CN110751655A - 一种基于语义分割和显著性分析的自动抠图方法 - Google Patents
一种基于语义分割和显著性分析的自动抠图方法 Download PDFInfo
- Publication number
- CN110751655A CN110751655A CN201910867873.5A CN201910867873A CN110751655A CN 110751655 A CN110751655 A CN 110751655A CN 201910867873 A CN201910867873 A CN 201910867873A CN 110751655 A CN110751655 A CN 110751655A
- Authority
- CN
- China
- Prior art keywords
- image
- matting
- semantic segmentation
- pixel
- significance
- 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 69
- 230000011218 segmentation Effects 0.000 title claims abstract description 63
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims 1
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 230000003993 interaction Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
Images
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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于语义分割和显著性分析的自动抠图方法，顺序执行如下步骤：获取和用户输入的抠图类别相符的的目标子图集合；获取目标子图中每个像素的显著性取值；根据像素显著性取值求得三分图；根据原图和三分图，利用抠像算法求取图像的前景透明度，输出抠图结果。本发明只需要用户输入抠像类别，就可以自动在输入图像中寻找用户指定的目标并且输出抠图结果，避免了传统抠像任务中的繁琐交互操作，可以广泛应用于涉及抠图操作的相关技术领域，特别适用于大批量的无人值守的抠像应用场景中，极大的节省了人工，适用于不同的抠图对象，通用性强，图像处理结果准确度更高。
Description
技术领域
本发明涉及数字图像处理领域，具体涉及一种基于语义分割和显著性分析的自动抠图方法。
背景技术
从静态图像或视频序列中提取具有精细边缘的前景物体，通常被称为抠图。随着拍照设备在手机上的普及，抠图应用需求越来越广泛，如普通用户的修图，专业图片编辑人员的图片元素提取等。目前的抠图方法以需要用户交互操作的半自动方式为主，抠图的用户交互方式又可以大致分为两类：三分图(trimap)和指定线条(strokes)，如图1所示，以原始图像和三分图或者指定线条为输入，再经过抠图算法计算才可以获取前景透明度，输出抠图结果。
三分图中需要用户手动标记图像中的像素为三类之一：背景、前景和未知区域，显然这是一项精细的工作。为了简化用户操作，降低绘制三分图的复杂性，一些抠图方法采用一些由用户指定的颜色线条作为用户输入，以此来替代由用户精心绘制的三分图，并根据这些线条来提取前景透明度。无论是三分图还是指定线条都需要用户交互完成抠像，无法满足大批量的抠图任务需求，因此全自动抠图方法具有很大的应用价值。
近些年出现了一些直接根据输入图像全自动输出抠图结果的方法。
有些方法是针对某些特定图像内容的抠像任务设计的，如人像识别，利用先验假设使用深度模型进行训练，然后自动提取这些特定图像内容，这种方法仅仅针对某些特定类型的任务有效，无法通用。
又有一些方法假设用户感兴趣的是图中最显著的部分，然后通过计算显著性图得到三分图，进而完成抠像，这种方法一方面得到的结果未必是使用者想要抠取的对象，另一方面目前的显著性检测算法通常是针对某种主体鲜明的局部图像进行处理才有效，对于包含了多种内容的整幅图像计算显著性容易得到错误的结果。以图2为例，图2(a)是一幅完整的图像，用文献2方法处理后的显著图为图2(b)所示，而对图2(a)的局部区域图2(c)用同样方法处理后的显著图为图2(d)所示，可以看到全局图像和局部图像的显著性检测结果不一致。
因此，迫切需要设计一种新的效果更好的全自动抠图方法以满足通用的抠图任务。
发明内容
