CN111275723A - 一种基于Grab Cut算法的图像分割方法 - Google Patents

一种基于Grab Cut算法的图像分割方法 Download PDF

Info

Publication number
CN111275723A
CN111275723A CN202010099381.9A CN202010099381A CN111275723A CN 111275723 A CN111275723 A CN 111275723A CN 202010099381 A CN202010099381 A CN 202010099381A CN 111275723 A CN111275723 A CN 111275723A
Authority
CN
China
Prior art keywords
image
label
pixels
segmentation
rectangular frame
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
Application number
CN202010099381.9A
Other languages
English (en)
Other versions
CN111275723B (zh
Inventor
徐荣青
岳英杰
刘盼
刘海军
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 University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010099381.9A priority Critical patent/CN111275723B/zh
Publication of CN111275723A publication Critical patent/CN111275723A/zh
Application granted granted Critical
Publication of CN111275723B publication Critical patent/CN111275723B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T7/194—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

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Grab Cut算法的图像分割方法，该方法包括：采集待处理图像，形成图像数据集，并各个图像进行预处理；对预处理后的图像采用Graph Cut算法统计出对应图像中每个像素的标签值，并将目标前景用矩形框圈出，统计矩形框中标签的种类和每个标签对应像素点的数量；根据所述标签对应像素点的数量计算所述矩形框中每种标签的像素占整幅图像属于该种标签的像素比例，根据设置的双阈值确定矩形中标签的种类，进而得到掩膜图像信息；利用生成的掩膜图像，进行Grab Cut迭代分割，完成图像分割。本发明采用改进Grab Cut算法，可以有效的减少过分割以及欠分割缺陷的发生，提高图像分割的精确度。

