CN110751660B - 一种彩色图像分割方法 - Google Patents

一种彩色图像分割方法 Download PDF

Info

Publication number
CN110751660B
CN110751660B CN201910990556.2A CN201910990556A CN110751660B CN 110751660 B CN110751660 B CN 110751660B CN 201910990556 A CN201910990556 A CN 201910990556A CN 110751660 B CN110751660 B CN 110751660B
Authority
CN
China
Prior art keywords
pixel
segmentation
image
channel
source image
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
CN201910990556.2A
Other languages
English (en)
Other versions
CN110751660A (zh
Inventor
王琪
于艺铭
张琪
裴晨
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.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry University
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 Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN201910990556.2A priority Critical patent/CN110751660B/zh
Publication of CN110751660A publication Critical patent/CN110751660A/zh
Application granted granted Critical
Publication of CN110751660B publication Critical patent/CN110751660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/11—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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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

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

本发明公开了一种彩色图像分割方法，包括以下步骤：步骤(一)、准备源图像，确定待分割区域作为分割目标，提取分割目标的局部作为参考匹配样本，将源图像和参考匹配样本由srgb模式转换为Lab模式；步骤(二)、确定源图像与参考匹配样本的最佳筛选阈值m；步骤(三)、源图像与筛选样本的匹配。本发明能够有效地从复杂环境、与目标相似环境、与目标色貌差异环境、局部高光环境及高反差等环境中分离出目标区域。