技术目的：针对上述现有技术，本发明提供一种基于语义分割和显著性分析的自动抠图方法，旨在通过语义分割、显著性计算和抠图算法结合来改善目前现有自动抠图算法在通用性、准确性上的不足。
技术方案：为实现上述技术目的，本发明采用了如下技术方案：
一种基于语义分割和显著性分析的自动抠图方法，其特征在于，顺序执行如下步骤：获取和用户输入的抠图类别相符的的目标子图集合；获取目标子图中每个像素的显著性取值；根据像素显著性取值求得三分图；根据原图和三分图，利用抠像算法求取图像的前景透明度，输出抠图结果。
具体地，所述基于语义分割和显著性分析的自动抠图方法，其特征在于，包括如下步骤：
步骤1)、输入抠图类别C和待处理图像I1：抠图类别为语义分割中训练的类别中的其中一个或者若干个类型；
步骤2)、采用语义分割方法处理I1，得到语义分割图I2；
步骤3)、判断I2中是否拥有类别C的像素：若没有，则表示该图像中没有和抠图类别相符的内容，该图像处理完毕；否则进入步骤4)；
步骤4)、根据I2和类别C得到I1的目标子图集合；
步骤5)、判断目标子图集合中是否还有未处理的子图：若没有，则该图处理完毕，否则进入步骤6)；
步骤6)、取一个未处理的子图记为I3；
步骤7)、采用显著性检测方法处理I3得到由每个像素的显著性取值构成的显著图I4；
步骤8)、根据I4得到三分图；
步骤9)、根据I3和三分图，由抠像算法获得图像的前景透明度，到该子图的抠像结果，返回步骤5)。
作为优选，所述步骤4)的具体操作如下：
步骤4.1)、输入待处理图像I1、语义分割图像I2和类别C；
步骤4.2)、求取I2中所有属于类别C的像素的连通区域，若该连通区域的面积大于某个预设的阈值，则将该连通区域加入集合中，该连通区域集合记为A；
步骤4.3)、求取A中每个连通区域的最小的正的非倾斜的外接矩形区域，这些矩形区域的集合记为B；
步骤4.4)、B中若没有未处理的矩形区域，则处理完毕，否则进入步骤4.5)；
步骤4.5)、从B取一个还未被处理的矩形区域记为R，并将R标记已处理；
步骤4.6)、求取R的面积a，接着求取a的开平方值r，将R在上下左右四个方向各扩展r×β个像素单位，以不超过I2边界为限，其中β为某个阈值参数，其取值范围为(0～1)；
步骤4.7)、以R为裁剪范围在I1中裁剪得到目标子图，将目标子图添加到目标子图集合中，返回步骤4.4)。
作为优选，步骤8)包括如下步骤：
步骤8.1)、输入显著图I4；
步骤8.2)、用大津阈值法对I4进行二值分割得到图像分割结果I5，I4中显著性取值高于大津阈值法确定的阈值的像素在I5中为前景记为R4，否则为背景记为R5；
步骤8.3)、求取R4的面积A，接着求取A的开平方值，并将该值乘以一个预设系数，求得的值记为r；
步骤8.4)、将属于R5且在I4中显著性取值大于某个预设阈值的所有像素区域标记为R6；
步骤8.5)、对R6进行形态学膨胀运算，结构元素的形状为正方形，边长为r，运算后得到区域标记为未知区域Ru；
步骤8.6)、将R5中与Ru不相交的区域记为背景区域Rb，将R4中与Ru不相交的区域记为前景区域Rf；
步骤8.7)、Ru、Rb和Rf组成三分图。
作为优选，所述步骤1)中采用基于深度学习的方法进行语义分割，方法为首先用户设定语义分割的类别集合，类别集合包含抠图目标类别子集；建立一个训练集，训练集中的每张图像的每个像素包含类别标注信息；训练语义分割网络，最后用训练好的语义分割网络对输入图像进行语义分割。
作为优选，所述步骤9)中的抠图算法采用基于采样的方法、基于传播的方法或基于深度学习的方法中的任一种。
作为优选，所述抠图算法采用基于深度学习的算法，步骤为：建立一个训练集，训练集中的包括初始图像和三分图；训练抠图深度网络，输入需要抠图的子图及其对应的三分图，用训练好的抠图深度网络进行抠图。
本发明融合了同属于图像分割范畴的三种技术手段：语义分割、显著性分析和抠图技术，先利用语义分割寻找目标主体，接着在包含目标主体的子图上进行显著性分析得到显著图，然后在显著图基础上通过阈值分割和形态学运算等技术手段自动产生三分图，最后以三分图和目标子图为输入信息利用抠图算法求取图像的前景透明度，输出抠图结果。语义分割可以处理任意图像，显著性分析通常需要输入主体鲜明的局部图像才有比较好的效果，而抠图任务则需要输入标注背景、前景和未知区域的三分图。从需要输入的信息的要求高低而言语义分割要求最低，显著性分析居中，抠图技术则要求最高。从分割得到的目标精细度而言语义分割最粗，显著性分析居中，抠图技术最精细。
有益效果：由于采用了上述技术方案，本发明具有如下技术效果：
(1)、全自动方式：本方法针对的是抠图任务，传统的抠图任务需要用户提供待处理图像的背景区域、前景区域和未知区域等先验信息，在大批量抠图任务中需要投入大量人工；本发明的全自动抠图方式特别适合大批量抠图任务，极大的节省了人力；