Description

一种基于Grab Cut算法的图像分割方法
技术领域
本发明属于图像处理在电子商务应用的领域，具体涉及一种基于Grab Cut算法的图 像分割方法。
背景技术
随着信息服务的蓬勃发展，商标识别的应用越来越广泛，例如在电子商务平台监测 用户参与度，在日常生活中特定领域的标志物识别(例如车辆标志和交通标志识别)，在体育领域，赞助商每年在体育营销上花费数百万欧元，俱乐部赞助球队，每年要在球 队上投入一大笔金额。因此赞助商和俱乐部希望以更有效的途径让更多的观众直接、方 便的获取赞助商和俱乐部的宣传信息，通过运动员商标商标识别来连接到主页网址是一 种新的推介方式，所以从运动员穿着的衣物上进行商标识别是非常有必要的。
早些年间，文献[Chattopadhyay T,Sinha A.Recognition of trademarks fromsports videos for channel hyperlinking in consumer end[C]//2009IEEE 13thInternational Symposium on Consumer Electronics.IEEE,2009:943-947.]是在体育比赛中，实时将场地 旁边的广告牌识别，以完成宣传赞助商的目标。文献[Kim Y S,Kim WY.Content-based trademark retrieval system using a visually salient feature[J].Image and Vision Computing, 1998,16(12-13):931-939.]提出了一种基于文字的实时监测与识别运动场地广告牌的算 法，该算法能在视频流中检测出广告牌在整个时间段内出现的次数，使广告商能有效判 断是否达到了宣传的目的。
进行商标识别的前提是对图像中得到商标进行分割。将商标分割的目的是为了分割 出无关背景，只将商标作为分类器的训练内容，有效的减少了背景等无关项的干扰，有利于训练准确性的提升。但是由于运动员在球场上剧烈运动，这就导致起衣服上的商标 具有旋转、平移、缩放的特性，并且受环境的影响，例如光照不均匀、图像背景复杂、 图片模糊情况的影响，所以传统图像分割算法易造成欠分割或者过分割的情况。
发明内容
发明目的：为了克服现有技术的不足，本发明提供一种基于Grab Cut算法的图像分 割方法，该方法可以解决传统图像分割算法不能有效将图片进行分割，造成欠分割或过分割等问题。
技术方案：本发明所述的基于Grab Cut算法的图像分割方法，该方法包括：
采集待处理图像，形成图像数据集，并各个图像进行预处理；
对预处理后的图像采用Graph Cut算法统计出对应图像中每个像素的标签值，并将 目标前景用矩形框圈出，统计矩形框中标签的种类和每个标签对应像素点的数量；
根据所述标签对应像素点的数量计算所述矩形框中每种标签的像素占整幅图像属 于该种标签的像素比例，根据设置的双阈值确定矩形中标签的种类，进而得到掩膜图像信息；
利用生成的掩膜图像，进行Grab Cut迭代分割，完成图像分割。
进一步地，包括：
所述对各个图像进行预处理包括：对图像进行高斯滤波后，采用二阶拉普拉斯算子 进行锐化处理。
进一步地，包括：
所述根据所述标签对应像素点的数量计算所述矩形框中每种标签的像素占整幅图 像属于该种标签的像素比例，包括：
Graph Cut算法将图片分为不同的区域，每个区域对应唯一的标签值，假设整幅图像共有N个标签，每个标签表示为k＝1，2，...，N，属于特定标签的像素点数量表示为Sk； 用户交互完成后，在用户圈出的矩形框内总共有i个标签，其中，i≤N，属于第i个标签 的像素点数量为Ri，其中，i＝1,2,...,N，因此，用户交互后的矩形框中像素所占整副图 像像素标签的比例为：
Figure BDA0002386367300000021
即Lk的含义是矩形框中的一个像素属于背景的可能性。
进一步地，包括：
所述根据设置的双阈值确定矩形中标签的种类，具体包括：
双阈值设置为H1和H2，0＜H1＜H2＜1，若所述像素比例Lk＜H1，则将矩形框中的 属于该标签的像素视为背景的一部分，否则，若H1≤Lk≤H2，则将矩形框中的属于标 签的像素部分视为可能的背景，否则，若Lk≥H2，则将矩形框中的属于标签的像素部 分视为可能的前景。
进一步地，包括：
所述两个阈值的设定根据特定的图片应用场景，设定方式是：
根据图片分割的平滑约束度，利用K值来设定阈值H1和H2，利用公式：
Figure BDA0002386367300000031