Description

一种彩色图像分割方法
技术领域
本发明属于图像分割技术领域，具体涉及一种彩色图像分割方法。
背景技术
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。由于RGB颜色模式中各通道间关联度较高，因此，现有技术中针对彩色图像的分割方法，其分割效果不理想。
发明内容
本发明的目的是提供一种彩色图像分割方法，能够有效地从复杂环境、与目标相似环境、与目标色貌差异环境、局部高光环境及高反差等环境中分离出目标区域。
本发明提供了如下的技术方案：一种彩色图像分割方法，包括以下步骤：
步骤(一)、准备源图像，确定待分割区域作为分割目标，提取分割目标的局部作为参考匹配样本，将源图像和参考匹配样本的图片模式转换为Lab模式；
步骤(二)、确定源图像与参考匹配样本的最佳筛选阈值m
以待分割区域与非目标区域像素差异最大的属性通道为依据，将该属性通道记为通道T，最佳筛选阈值m为：
m＝a1(Tmax-Tmin)+a2σT
其中，
Tmax、Tmin分别为通道T的最大与最小值，σT为通道T的标准差；a1、a2为权值，a1、a2∈[0,1]且a1+a2＝1；
步骤(三)、源图像与筛选样本的匹配
对边界像素进行处理，然后利用最佳筛选阈值m进行自适应匹配，根据通道T、待分配像素的8-邻域均值μ及8-邻域标准差σ，将三者与参考像素对应差值的最优加权结果Q作为源图像与参考匹配样本的匹配依据；
Q＝a3|Ti-Tj|+a4|μi-μj|+a5|σi-σj|
Figure BDA0002238135450000021
Figure BDA0002238135450000022
其中，
a3、a4和a5分别指通道值、均值、标准差对应的权值，a3+a4+a5＝1；
Ti、Tj分别为源图像与参考样本逐像素的T通道值，μi、μj、σi、σj分别为二者逐像素的T通道8-邻域均值与8-邻域标准差；
对于待分割源图像中的每个像素i，依次计算其与参考样本中所有像素j的Q值，然后与最佳筛选阈值m进行比较，若源图像中像素i与参考样本中所有像素j的Q值均大于筛选阈值m，则将像素i归为背景区域；反之则将像素i归为感兴趣目标区域；循环操作直至完成源图像中所有像素的分配，实现待分割区域的分割。
作为上述技术方案的进一步描述：
所述步骤(三)实现待分割区域的分割后再进行细化处理，采用腐蚀和/或膨胀算法进一步处理，输出图像分割结果。
本发明的有益效果：能够有效地从复杂环境、与目标相似环境、与目标色貌差异环境、局部高光环境及高反差等环境中分离出目标区域，具体如下：
(1)、本发明的方法，采用自体理论，在源图像中的待分割区域内部，寻找某一处代表性的区域，作为后文中图像分割的阈值匹配依据，省去了我们批量在网络其他图库中筛选参考图像的繁琐步骤，即利用源图像的自身属性进行分割，省去了从图库中批量筛选参考图像的繁琐步骤；
(2)、本发明方法中，针对RGB颜色模式中各通道间关联度较高，变动其中一个颜色分量时引起其他分量产生较大变化，从而导致整体视觉效果发生改变的问题；本发明方法中，将待分割的源图像及参考匹配样本由srgb模式转换为Lab模式，同时a、b色度通道的引入解决了部分经典模型中分割规则过于单一的问题；
(3)、本发明方法中，综合考虑了相关参考样本图像的内部交互关系；图像分割需要寻求待分割区域与背景区域差异最大的通道进行分割，可以提高分割的准确度，判断依据即为分别取L、a、b三通道的图像，分别对三通道图像中的目标区域像素通道均值与背景区域像素通道均值作差，差值最大的即为差异最大的判断依据，在matlab中简单代码即可实现；
(4)、本发明方法中，边界像素的处理其优势在于：由于匹配过程中涉及到源图像与参考筛选样本逐像素的8-邻域模板匹配运算，当匹配中心对应输入图像边界像素时，其邻域范围可能扩展至输入图像边界之外；
(5)、本发明方法在分离出源图像中待分割区域的过程中，若其目标像素自身属性与背景像素较为接近，则易出现过分割、欠分割等问题，因此，在步骤五实现待分割区域的分割后，采用腐蚀和/或膨胀算法进一步处理，输出图像分割结果；对此，本发明运用形态学运算对自适应分割后的结果图像进行细化处理；形态学基本理论可分为腐蚀、膨胀及由二者组合而成的开运算和闭运算；其中开运算是指先腐蚀后膨胀的运算，闭运算是指先膨胀后腐蚀的运算。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为实施例中的源图像；
图2为实施例中源图像的分割结果；
图3为对比例中的项目2；
图4为对比例中的项目3；
图5为对比例中的项目4；
图6为对比例中的项目5；
图7为对比例中项目1、2、3、4和5在不同图像分割方法下的分割结果对比图，从左至右的各列对应的分割方法为多阈值分割法、光学相干边缘检测法、FCM_S算法、极值分析法、最大类间方差法、分水岭分割法、K均值聚类分割法和本发明方法。
具体实施方式
现结合说明书附图，详细说明本发明的结构特点。
实施例
一种彩色图像分割方法，包括以下步骤：
步骤(一)、如图1，准备待分割的源图像，确定待分割区域作为分割目标；
步骤(二)、提取参考匹配样本
通过matlab中的“imtool”函数提取待分割区域的局部，作为参考匹配样本；
步骤(三)、模式转换
采用makecform和applycform函数将导入的源图像及提取的参考匹配样本由强相关性的srgb模式转换为序列不相关性的Lab模式；
步骤(四)、确定待分割源图像与参考匹配样本的最佳筛选阈值m