(2)、具有通用性：不同于某些针对特定目标类型的抠图方法，本方法适用于不同的抠图对象，具有通用性；
(3)、抠图结果更准确：显著性分析得到的图更加准确反映抠图对象，从而产生更加准确的三分图；对比某些利用显著性分析自动得到三分图的方法，本发明的方法在显著性分析之前先提取了图像中与抠图对象相关的子图，在子图中目标主体更加明确，应用显著性分析时能得到更加准确的结果，从而产生更加准确的三分图。
附图说明
图1为传统抠图方法中的两种用户交互方式；
图2为对整个图像计算显著度和对局部子图计算显著度的不同结果；
图3为本发明的总体流程图；
图4为目标子图集合产生的流程图；
图5为三分图自动生成的流程图；
图6实施例一中的输入图像；
图7实施例一中的语义分割图；
图8实施例一中的语义分割图中的颜色代表的语义；
图9实施例一中的第一个目标子图；
图10实施例一中的第二个目标子图；
图11中从左至右分别为第一个目标子图的显著图、三分图和抠图结果；
图12中从左至右分别为第二个目标子图的显著图、三分图和抠图结果。
具体实施方式
下面结合附图对本发明作更进一步的说明。
实施例一：
采用本发明的自动抠图方法对图6所示的图像进行处理，希望抠取的对象为“人”，具体的步骤如下：
步骤1)、输入希望抠图的对象为“人”和待处理的图像；
步骤2)、采用语义分割方法处理图6，优选文献1中方法采用得到语义分割图，如图7所示；
步骤3)、判断图7中拥有类别“人”的像素，进入步骤4)；
步骤4)、从图7中得到包含类别“人”的目标子图区域，然后在图6中裁剪得到目标子图集合，该集合中有两个子图，如图9和图10所示；
步骤5)、采用显著性检测方法处理图9得到显著图，如图11中最左图所示，优选文献2中的显著性检测方法；
步骤6)、根据图11中最左图得到三分图，如图11中中间图所示，其中预设系数在本实施例中设为0.1，预设阈值在本实施例中设为10；
步骤7)、根据图9和图11中中间图，由抠像算法获得图像的前景透明度，得到该子图的抠图结果如图11中最右图所示，抠像方法优选的采用文献3中的方法；
步骤8)、采用步骤5)至步骤7)处理图10所示的子图，产生显著图如图12中最左图所示，产生的三分图如图12中中间图所示，产生的抠图结果如图12中最右图所示；
步骤9)、图11中最右图和图12最右图就是图6中用户希望抠取的对像“人”。
本发明中首先采用语义分割方法对图像中的像素分类，不限定采用标准语义分割和实例感知语义分割中的哪一类。语义分割有两类：标准语义分割(standard semanticsegmentation)和实例感知语义分割(instance aware semantic segmentation)。其中，标准语义分割又称为全像素语义分割(full-pixel semantic segmentation)，是它将每个像素分类为属于对象类的过程；实例感知语义分割，是标准语义分割的子类型，它将每个像素分类为属于对象类以及该类的实体ID。
采用目前流行的基于深度学习的方法进行语义分割：首先用户设定语义分割的类别集合，在此集合中需要包含抠图目标类别子集，接着建立一个训练集，训练集中的每张图像的每个像素都有类别标注信息，然后训练语义分割网络，最后用训练好的语义分割网络对输入图像进行语义分割。不限定采用哪种语义分割网络模型。
本发明中上述步骤4)的目标子图集合产生方式的具体方法与步骤如下：
在语义分割图中若包含了抠图类别相关的目标，则裁剪那些面积较大的目标区域，以供后续显著性分析之用，其执行流程如图4所示，其步骤如下：
4.1)、输入待处理图像I1、语义分割图像I2和类别C；
4.2)、求取I2中所有属于类别C的像素的连通区域，若该连通区域的面积大于某个预设的阈值，则将该连通区域加入集合中，该连通区域集合记为A；
4.3)、求取A中每个连通区域的最小的正的非倾斜的外接矩形区域，这些矩形区域的集合记为B；
4.4)、B中若没有未处理的矩形区域，则处理完毕，否则进入步骤4.5)；
4.5)、从B取一个还未被处理的矩形区域记为R，并将R标记已处理；
4.6)、求取R的面积a，接着求取a的开平方值r，将R在上下左右四个方向各扩展r×β个像素单位，以不超过I2边界为限，其中β为某个阈值参数，其取值范围为(0～1)；
4.7)、以R为裁剪范围在I1中裁剪得到目标子图，将目标子图添加到目标子图集合中，返回步骤4.4)。
本发明中的步骤8)的三分图自动生成具体方法与步骤如下：
通过显著性分析可以得到目标主体的大致形状，但是在边缘部分还不是很准确，本发明通过对显著性取值中等的那些像素区域进行扩展得到未知区域，并将显著性取值很高和显著性取值很低的区域设置为前景和背景区域，具体步骤如图5所示，其步骤如下：
8.1)、输入显著图I4；
8.2)、用大津阈值法对I4进行二值分割得到图像分割结果I5，I4中显著性取值高于大津阈值法确定的阈值的像素在I5中为前景记为R4，否则为背景记为R5；