Figure BDA0002386367300000032
其中，K代表Graph Cut算法设定的Potts模型参数，P代表用户交互后得出的矩形框中像素点的总数，Connect_size代表像素点与其相邻8邻域像素点的连通平均值。
进一步地，包括：
所述得到掩膜图像信息，具体包括：生成的掩膜图像中的每个像素均采用一个不同 的数值表示。
进一步地，包括：
所述利用生成的掩膜图像，进行Grab Cut迭代分割，具体包括：
(1)初始化掩膜图像，并计算n-links；
(2)采用k-means聚类方法初始化高斯混合模型，进而计算得到t-links；
(3)计算该图对应的最大流和最小割；
(4)确认图像中的背景区域和前景区域分割是否合理，如果合理，则结束算法， 否则，返回到步骤(2)重构高斯混合模型。
有益效果：本发明与现有技术相比，其显著优点是：本发明采用改进Grab Cut算法， 可以有效的减少过分割以及欠分割缺陷的发生，提高图像分割的精确度。
附图说明
图1是原始的体育图像；
图2是Graph Cut分割结果图片；
图3是Grab Cut分割结果图片；
图4是Grab Cut算法流程图；
图5是本发明所述的方法分割结果图片；
图6是本方法的精度提升效果图。
具体实施方式
下面结合附图进一步说明本发明基于改进Grab Cut的图像分割方法。
本发明是利用了Matlab中开源的Graph Cut代码和C++中开源的Grab Cut代码，将生成的图像掩膜保存成yml文件，实现Matlab平台和C++平台的数据共享。图片为BelgaLogos公开数据集中的体育图片，所有图像格式均为JPG，如图1所示，并在Graph Cut源码的基础上进行修改，使之与本发明收集的体育图像数据集相适配。
本实施例中，考虑上述图像数据的要求，选取BelgaLogos公开数据集中的100张运动员图片，图片场景有足球比赛、赛车比赛、篮球比赛。
基于改进Grab Cut的体育图像分割：Grab Cut是Graph Cut的迭代版本，也是Graph Cut的改进。但是Grab Cut没有保留Graph Cut算法的优点，即Graph Cut算法在分割图 像时，利用了物体位置和边缘的信息。因此本文考虑将两种算法结合，利用各自的优势对图像进行分割。利用Graph Cut将图片分为不同区域，从而生成图片的掩膜，进而送 入Grab Cut进行分割。另外针对分割不精确，Grab Cut还提供人工修改掩膜的权利，又 多了一次交互过程，本文将修改掩膜的步骤提前进行，因为图像分割的实质是迭代使得 图像每个部分的能量函数最小化，此时输出的最优结果为最佳分割。而在Graph Cut算 法中，仅涉及两类能量，第一类是像素点与图像区域不同的能量，称为点与类的能量； 第二类是像素点与像素点之间不同的能量，称为点与点的能量。两个能量之间所占的比 例关系使用Potts模型参数K来控制比例，当点与点的能量所占比例高时，像素局部平 滑约束就越高，图像就越平滑，图像分割保留的细节就越少。所以利用双阈值首先将图 片进行初步过滤，直接将图片的某些部分视为前景或背景的部分，再送入Grab Cut进行 迭代。
步骤1，考虑了锐化步骤在增强图像边缘的同时，也会将噪音增强，所以在进行锐化处理之前将图片先进行高斯滤波。
步骤2，将体育图片进行预处理。因为在Graph Cut算法中利用了像素与像素之间关系的信息，所以突出图片的轮廓可以提升Graph Cut算法的精度。本文采用锐化处理 的方法，利用二阶函数微分能确定图片边缘存在的特性，并且考虑到Graph Cut算法在 计算像素与像素之间连通值时采用的是8连通的方式，故二阶拉普拉斯算子我们使用
Figure BDA0002386367300000051
进行微分，锐化处理用来突出图片边缘的信息。
步骤3，对整幅图像使用Graph Cut算法，统计出每个像素的标签值，即将每个像素点属于某类区域的区域ID保存，如图2所示。
步骤4，用户进行交互，将目标前景用矩形框圈出，并统计矩形框中有多少种标签和属于该标签有多少数量的像素点。如图2中的灰色矩形框内的图像为本发明的待分割 区域。
步骤5，计算矩形框中每种标签的像素占整幅图像属于该种标签的像素比例。
步骤6，设置两个不同的判别阈值，若计算出的像素比例小于最小的判别阈值，则将矩形框中的属于该标签的像素视为背景的一部分，若计算出的像素比例大于最大的判别阈值，则将矩形框中的属于该标签的像素视为前景的一部分。
因此，根据图片分割的平滑约束度，利用K值来设定阈值H1和H2。利用公式
Figure BDA0002386367300000052