以待分割区域与非目标区域像素差异最大的属性通道为依据，前述差异指参考区域内部各个像素值与均值的差异，将该属性通道记为通道T，并将参考匹配样本区域在通道T上的“标准差”与“最大最小值差”的最优加权结果作为筛选阈值m，公式如下所示：
m＝a1(Tmax-Tmin)+a2σT 式(1)
其中，
Tmax、Tmin分别为参考样本T属性通道的最大与最小值，σT为参考样本T属性通道的标准差；a1、a2为权值，a1、a2∈[0,1]且a1+a2＝1；
最优加权系数的选定规则因图而异，当参考样本内部像素间T属性通道值差别较大时，“标准差”权值a2应高于“最值差”权值a1；反之，“最值差”权值a1应高于“标准差”权值a2，判断差别大小的方法为设置判断阈值；
步骤(五)、源图像与筛选样本的匹配
对边界像素进行处理，然后利用步骤(四)得到的筛选阈值m进行自适应匹配，具体步骤如下：
(1)、边界像素的处理
(a)、当图像尺寸较大且待分割目标在图像内部时，可选择忽略边界处像素，仅考虑图像中核心与边界距离小于等于模板半径的像素；
(b)、当图像尺寸较小或待分割目标靠近图像边界时，可选择对输入图像进行扩展，即如果采用半径为r的模板进行匹配运算，则在图像的四条边界外各扩展一个r行或r列的带，依照行或列的迭代规律，先在图像首行之上和末行之下各增加r行，之后在图像首列左侧和末列右侧各增加r列，从而实现对边界像素的运算；
对于新增行或列中的像素，其幅值可根据以下方法进行确定：4边界处新增像素幅度值取为其在源图像中4-邻接像素的值，4顶角处新增像素幅度值取为其在源图像中8-邻接像素的值；
(2)、自适应匹配
根据待分割区域与非目标区域像素差异最大的属性通道T、待分配像素的8-邻域均值μ及8-邻域标准差σ，将三者与参考像素对应差值的最优加权结果Q作为源图像与参考样本的匹配依据，如下式(2)、式(3)和式(4)所示：
Q＝a3|Ti-Tj|+a4|μi-μj|+a5|σi-σj| 式(2)
Figure BDA0002238135450000051
Figure BDA0002238135450000052
其中，
a3、a4和a5分别指通道值、均值、标准差对应的权值，a3+a4+a5＝1；本实施例中优选a3＝0.36，a4＝0.21，a5＝0.43；
Ti、Tj分别为源图像与参考样本逐像素的T通道值，μi、μj、σi、σj分别为二者逐像素的T通道8-邻域均值与8-邻域标准差；
对于待分割源图像中的每个像素i，依次计算其与参考样本中所有像素j的Q值，记为Qg，并与最佳筛选阈值m进行比较，分配结果如式(5)所示：
Figure BDA0002238135450000053
即若源图像中像素i与参考样本中所有像素j的Q值均大于筛选阈值m，则将像素i归为背景区域；反之，将像素i归为感兴趣目标区域。循环式(2)～式(4)，直至完成源图像中所有像素的分配，实现待分割区域的分割；
步骤(六)、细化处理
在分离出源图像中待分割区域后，采用腐蚀和/或膨胀算法进一步处理，输出图像分割结果，如图2所示。
进一步的，步骤(五)中，对边界像素进行处理时，像素的邻域类型为8-邻域N8(p)；其中，p为空间中的某个像素；8-邻域N8(p)即由p的四个4-邻域像素加上4个对角邻域像素联合构成，在此不做赘述。
综上，本发明的彩色图像分割方法，基于分通道自体理论，针对RGB颜色模式中各通道间关联度较高的问题，利用Lab序列不相关性理论消除单一目标区域受多通道交互影响的弊端；针对经典分割模型在处理区域某隶属度差异不明显的彩色图像时分割效果不理想的缺陷，引入分通道自体理论，通过待分割区域自体样本中“标准差”与“最值差”的加权运算确定最佳筛选阈值m；选择待分离区域与背景区域属性差值最大的通道作为分割主体系统，并依据自适应理论进行改进，采用综合考虑像素色貌、8-邻域均值、8-邻域标准差的改进自适应分割模型实现源图像与参考筛选样本的逐像素匹配；后对源图像各像素的多组匹配结果进行统计，并使用阈值m对统计结果进行筛选分配以达到分割目的；最终，针对运算过程出现的过分割、欠分割等问题，采用数学形态学理论对其进行细化处理。
本发明的方法能够有效地从复杂环境、与目标相似环境、与目标色貌差异环境、局部高光环境及高反差等环境中分离出目标区域。
对比例
在实施例的基础上，本对比例选取多幅源图像组成对照组，分别采用本发明的图像分割方法和现有技术中的图像分割方法进行对照试验，对照试验前的准备如下：
(1)、对照组的设置
将实施例1的源图像作为对照组的项目1，再选取如图3、图4、图5和图6所示的源图像分别作为对照组的项目2、项目3、项目4和项目5；
(2)、采用的现有技术中的图像分割方法
多阈值分割法、光学相干边缘检测法、FCM_S算法、极值分析法、最大类间方差法、分水岭分割法、K均值聚类分割法；
(3)、分割结果评价算法
采用分割精度(ACC)、负率度(NRM)、区域内均匀性测度(RU)、准确率(PRE)、召回率(REC)与F-measure(FME)等评价模型分别对多阈值分割法、光学相干边缘检测法、FCM_S算法、极值分析法、最大类间方差法、分水岭分割法、K均值聚类分割法等经典分割模型与本发明方法的分割结果进行评价；
其中，
分割精度(ACC)和负率度(NRM)的定义分别如下式(6)和式(7)所示：
Figure BDA0002238135450000071
Figure BDA0002238135450000072
TP是被划分到正确类中的目标像素数；FP是原属于其它类但被误分到目标中的像素数；FN是原属于目标但被误分到其它类的像素点的数量。对于算法的分割效果，ACC指标数值越大，NRM指标数值越小，表明分割效果越好；
其中，