8.3)、求取R4的面积A，接着求取A的开平方值，并将该值乘以一个预设系数，求得的值记为r；
8.4)、将属于R5且在I4中显著性取值大于某个预设阈值的所有像素区域标记为R6；
8.5)、对R6进行形态学膨胀运算，结构元素的形状为正方形，边长为r，运算后得到区域标记为未知区域Ru；
8.6)、将R5中与Ru不相交的区域记为背景区域R——将R4中与Ru不相交的区域记为前景区域Rf；
8.7)、Ru、Rb和Rf组成三分图。
最后利用原图与三分图进行抠图。抠图算法目前有基于采样的方法、基于传播的方法和基于深度学习的方法等三类。本发明不限定使用哪种抠图算法，以目前比较流行的基于深度学习的算法为优选。若采用基于深度学习的算法，则需要首先建立一个训练集，训练集中的需要有图像及其三分图，然后训练抠图深度网络，最后输入需要抠图的子图及其对应的三分图，用训练好的抠图深度网络进行抠图。不限定采用哪种抠图深度网络模型。
综上，本发明利用语义分割提取用户抠图对象相关的子图，对子图利用显著性分析得到显著图，对显著图进一步分割得到前景、背景和未知区域构成的三分图，然后输入三分图和其对应的子图，利用抠图方法获取前景透明度，输出抠图结果。
文献1：【Zhou B，Zhao H，Puig X，et al.Scene parsing through ade20kdataset[C]//Proceedings of the IEEE conference on computer vision and patternrecognition.2017：633-641】。
文献2：【Feng M，Lu H，Ding E.Attentive Feedback Network for Boundary-Aware Salient Object Detection[C]//Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition.2019：1623-1632】。
文献3：【Xu N，Price B，Cohen S，et al.Deep image matting[C]//Proceedingsof the IEEE Conference on Computer Vision and Pattern Recognition.2017：2970-2979】。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于语义分割和显著性分析的自动抠图方法，其特征在于，顺序执行如下步骤：获取和用户输入的抠图类别相符的目标子图集合；获取目标子图中每个像素的显著性取值；根据像素显著性取值求得三分图；根据原图和三分图，利用抠像算法求取图像的前景透明度，输出抠图结果。
2.根据权利要求1所述的一种基于语义分割和显著性分析的自动抠图方法，其特征在于，包括如下步骤：
步骤1)、输入抠图类别C和待处理图像I1：抠图类别为语义分割中训练的类别中的其中一个或者若干个类型；
步骤2)、采用语义分割方法处理I1，得到语义分割图I2；
步骤3)、判断I2中是否拥有类别C的像素：若没有，则表示该图像中没有和抠图类别相符的内容，该图像处理完毕；否则进入步骤4)；
步骤4)、根据I2和类别C得到I1的目标子图集合；
步骤5)、判断目标子图集合中是否还有未处理的子图：若没有，则该图处理完毕，否则进入步骤6)；
步骤6)、取一个未处理的子图记为I3；
步骤7)、采用显著性检测方法处理I3得到由每个像素的显著性取值构成的显著图I4；
步骤8)、根据I4得到三分图；
步骤9)、根据I3和三分图，由抠像算法获得图像的前景透明度，得到该子图的抠像结果，返回步骤5)。
3.根据权利要求1中的一种基于语义分割和显著性分析的自动抠图方法，其特征在于：所述步骤4)的具体操作如下：
步骤4.1)、输入待处理图像I1、语义分割图像I2和类别C；
步骤4.2)、求取I2中所有属于类别C的像素的连通区域，若该连通区域的面积大于某个预设的阈值，则将该连通区域加入集合中，该连通区域集合记为A；
步骤4.3)、求取A中每个连通区域的最小的正的非倾斜的外接矩形区域，这些矩形区域的集合记为B；
步骤4.4)、B中若没有未处理的矩形区域，则处理完毕，否则进入步骤4.5)；
步骤4.5)、从B取一个还未被处理的矩形区域记为R，并将R标记已处理；
步骤4.6)、求取R的面积a，接着求取a的开平方值r，将R在上下左右四个方向各扩展r×β个像素单位，以不超过I2边界为限，其中β为某个阈值参数，其取值范围为(0～1)；
步骤4.7)、以R为裁剪范围在I1中裁剪得到目标子图，将目标子图添加到目标子图集合中，返回步骤4.4)。
4.根据权利要求1中的一种基于语义分割和显著性分析的自动抠图方法，其特征在于，所述步骤8)包括如下步骤：