Figure BDA0002386367300000053
其中，K代表Graph Cut算法设定的Potts模型参数，P代表用户交互后得出的矩形框中像素点的总数，Connect_size代表像素点与其相邻8邻域像素点的连通平均值。
设置阈值H1和H2，在测试过程中，将相应图片利用PhotoShop人工进行分割，计算其与利用改进Grab Cut分割的图片像素差异。
本实施例通过计算得出H1＝0.3和H2＝0.5，意思就是比例小于0.3，则将矩形框中的属于该标签的像素视为背景的一部分，若比例大于0.3小于0.5视为可能的背景，若 比例大于0.5视为可能的前景，双阈值的设定可提高最终图像分割的精确度。
步骤7，根据判决比例，即为上述阈值，和矩形框中的标签值，生成掩膜图像中的每个像素都对应一个数值，1明确属于前景的像素；2可能属于背景的像素；3可能属于 前景的像素；0明确属于背景的像素。
上述步骤4-步骤7的一种具体实施例为：假设矩形图像中N个标签，每个标签K ＝1，2，...，N，每个标签中像素的数量是Sk。用户交互完成后，在矩形框中有i(i≤N)个 标签，属于这i个标签的像素为Ri，i＝1,2,...,N,and i∈k。通常，用户交互后的矩形 中像素所占所有像素标签的比例定义为：
Figure BDA0002386367300000061
Lk的含义是矩形框中的一个像素属于背景的可能性。若Lk＝1的含义就是属于该标签的所有像素都处于矩形框中。Lk的值越接近于0，越能说明该像素属于背景。所以， 当计算出的Lk低于设定的阈值H1和H2，在掩膜中该点的取值由可能的前景变为可能的背 景或背景，从而减少背景像素的干扰。
采用一个无向图G＝<V,E>表示要分割的图像，V和E分别是顶点(vertex)和边(edge) 的集合。普通的图由顶点和边构成，如果边有方向的，这样的图被则称为有向图，否则 为无向图，且边是有权值的，不同的边可以有不同的权值，分别代表不同的物理意义，而Graph Cuts图是在普通图的基础上多了2个顶点，这2个顶点分别用符号”S”和”T” 表示，统称为终端顶点。其它所有的顶点都必须和这2个顶点相连形成边集合中的一部 分。所以Graph Cuts中有两种顶点，也有两种边。
第一种顶点和边是：第一种普通顶点对应于图像中的每个像素。每两个邻域顶点(对 应于图像中每两个邻域像素)的连接就是一条边。这种边也叫n-links。
第二种顶点和边是：除图像像素外，还有另外两个终端顶点，叫S(source：源点，取源头之意)和T(sink：汇点，取汇聚之意)。每个普通顶点和这2个终端顶点之间 都有连接，组成第二种边。这种边也叫t-links。
每个像素对应图中的一个相应顶点，另外还有s和t两个顶点。上图有两种边，实线的边表示每两个邻域普通顶点连接的边n-links，虚线的边表示每个普通顶点与s和t 连接的边t-links。在前后景分割中，s表示前景目标，t表示背景。
图中每条边都有一个非负的权值we，也可以理解为cost(代价或者费用)。一个cut(割)就是图中边集合E的一个子集C，那这个割的cost(表示为|C|)就是边子集C 的所有边的权值的总和。
Graph Cuts中的Cuts是指这样一个边的集合，很显然这些边集合包括了上面2种边， 该集合中所有边的断开会导致残留“S”和“T”图的分开，所以就称为割。如果一个割，它的边的所有权值之和最小，那么这个就称为最小割，也就是图割的结果。而福特-富 克森定理表明，网路的最大流max flow与最小割min cut相等。所以由Boykov和 Kolmogorov发明的max-flow/min-cut算法就可以用来获得s-t图的最小割。这个最小割 把图的顶点划分为两个不相交的子集S和T，其中s∈S，t∈T和S∪T＝V。这两个子 集就对应于图像的前景像素集和背景像素集，那就相当于完成了图像分割。
步骤8，利用生成的掩膜图像信息去初始化Grab Cut算法，完成图像分割，流程图如图4所示。
(1)初始化掩膜图像，并计算n-links；
(2)采用k-means聚类方法初始化高斯混合模型，进而计算得到t-links；
(3)计算该图对应的最大流和最小割；
(4)确认图像中的背景区域和前景区域分割是否合理，如果合理，则结束算法， 否则，返回到步骤(2)重构高斯混合模型。
以上，就是改进算法的全部流程。
如图5所示为改进算法的分割结果图，由图3和图5比较可以看到，改进之后的算法相比较于Grab Cut算法在精度上具有明显的提升，算法精度如图6所示。有效的解 决了欠分割的问题，满足体育图像分割的要求。