区域内均匀性测度具体为：采用RU表示已分割区域内部均匀性测度指标。设Ri表示第i个分割区域，Ai表示其面积，则分割图像的均匀性测度(RU)为：
Figure BDA0002238135450000073
式(8)中，C为归一化因子，f(x,y)为通道值，n为第i个区域内的像素数。RU值越大，分割效果越好，算法性能也越好；
其中，
准确率(PRE)、召回率(REC)、F-measure(FME)的模型分别如下式(9)、式(10)和式(11)所示：
Figure BDA0002238135450000081
Figure BDA0002238135450000082
Figure BDA0002238135450000083
其中感兴趣目标对象正确分割为目标区域的像素点的个数记为TP，背景错误分割到目标区域的像素点的个数记为FP，目标对象错误分割到背景部分的像素点的个数记为FN。F-measure(FME)是对分割结果全面、综合的评价，其数值越大，则分割效果越好。
在前述基础上，各幅源图像通过不同的分割方法得到的分割结果如图7所示，基于前述分割结果评价算法的具体结果如下表1、表2和表3所示:
表1：不同分割方法的ACC、NRM评价指标
Figure BDA0002238135450000084
Figure BDA0002238135450000091
表2：不同分割方法的RU评价指标
Figure BDA0002238135450000092
表3：不同分割法的PRE、REC、FME评价指标
Figure BDA0002238135450000093
Figure BDA0002238135450000101
由上述表1、2和3，结合图7分析可知，多阈值分割法由于仅根据最大隶属度原则进行图像多阈值化分割，其分割规则过于单一，从而导致该算法对色貌属性复杂度较高的图像分割结果较差；光学相干边缘检测法通过求解源图像亮度变化函数的一阶或二阶导数进而确定待分割区域与背景的交界线，但对于纹理属性较为显著的图像则易出现边缘误判的情况；FCM_S算法引入了像素周围空间信息，但对于目标区域内灰度、纹理等信息差别较大的图像分割效果不太理想；极值分析法是通过对灰度统计直方图中存在的各极值进行分析从而选取最合适的阈值，但对于灰度范围重叠的图像分割效果不佳；最大类间方差法是一种自适合于双峰情况的自动求取阈值的方法，但对于波峰、波谷特性不显著的图像效果较差；分水岭分割法是根据分水岭的构成来考虑图像的分割，即为获取源图像的分水岭与集水盆地，但对于目标内部存在分水岭属性区域的图像分割效果不佳；K均值聚类分割法是通过特定规则选取聚类中心与隶属度，以用于度量待分割样本与背景之间的相似度，但其属于硬划分范畴，不适用于具有模糊属性的对象；相比之下，本发明方法所得目标图像的ACC、RU、PRE、REC与FME值均高于其他7种现有的分割方法，NRM值均低于其他7种现有的分割方法，整体具有较好的分割效果。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种彩色图像分割方法，其特征在于，包括以下步骤：
步骤(一)、准备源图像，确定待分割区域作为分割目标，提取分割目标的局部作为参考匹配样本，将源图像和参考匹配样本的图片模式转换为Lab模式；
步骤(二)、确定源图像与参考匹配样本的最佳筛选阈值m
以待分割区域与非目标区域像素差异最大的属性通道为依据，将该属性通道记为通道T，最佳筛选阈值m为：
m＝a1(Tmax-Tmin)+a2σT
其中，
Tmax、Tmin分别为通道T的最大与最小值，σT为通道T的标准差；a1、a2为权值，a1、a2∈[0,1]且a1+a2＝1；
步骤(三)、源图像与筛选样本的匹配
对边界像素进行处理，然后利用最佳筛选阈值m进行自适应匹配，根据通道T、待分配像素的8-邻域均值μ及8-邻域标准差σ，将三者与参考像素对应差值的最优加权结果Q作为源图像与参考匹配样本的匹配依据；
Q＝a3|Ti-Tj|+a4|μi-μj|+a5|σi-σj|
Figure FDA0002238135440000011
Figure FDA0002238135440000012
其中，
a3、a4和a5分别指通道值、均值、标准差对应的权值，a3+a4+a5＝1；
Ti、Tj分别为源图像与参考样本逐像素的T通道值，μi、μj、σi、σj分别为二者逐像素的T通道8-邻域均值与8-邻域标准差；
对于待分割源图像中的每个像素i，依次计算其与参考样本中所有像素j的Q值，然后与最佳筛选阈值m进行比较，若源图像中像素i与参考样本中所有像素j的Q值均大于筛选阈值m，则将像素i归为背景区域，反之则将像素i归为感兴趣目标区域；循环操作直至完成源图像中所有像素的分配，实现待分割区域的分割。
2.根据权利要求1所述的彩色图像分割方法，其特征在于：所述步骤(三)实现待分割区域的分割后再进行细化处理，采用腐蚀和/或膨胀算法进一步处理，输出图像分割结果。
CN201910990556.2A 2019-10-18 2019-10-18 一种彩色图像分割方法 Active CN110751660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910990556.2A CN110751660B (zh) 2019-10-18 2019-10-18 一种彩色图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910990556.2A CN110751660B (zh) 2019-10-18 2019-10-18 一种彩色图像分割方法