步骤8.1)、输入显著图I4；
步骤8.2)、用大津阈值法对I4进行二值分割得到图像分割结果I5，I4中显著性取值高于大津阈值法确定的阈值的像素在I5中为前景记为R4，否则为背景记为R5；
步骤8.3)、求取R4的面积A，接着求取A的开平方值，并将该值乘以一个预设系数，求得的值记为r；
步骤8.4)、将属于R5且在I4中显著性取值大于某个预设阈值的所有像素区域标记为R6；
步骤8.5)、对R6进行形态学膨胀运算，结构元素的形状为正方形，边长为r，运算后得到区域标记为未知区域Ru；
步骤8.6)、将R5中与Ru不相交的区域记为背景区域Rb，将R4中与Ru不相交的区域记为前景区域Rf；
步骤8.7)、Ru、Rb和Rf组成三分图。
5.根据权利要求2中的一种基于语义分割和显著性分析的自动抠图方法，其特征在于：所述步骤1)中采用基于深度学习的方法进行语义分割，方法为首先用户设定语义分割的类别集合，类别集合包含抠图目标类别子集；建立一个训练集，训练集中的每张图像的每个像素包含类别标注信息；训练语义分割网络，最后用训练好的语义分割网络对输入图像进行语义分割。
6.根据权利要求2中的一种基于语义分割和显著性分析的自动抠图方法，其特征在于：所述步骤9)中的抠图算法采用基于采样的方法、基于传播的方法或基于深度学习的方法中的任一种。
7.根据权利要求6中的一种基于语义分割和显著性分析的自动抠图方法，其特征在于：所述抠图算法采用基于深度学习的算法，步骤为：建立一个训练集，训练集中的包括初始图像和三分图；训练抠图深度网络，输入需要抠图的子图及其对应的三分图，用训练好的抠图深度网络进行抠图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910867873.5A CN110751655B (zh) | 2019-09-16 | 2019-09-16 | 一种基于语义分割和显著性分析的自动抠图方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910867873.5A CN110751655B (zh) | 2019-09-16 | 2019-09-16 | 一种基于语义分割和显著性分析的自动抠图方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110751655A true CN110751655A (zh) | 2020-02-04 |
| CN110751655B CN110751655B (zh) | 2021-04-20 |
Family
ID=69276431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910867873.5A Active CN110751655B (zh) | 2019-09-16 | 2019-09-16 | 一种基于语义分割和显著性分析的自动抠图方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110751655B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829925A (zh) * | 2019-01-23 | 2019-05-31 | 清华大学深圳研究生院 | 一种在抠图任务中提取干净前景的方法及模型训练方法 |
| CN112381840A (zh) * | 2020-11-27 | 2021-02-19 | 深源恒际科技有限公司 | 一种用于定损视频中车辆外观部件标注的方法及系统 |
| CN112950641A (zh) * | 2021-02-24 | 2021-06-11 | Oppo广东移动通信有限公司 | 图像处理方法及装置、计算机可读存储介质和电子设备 |
| CN112990331A (zh) * | 2021-03-26 | 2021-06-18 | 共达地创新技术(深圳)有限公司 | 图像处理方法、电子设备和存储介质 |
| CN113159026A (zh) * | 2021-03-31 | 2021-07-23 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备和介质 |
| CN113516084A (zh) * | 2021-07-20 | 2021-10-19 | 海南长光卫星信息技术有限公司 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
| CN113657402A (zh) * | 2021-10-18 | 2021-11-16 | 北京市商汤科技开发有限公司 | 抠像处理方法、装置、电子设备及存储介质 |