Claims (7)

1.一种基于Grab Cut算法的图像分割方法，其特征在于，该方法包括：
采集待处理图像，形成图像数据集，并对各个图像进行预处理；
对预处理后的图像采用Graph Cut算法统计出对应图像中每个像素的标签值，并将目标前景用矩形框圈出，统计矩形框中标签的种类和每个标签对应像素点的数量；
根据所述标签对应像素点的数量计算所述矩形框中每种标签的像素占整幅图像属于该种标签的像素比例，根据设置的双阈值确定矩形中标签的种类，进而得到掩膜图像信息；
利用生成的掩膜图像，进行Grab Cut迭代分割，完成图像分割。
2.根据权利要求1所述的基于Grab Cut算法的图像分割方法，其特征在于，所述对各个图像进行预处理包括：对图像进行高斯滤波后，采用二阶拉普拉斯算子进行锐化处理。
3.根据权利要求1所述的基于Grab Cut算法的图像分割方法，其特征在于，所述根据所述标签对应像素点的数量计算所述矩形框中每种标签的像素占整幅图像属于该种标签的像素比例，包括：
Graph Cut算法将图片分为不同的区域，每个区域对应唯一的标签值，假设整幅图像共有N个标签，每个标签表示为k＝1，2，…，N，属于特定标签的像素点数量表示为Sk；用户交互完成后，在用户圈出的矩形框内总共有i个标签，其中，i≤N，属于第i个标签的像素点数量为Ri，其中，i＝1,2,...,N，因此，用户交互后的矩形框中像素所占整副图像像素标签的比例为：
Figure FDA0002386367290000011
即Lk的含义是矩形框中的一个像素属于背景的可能性。
4.根据权利要求1所述的基于Grab Cut算法的图像分割方法，其特征在于，所述根据设置的双阈值确定矩形中标签的种类，具体包括：
双阈值设置为H1和H2，0＜H1＜H2＜1，若所述像素比例Lk＜H1，则将矩形框中的属于该标签的像素视为背景的一部分，否则，若H1≤Lk≤H2，则将矩形框中的属于标签的像素部分视为可能的背景，否则，若Lk≥H2，则将矩形框中的属于标签的像素部分视为可能的前景。
5.根据权利要求4所述的基于Grab Cut算法的图像分割方法，其特征在于，所述两个阈值的设定根据特定的图片应用场景，设定方式是：
根据图片分割的平滑约束度，利用K值来设定阈值H1和H2，利用公式：
Figure FDA0002386367290000021
Figure FDA0002386367290000022
其中，K代表Graph Cut算法设定的Potts模型参数，P代表用户交互后得出的矩形框中像素点的总数，Connect_size代表像素点与其相邻8邻域像素点的连通平均值。
6.根据权利要求1所述的基于Grab Cut算法的图像分割方法，其特征在于，所述得到掩膜图像信息，具体包括：生成的掩膜图像中的每个像素均采用一个不同的数值表示。
7.根据权利要求1所述的基于Grab Cut算法的图像分割方法，其特征在于，所述利用生成的掩膜图像，进行Grab Cut迭代分割，具体包括：
(1)初始化掩膜图像，并计算n-links；
(2)采用k-means聚类方法初始化高斯混合模型，进而计算得到t-links；
(3)计算该图对应的最大流和最小割；
(4)确认图像中的背景区域和前景区域分割是否合理，如果合理，则结束算法，否则，返回到步骤(2)重构高斯混合模型。
CN202010099381.9A 2020-02-18 2020-02-18 一种基于Grab Cut算法的图像分割方法 Active CN111275723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010099381.9A CN111275723B (zh) 2020-02-18 2020-02-18 一种基于Grab Cut算法的图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010099381.9A CN111275723B (zh) 2020-02-18 2020-02-18 一种基于Grab Cut算法的图像分割方法

Publications (2)

Publication Number Publication Date
CN111275723A true CN111275723A (zh) 2020-06-12
CN111275723B CN111275723B (zh) 2022-07-29

