据典型振荡耦合网络Kuramoto模型,每个像素点i上的相位θi迭代演化s次至稳定状态,计算第s次迭代后的相位相位θi(s),具体步骤:
第一步,Kuraoto相位对应的能量演化方程为:
第二步,Kuraoto相位的更新方程为:
第三步,迭代更新全局相位θ,直到收敛得到最后的稳定结果Θ。
步骤五,绘出稳定后的相位分布图,统计波峰数目k,分别得到待分割图像的相位图Iθ和图中明显目标个数k;
步骤六,人工或者自动地初始化k条演化曲线,并用水平集函数表示为φ0 i,i=1…k;
步骤七,将相位图Iθ作为水平集特征图,给每条演化曲线都将图像分割为内部区域Rin i和外部区域Rout i。将内部区域Rin i展开成矩阵Win i=[x1,…,xm],其中m表示内部区域像素点数,同理,将外部区域Rout i展开成矩阵Wout i=[x1,…,xn],n表示外部区域像素点数,Win i和Wout i是一个具有高斯分布特性的矩阵;
步骤八,统计Win i和Wout i内的均值和方差,分别得到
步骤九,对于区域R的某个像素,其误差为:相位图特征与区域均值之间的欧氏距离。累加图像上每个像素的误差,构造数据驱动能量项,具体步骤为:
第一步,使用欧式距离度量每个像素的与区域内外均值误差:Θe=||θi-μ||2;
第二步,累加每个像素的重构误差,构造数据驱动能量项和正则项:其中,φt为t时刻的水平集函数,H(·)为Heaviside函数,ei、λ为参数;
步骤十,最小化上一步所构造的新颖的能量函数,驱动曲线演化,得到分割结果,具体步骤为:
第一步,能量函数对应的演化方程为:
第二步,水平集函数的更新方程为:
第三步,迭代更新水平集函数φ,直到收敛得到最后的分割结果φ*。
下面结合仿真对本发明的应用效果作详细的描述。
1.仿真条件
本发明是在中央处理器为Intel(R)Corei7-47903.60GHZ、内存16G、 WINDOWS 10操作系统上,运用MATLAB软件进行的仿真。
2.仿真内容
本发明在人工合成的多目标图像进行了图像分割仿真实验,选取了3组自然图像来说明本发明的分割效果。在本发明中,Kuramoto模型潜在地把数据转化成高斯分布,这更符合图像信息的实际分布。
3.仿真效果分析:
本发明可以适用于自然图像的目标分割,无论图像是单目标还是多目标的。从实验结果可以看出,在图像含有多个目标时,本发明可以取得较好的分割结果,这说明了Kuramoto模型迭代相位的合理性。相对于人工的初始化多个曲线,本发明的方法能够无监督的获得目标种类,最后得到较好的分割结果。
表1实验中使用四种度量准则:欠检测误差(Under Detection Error,UDE),过检测误差(Over Detection Error,ODE),位置错误率(Localization Error,LE) 以及F-测度(F-measure,FM)。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于振荡耦合网络的水平集图像分割方法,其特征在于,所述基于振荡耦合网络的水平集图像分割方法包括:
第一步,将同步振荡网络与水平集方程有机的结合,同步振荡网络的终止态信息满足高斯分布,且能根据分布图,自动初始化多条水平集;
第二步,计算像素相位与演化曲线内均值的误差,累加所有像素的误差得到高斯化能量函数;
第三步,最小化能量函数,驱动曲线演化到目标的边界。
2.如权利要求1所述的基于振荡耦合网络的水平集图像分割方法,其特征在于,所述基于振荡耦合网络的水平集图像分割方法具体包括:
步骤一,输入图像,大小为M×N的待分割图像I;
步骤二,对于图像中的每个像素点i,提取HSV特征,计算全连接的邻接矩阵Aij;
步骤三,对于图中的每个像素点i,给定一个随机初始相位θi(0),取值范围[0,2π];
步骤四,根据典型振荡耦合网络Kuramoto模型,每个像素点i上的相位θi迭代演化s次至稳定状态,计算第s次迭代后的相位相位θi(s);
步骤五,绘出稳定后的相位分布图,统计波峰数目k,分别得到待分割图像的相位图Iθ和图中明显目标个数k;
步骤六,人工或者自动地初始化k条演化曲线,并用水平集函数表示为φ0 i,i=1…k;
步骤七,将相位图Iθ作为水平集特征图,给每条演化曲线都将图像分割为内部区域Rin i和外部区域Rout i;将内部区域Rin i展开成矩阵Win i=[x1,…,xm],其中m表示内部区域像素点数,同理,将外部区域Rout i展开成矩阵Wout i=[x1,…,xn],n表示外部区域像素点数,Win i和Wout i是一个具有高斯分布特性的矩阵;
步骤八,统计Win i和Wout i内的均值和方差,分别得到
步骤九,对于区域R的某个像素,其误差为:相位图特征与区域均值之间的欧氏距离;累加图像上每个像素的误差,构造数据驱动能量项;
步骤十,最小化所构造的新颖的能量函数,驱动曲线演化,得到分割结果。
3.如权利要求2所述的基于振荡耦合网络的水平集图像分割方法,其特征在于,所述步骤二对于图像中的每个像素点i,提取其HSV特征,计算全连接的邻接矩阵Aij,具体过程如下:
第一步,提取HSV特征:其中,为图像的H通道,为图像的S通道,N为像素点总数;
第二步,计算邻接矩阵A:其中i,j=[1,2,3…k]。
4.如权利要求2所述的基于振荡耦合网络的水平集图像分割方法,其特征在于,所述步骤四根据典型振荡耦合网络Kuramoto模型,每个像素点i上的相位θi迭代演化s次至稳定状态,计算第s次迭代后的相位相位θi(s),具体步骤:
第一步,Kuraoto相位对应的能量演化方程为:
第二步,Kuraoto相位的更新方程为:
第三步,迭代更新全局相位θ,直到收敛得到最后的稳定结果Θ。
5.如权利要求2所述的基于振荡耦合网络的水平集图像分割方法,其特征在于,所述步骤九对于区域R的某个像素,其误差为:相位图特征与区域均值之间的欧氏距离;累加图像上每个像素的误差,构造数据驱动能量项,具体步骤为:
第一步,使用欧式距离度量每个像素的与区域内外均值误差:Θe=||θi-μ||2;
第二步,累加每个像素的重构误差,构造数据驱动能量项和正则项:其中,φt为t时刻的水平集函数,H(·)为Heaviside函数,ei、λ为参数。
6.如权利要求2所述的基于振荡耦合网络的水平集图像分割方法,其特征在于,所述步骤十最小化所构造的新颖的能量函数,驱动曲线演化,得到分割结果,具体步骤为:
第一步,能量函数对应的演化方程为:
第二步,水平集函数的更新方程为:
第三步,迭代更新水平集函数φ,直到收敛得到最后的分割结果φ*。
7.一种应用权利要求1所述基于振荡耦合网络的水平集图像分割方法的计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493587.7A CN110415254B (zh) | 2019-06-06 | 2019-06-06 | 一种基于振荡耦合网络的水平集图像分割方法、计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493587.7A CN110415254B (zh) | 2019-06-06 | 2019-06-06 | 一种基于振荡耦合网络的水平集图像分割方法、计算机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415254A true CN110415254A (zh) | 2019-11-05 |