| CN113657403A (zh) * | 2021-10-18 | 2021-11-16 | 北京市商汤科技开发有限公司 | 图像处理方法及图像处理网络的训练方法 |
| CN114445442A (zh) * | 2022-01-28 | 2022-05-06 | 杭州电子科技大学 | 基于非对称交叉融合的多光谱图像语义分割方法 |
| WO2022152116A1 (zh) * | 2021-01-18 | 2022-07-21 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、设备、存储介质及计算机程序产品 |
| CN115049695A (zh) * | 2022-06-20 | 2022-09-13 | 焦点科技股份有限公司 | 一种自适应生成三分图及融合语义的电商产品抠图方法 |
| WO2023020316A1 (zh) * | 2021-08-18 | 2023-02-23 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982545A (zh) * | 2012-11-22 | 2013-03-20 | 清华大学深圳研究生院 | 一种图像深度估计方法 |
| CN107452010A (zh) * | 2017-07-31 | 2017-12-08 | 中国科学院长春光学精密机械与物理研究所 | 一种自动抠图算法和装置 |
| WO2018111940A1 (en) * | 2016-12-12 | 2018-06-21 | Danny Ziyi Chen | Segmenting ultrasound images |
| CN108596913A (zh) * | 2018-03-28 | 2018-09-28 | 众安信息技术服务有限公司 | 一种抠图方法及装置 |
| CN108921073A (zh) * | 2018-06-26 | 2018-11-30 | 深圳市唯特视科技有限公司 | 一种基于多尺度时空区别性显著图的非刚性目标追踪模型 |
| CN109035253A (zh) * | 2018-07-04 | 2018-12-18 | 长沙全度影像科技有限公司 | 一种语义分割信息指导的深度学习自动图像抠图方法 |
| CN109255790A (zh) * | 2018-07-27 | 2019-01-22 | 北京工业大学 | 一种弱监督语义分割的自动图像标注方法 |
| CN109461167A (zh) * | 2018-11-02 | 2019-03-12 | Oppo广东移动通信有限公司 | 图像处理模型的训练方法、抠图方法、装置、介质及终端 |
| US10290107B1 (en) * | 2017-06-19 | 2019-05-14 | Cadence Design Systems, Inc. | Transform domain regression convolutional neural network for image segmentation |
-
2019
- 2019-09-16 CN CN201910867873.5A patent/CN110751655B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982545A (zh) * | 2012-11-22 | 2013-03-20 | 清华大学深圳研究生院 | 一种图像深度估计方法 |
| WO2018111940A1 (en) * | 2016-12-12 | 2018-06-21 | Danny Ziyi Chen | Segmenting ultrasound images |
| US10290107B1 (en) * | 2017-06-19 | 2019-05-14 | Cadence Design Systems, Inc. | Transform domain regression convolutional neural network for image segmentation |
| CN107452010A (zh) * | 2017-07-31 | 2017-12-08 | 中国科学院长春光学精密机械与物理研究所 | 一种自动抠图算法和装置 |
| CN108596913A (zh) * | 2018-03-28 | 2018-09-28 | 众安信息技术服务有限公司 | 一种抠图方法及装置 |
| CN108921073A (zh) * | 2018-06-26 | 2018-11-30 | 深圳市唯特视科技有限公司 | 一种基于多尺度时空区别性显著图的非刚性目标追踪模型 |