Family

ID=71000312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010099381.9A Active CN111275723B (zh) 2020-02-18 2020-02-18 一种基于Grab Cut算法的图像分割方法

Country Status (1)

Country Link
CN (1) CN111275723B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269800A (zh) * 2021-05-25 2021-08-17 华能海南发电股份有限公司澄迈光伏电站 一种太阳能光伏组件红外图像分割方法
CN113696454A (zh) * 2021-10-28 2021-11-26 南通三信塑胶装备科技股份有限公司 一种基于人工智能的挤塑设备故障预警方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104766316A (zh) * 2015-03-31 2015-07-08 复旦大学 中医望诊中新型嘴唇分割算法
CN110348277A (zh) * 2018-11-30 2019-10-18 浙江农林大学 一种基于自然背景下的树种图像识别方法
CN110738676A (zh) * 2019-09-17 2020-01-31 湖南大学 一种结合RGBD数据的GrabCut自动分割算法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104766316A (zh) * 2015-03-31 2015-07-08 复旦大学 中医望诊中新型嘴唇分割算法
CN110348277A (zh) * 2018-11-30 2019-10-18 浙江农林大学 一种基于自然背景下的树种图像识别方法
CN110738676A (zh) * 2019-09-17 2020-01-31 湖南大学 一种结合RGBD数据的GrabCut自动分割算法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269800A (zh) * 2021-05-25 2021-08-17 华能海南发电股份有限公司澄迈光伏电站 一种太阳能光伏组件红外图像分割方法
CN113269800B (zh) * 2021-05-25 2023-05-12 华能海南发电股份有限公司澄迈光伏电站 一种太阳能光伏组件红外图像分割方法
CN113696454A (zh) * 2021-10-28 2021-11-26 南通三信塑胶装备科技股份有限公司 一种基于人工智能的挤塑设备故障预警方法及系统

Also Published As

Publication number Publication date
CN111275723B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
US10839573B2 (en) Apparatus, systems, and methods for integrating digital media content into other digital media content
Shahrian et al. Weighted color and texture sample selection for image matting
Li et al. Grab cut image segmentation based on image region
Jiang et al. Automatic salient object segmentation based on context and shape prior.
US8798362B2 (en) Clothing search in images
WO2017190656A1 (zh) 行人再识别方法和装置
US8942469B2 (en) Method for classification of videos
Ge et al. Co-saliency detection via inter and intra saliency propagation
CN111275723B (zh) 一种基于Grab Cut算法的图像分割方法
CN110782409B (zh) 一种去除多运动物体阴影的方法
Liu et al. Fast interactive image segmentation by discriminative clustering
Le et al. Geodesic distance histogram feature for video segmentation
Liu et al. Robust interactive image segmentation with automatic boundary refinement
Henry et al. Automatic trimap generation and artifact reduction in alpha matte using unknown region detection
CN110210561B (zh) 神经网络的训练方法、目标检测方法及装置、存储介质
Abdullah-Al-Wadud et al. Skin segmentation using color distance map and water-flow property
CN111556362A (zh) 一种车身广告植入方法、装置、电子设备及存储介质
CN106066887A (zh) 一种广告序列图像快速检索和分析方法
CN116052090A (zh) 图像质量评估方法、模型训练方法、装置、设备及介质
CN115578629A (zh) 一种公路护栏提取方法
Shahab et al. Bayesian approach to photo time-stamp recognition
Wen et al. Road boundary detection in complex urban environment based on low-resolution vision
Jarraya et al. Adaptive moving shadow detection and removal by new semi-supervised learning technique
CN111723612A (zh) 人脸识别和人脸识别网络的训练方法和装置、存储介质
Zhang et al. Individual Building Rooftop Segmentation from High-resolution Urban Single Multispectral Image Using Superpixels

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210003 Gulou District, Jiangsu, Nanjing new model road, No. 66

Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS

Address before: Yuen Road Qixia District of Nanjing City, Jiangsu Province, No. 9 210000

Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS

GR01 Patent grant
GR01 Patent grant