CN110415254B CN110415254B (zh) | 2023-01-03 |
Family
ID=68358455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910493587.7A Active CN110415254B (zh) | 2019-06-06 | 2019-06-06 | 一种基于振荡耦合网络的水平集图像分割方法、计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415254B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936018A (zh) * | 2020-06-29 | 2022-01-14 | 千寻位置网络有限公司 | 地面印刷物的边界提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504695A (zh) * | 2014-12-16 | 2015-04-08 | 上海交通大学 | 一种磁共振延迟增强序列心肌分割方法 |
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN108596911A (zh) * | 2018-03-15 | 2018-09-28 | 西安电子科技大学 | 一种基于pca重构误差水平集的图像分割方法 |
-
2019
- 2019-06-06 CN CN201910493587.7A patent/CN110415254B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504695A (zh) * | 2014-12-16 | 2015-04-08 | 上海交通大学 | 一种磁共振延迟增强序列心肌分割方法 |
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN108596911A (zh) * | 2018-03-15 | 2018-09-28 | 西安电子科技大学 | 一种基于pca重构误差水平集的图像分割方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936018A (zh) * | 2020-06-29 | 2022-01-14 | 千寻位置网络有限公司 | 地面印刷物的边界提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110415254B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108319957A (zh) | 一种基于超点图的大规模点云语义分割方法 | |
CN110443809A (zh) | 带边界约束的结构敏感性彩色图像分割超像素化方法 | |
CN105761238B (zh) | 一种通过灰度统计数据深度信息提取显著目标的方法 | |
CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN103593855B (zh) | 基于粒子群优化和空间距离测度聚类的图像分割方法 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
Huang et al. | A Chan-Vese model based on the Markov chain for unsupervised medical image segmentation | |
CN110084782B (zh) | 基于图像显著性检测的全参考图像质量评价方法 | |
Jiang et al. | A sparse nonnegative matrix factorization technique for graph matching problems | |
CN104732545A (zh) | 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法 | |
CN111815640B (zh) | 一种基于忆阻器的rbf神经网络医学图像分割算法 | |
CN106780508A (zh) | 一种基于Gabor变换的GrabCut纹理图像分割方法 | |
CN107808384A (zh) | 基于网格化局部分水岭的模糊聚类方法 | |
CN108959379A (zh) | 一种基于视觉显著区域和手绘草图的服装图像检索方法 | |
CN107292896A (zh) | 基于Snake模型的轮廓提取方法 | |
Xu et al. | Bayberry image segmentation based on manifold ranking salient object detection method | |
CN107067037A (zh) | 一种使用llc准则定位图像前景的方法 | |
CN114581451A (zh) | 一种基于散射图神经网络的大脑磁共振图像分割方法 | |
CN109323697A (zh) | 一种针对室内机器人任意点启动时粒子快速收敛的方法 | |
Yuan et al. | Volume cutout | |
Xiang et al. | Interactive natural image segmentation via spline regression | |
CN110415254A (zh) | 一种基于振荡耦合网络的水平集图像分割方法、计算机 | |
Chen et al. | Heterogeneous images change detection based on iterative joint global–local translation | |
Sha et al. | A supervoxel approach to road boundary enhancement from 3-d lidar point clouds | |
Yin et al. | Study and application of improved level set method with prior graph cut in PCB image segmentation |
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 |