| CN109035253A (zh) * | 2018-07-04 | 2018-12-18 | 长沙全度影像科技有限公司 | 一种语义分割信息指导的深度学习自动图像抠图方法 |
| CN109255790A (zh) * | 2018-07-27 | 2019-01-22 | 北京工业大学 | 一种弱监督语义分割的自动图像标注方法 |
| CN109461167A (zh) * | 2018-11-02 | 2019-03-12 | Oppo广东移动通信有限公司 | 图像处理模型的训练方法、抠图方法、装置、介质及终端 |
Non-Patent Citations (1)
| Title |
|---|
| 蔡淑莲: "基于深度度量学习的显著性目标分割研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829925A (zh) * | 2019-01-23 | 2019-05-31 | 清华大学深圳研究生院 | 一种在抠图任务中提取干净前景的方法及模型训练方法 |
| CN112381840A (zh) * | 2020-11-27 | 2021-02-19 | 深源恒际科技有限公司 | 一种用于定损视频中车辆外观部件标注的方法及系统 |
| WO2022152116A1 (zh) * | 2021-01-18 | 2022-07-21 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、设备、存储介质及计算机程序产品 |
| CN112950641A (zh) * | 2021-02-24 | 2021-06-11 | Oppo广东移动通信有限公司 | 图像处理方法及装置、计算机可读存储介质和电子设备 |
| CN112990331A (zh) * | 2021-03-26 | 2021-06-18 | 共达地创新技术(深圳)有限公司 | 图像处理方法、电子设备和存储介质 |
| US20220027661A1 (en) * | 2021-03-31 | 2022-01-27 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus of processing image, electronic device, and storage medium |
| CN113159026A (zh) * | 2021-03-31 | 2021-07-23 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备和介质 |
| EP3910590A3 (en) * | 2021-03-31 | 2022-07-27 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus of processing image, electronic device, and storage medium |
| CN113516084A (zh) * | 2021-07-20 | 2021-10-19 | 海南长光卫星信息技术有限公司 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
| CN113516084B (zh) * | 2021-07-20 | 2023-04-25 | 海南长光卫星信息技术有限公司 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
| WO2023020316A1 (zh) * | 2021-08-18 | 2023-02-23 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、设备及存储介质 |
| CN113657402A (zh) * | 2021-10-18 | 2021-11-16 | 北京市商汤科技开发有限公司 | 抠像处理方法、装置、电子设备及存储介质 |
| CN113657403A (zh) * | 2021-10-18 | 2021-11-16 | 北京市商汤科技开发有限公司 | 图像处理方法及图像处理网络的训练方法 |
| WO2023066099A1 (zh) * | 2021-10-18 | 2023-04-27 | 上海商汤智能科技有限公司 | 抠像处理 |
| CN114445442A (zh) * | 2022-01-28 | 2022-05-06 | 杭州电子科技大学 | 基于非对称交叉融合的多光谱图像语义分割方法 |