Publications (2)

Publication Number Publication Date
CN110751660A CN110751660A (zh) 2020-02-04
CN110751660B true CN110751660B (zh) 2023-01-20

Family

ID=69278818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910990556.2A Active CN110751660B (zh) 2019-10-18 2019-10-18 一种彩色图像分割方法

Country Status (1)

Country Link
CN (1) CN110751660B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022052032A1 (zh) * 2020-09-11 2022-03-17 京东方科技集团股份有限公司 图像的分割方法、装置和图像的三维重建方法、装置
CN115631119A (zh) * 2022-09-08 2023-01-20 江苏北方湖光光电有限公司 一种提高目标显著性的图像融合方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1416441A1 (de) * 2002-10-30 2004-05-06 Orga Kartensysteme GmbH Verfahren und Vorrichtung zur automatischen Segmentierung eines Vordergrundobjektes in einem Bild
CN104036300A (zh) * 2014-06-18 2014-09-10 西安电子科技大学 基于均值漂移分割的遥感图像目标识别方法
CN104574405A (zh) * 2015-01-15 2015-04-29 北京天航华创科技股份有限公司 一种基于Lab空间的彩色图像阈值分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1416441A1 (de) * 2002-10-30 2004-05-06 Orga Kartensysteme GmbH Verfahren und Vorrichtung zur automatischen Segmentierung eines Vordergrundobjektes in einem Bild
CN104036300A (zh) * 2014-06-18 2014-09-10 西安电子科技大学 基于均值漂移分割的遥感图像目标识别方法
CN104574405A (zh) * 2015-01-15 2015-04-29 北京天航华创科技股份有限公司 一种基于Lab空间的彩色图像阈值分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Lab分通道直方图的彩色图像分割算法及应用;于艺铭，金典，王琪，张琪，陈茜，王小菊;《影像科学与光化学》;20190131;第37卷(第1期);第18-32页 *
基于阈值法的图像分割技术;阴国富;《现代电子技术》;20071231(第23期);第107-108页 *

Also Published As

Publication number Publication date
CN110751660A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
Bai et al. A fuzzy clustering segmentation method based on neighborhood grayscale information for defining cucumber leaf spot disease images
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN109684922B (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN108537239B (zh) 一种图像显著性目标检测的方法
CN110796667B (zh) 基于改进小波聚类的彩色图像分割方法
Kumar et al. Segmentation of Hyperspectral image using JSEG based on unsupervised clustering algorithms
CN104657980A (zh) 一种改进的基于Meanshift的多通道图像分割算法
CN104217438A (zh) 基于半监督的图像显著性检测方法
CN110751660B (zh) 一种彩色图像分割方法
CN108154158A (zh) 一种面向增强现实应用的建筑物图像分割方法
CN112802054A (zh) 一种融合图像分割的混合高斯模型前景检测方法
CN110490894A (zh) 基于改进的低秩稀疏分解的视频前背景分离方法
Yusoff et al. Automated two-dimensional K-means clustering algorithm for unsupervised image segmentation
CN117853722A (zh) 一种融合超像素信息的钢材金相组织分割方法
Yadav et al. Improved color-based K-mean algorithm for clustering of satellite image
CN114863088A (zh) 一种面向长尾目标检测的分类对数归一化方法
CN107657276A (zh) 一种基于寻找语义类簇的弱监督语义分割方法
CN104751461A (zh) 一种基于直方图阈值及低秩表示的白细胞细胞核分割方法
Bhoyar Color Image Segmentation using Fast Fuzzy C-Means Algorithm
CN101344928B (zh) 用于确定图像区域和对图像进行分类的方法和设备
Jamil et al. A rule-based segmentation method for fruit images under natural illumination
Meurie et al. A comparison of supervised pixels-based color image segmentation methods. application in cancerology
CN111161282B (zh) 基于深度种子的图像多层次分割的目标尺度选择方法
CN109765557B (zh) 基于分布特性的fod目标自适应快速分类识别方法、系统及介质
Gunawan et al. Fuzzy Region Merging Using Fuzzy Similarity Measurement on 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