| CN114445442B (zh) * | 2022-01-28 | 2022-12-02 | 杭州电子科技大学 | 基于非对称交叉融合的多光谱图像语义分割方法 |
| CN115049695A (zh) * | 2022-06-20 | 2022-09-13 | 焦点科技股份有限公司 | 一种自适应生成三分图及融合语义的电商产品抠图方法 |
| CN115049695B (zh) * | 2022-06-20 | 2024-05-03 | 焦点科技股份有限公司 | 一种自适应生成三分图及融合语义的电商产品抠图方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110751655B (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110751655B (zh) | 一种基于语义分割和显著性分析的自动抠图方法 | |
| CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN104732506B (zh) | 一种基于人脸语义分析的人物照片颜色风格转换方法 | |
| Li et al. | Example-based image colorization using locality consistent sparse representation | |
| CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
| CN111709420A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
| CN112287941B (zh) | 一种基于自动字符区域感知的车牌识别方法 | |
| CN109934843B (zh) | 一种实时的轮廓精细化抠像方法及存储介质 | |
| CN108875744A (zh) | 基于矩形框坐标变换的多方向文本行检测方法 | |
| CN110969631B (zh) | 一种精细化照片染发方法及系统 | |
| CN111507334A (zh) | 一种基于关键点的实例分割方法 | |
| CN104021566A (zh) | 基于GrabCut算法的舌诊图像自动分割方法 | |
| Zhang et al. | A combined algorithm for video text extraction | |
| CN111242074A (zh) | 一种基于图像处理的证件照背景替换方法 | |
| CN108038458B (zh) | 基于特征摘要图的视频中的户外场景文本自动获取方法 | |
| Lam et al. | Highly accurate texture-based vehicle segmentation method | |
| Huang et al. | M2-Net: multi-stages specular highlight detection and removal in multi-scenes | |
| US11461880B2 (en) | Generating image masks from digital images utilizing color density estimation and deep learning models | |
| Arsic et al. | Improved lip detection algorithm based on region segmentation and edge detection | |
| CN111080748B (zh) | 基于互联网的图片自动合成系统 | |
| WO2019192205A1 (zh) | 图像中肢体表示信息的识别方法、装置、设备以及计算机可读存储介质 | |
| CN109086774B (zh) | 基于朴素贝叶斯的彩色图像二值化方法和系统 | |
| Lizarraga-Morales et al. | Improving a rough set theory-based segmentation approach using adaptable threshold selection and perceptual color spaces | |
| Graf et al. | Robust image segmentation in low depth of field images | |
| CN112307244A (zh) | 一种基于图像显著性检测与人眼状态检测的摄影照片筛选系统 |
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 |