CN114092486A - 一种图像纹理背景自动分割方法及装置 - Google Patents
一种图像纹理背景自动分割方法及装置 Download PDFInfo
- Publication number
- CN114092486A CN114092486A CN202111181173.4A CN202111181173A CN114092486A CN 114092486 A CN114092486 A CN 114092486A CN 202111181173 A CN202111181173 A CN 202111181173A CN 114092486 A CN114092486 A CN 114092486A
- Authority
- CN
- China
- Prior art keywords
- image
- clustering
- texture
- matrix
- constructing
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 78
- 239000013598 vector Substances 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000000926 separation method Methods 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像纹理背景自动分割方法及装置,通过对原始图像进行高斯滤波预处理,去除场景噪声,转换颜色空间,获得纹理图像;基于均值聚类算法对纹理图像进行预聚类,建立聚类中心的距离相关矩阵,确定自适应聚类数;根据绝对值梯度图像和灰度边缘梯度图像,构建拉普拉斯矩阵,计算其特征向量,构建特征向量矩阵;构建加权距离度量公式计算特征向量之间的相似度;根据特征向量矩阵、自适应聚类数、相似度再次进行均值聚类,获得原始图像对应的分割蒙版;根据灰度边缘梯度图像和分割蒙版,获得纹理背景区域,实现了对具有复杂和多尺度纹理背景的图像进行自动分割背景区域。
Description
技术领域
本发明涉及图像处理领域,尤其是涉及一种图像纹理背景自动分割方法及装置。
背景技术
图像背景分割有利于对有意义的前景物体进行分析和检测,是计算机视觉领域中最常用的处理方法。然而,许多自然和真实场景中的图像存在复杂的纹理背景模式,背景纹理模式和前景结构可能非常相似,如凌乱的马赛克、多尺度的岩石纹理、不规则的人工纹理元素等。由于缺乏对整体背景纹理特征的深度表征,现有的分割算法往往无法获得完整的纹理背景分离。
近几十年来,基于均值聚类、层次聚类、特征谱聚类等算法已经在图像分割领域得到了广泛的应用。其中,均值聚类算法由于其非监督性、简单性和易于编程性,是各种图像处理任务中最受欢迎的分类算法之一。尽管均值聚类已经成功地应用于各种图像分割任务中,但它在图像分割中仍然存在一些缺点,如高维数据的时效性、复杂纹理图像的稳定性和自适应性。为了降低计算复杂度,采用超像素技术提出了简单有效的改进,可以显著降低运行时间,但由于属于同一分割的多尺度纹理模式的干扰,精度仍未得到提高。均值聚类及其变化在复杂纹理背景分割中失败的主要原因是缺乏对相似纹理的显著特征表示。因此,在谱理论的基础上提出了一些改进的特征聚类方法用于图像分割,这些聚类方法通过构建数据相似度作为新的特征表示,对处理稀疏数据聚类非常有效,并且由于采用了降维算法,使得特征聚类的复杂度也优于传统的聚类算法。鉴于谱技术的优异性能,在加速、增强稳定性、自适应等方面提出了更多的特征聚类扩展,在图像分割领域也取得了较好的结果。毫无疑问,特征聚类在数据分类方面的优势是突出的,但在适应性、选择合适的特征表示和数据降维等方面仍然存在挑战,特别是对于复杂的大尺度纹理图像。
发明内容
为解决背景技术中存在的技术问题,本发明提出一种图像纹理背景自动分割方法及装置,可快速实现对具有复杂和多尺度纹理背景的图像进行自动分割背景区域。
本发明提出一种图像纹理背景自动分割方法,包括:
S1:获取待处理的原始图像;
S2:对原始图像进行高斯滤波预处理,去除场景噪声获得去噪图像;
S3:将去噪图像从RGB颜色空间转换到LAB色彩空间,获得纹理图像;
S4:基于均值聚类算法对纹理图像进行预聚类,建立聚类中心的距离相关矩阵,确定自适应聚类数;
S5:对原始图像和纹理图像进行处理获得绝对值梯度图像和灰度边缘梯度图像,基于绝对值梯度图像和灰度边缘梯度图像构建拉普拉斯矩阵,计算其特征向量,构建特征向量矩阵;
S6:构建加权距离度量公式计算特征向量之间的相似度;
S7:将特征向量矩阵作为数据输入,自适应聚类数作为类别数目,根据相似度再次进行均值聚类,获得原始图像对应的分割蒙版;
S8:根据灰度边缘梯度图像和分割蒙版,与原始图像进行对比,获得纹理背景区域。
优选地,所述步骤S4具体包括:
S401:预设聚类数k=9,根据均值聚类算法对纹理图像进行预聚类,得到9个聚类中心ci(i=1,2,...,9);
S402:计算聚类中心相互之间的马氏距离:
S403:构建距离相关矩阵A=(mij)9×9,并计算A的全部特征值λi(i=1,2,...,9);
S404:将A的全部特征值进行仿射变换到区间[0,10],进行四舍五入取整,找出其中互异的特征值数目K,即自适应聚类数。
优选地,所述步骤S5具体包括:
S501:计算原始图像的绝对梯度,与纹理图像做加法运算,获得绝对值梯度图像;
S502:计算原始图像灰度边缘梯度图像;
S503:对原始图像做N个超像素运算,获得超像素蒙版;
S504:按超像素蒙版取均值合并绝对值梯度图像和灰度边缘梯度图像,构建图像特征矩阵XN×4=(x1,x2,...,xN)T,其中N表示原始图像超像素的个数;
S505:以图像特征矩阵行信息为单个样本点,构建度矩阵D和邻接矩阵W,其中:D=diag(di),i=1,2,...,N,其中xj为k近邻方法以xi中心搜索的近邻点,p(xi,xj)为xi和xj最短路径,σ为XN×4的均方误差;
S506:计算拉普拉斯矩阵L=D-W,计算拉普拉斯矩阵所有特征向量ξi(i=1,2,...,N),构建特征向量矩阵FN=(ξ1,ξ2,...,ξN)。
优选地,所述步骤S6具体包括:
本发明还提出一种图像纹理背景自动分割装置,包括
图像获取模块,用于获取待处理的原始图像;
预处理模块,用于对原始图像进行高斯滤波预处理,去除场景噪声获得去噪图像;
图像转换模块,用于将去噪图像从RGB颜色空间转换到LAB色彩空间,获得纹理图像;
预聚类模块,用于基于均值聚类算法对纹理图像进行预聚类,建立聚类中心的距离相关矩阵,确定自适应聚类数;
图像处理模块,用于对原始图像和纹理图像进行处理获得绝对值梯度图像和灰度边缘梯度图像,基于绝对值梯度图像和灰度边缘梯度图像构建拉普拉斯矩阵,计算其特征向量,构建特征向量矩阵;
相似度计算模块,用于构建加权距离度量公式计算特征向量之间的相似度;
聚类模块,用于将特征向量矩阵作为数据输入,自适应聚类数作为类别数目,根据相似度再次进行均值聚类,获得原始图像对应的分割蒙版;
对比模块,用于根据灰度边缘梯度图像和分割蒙版,与原始图像进行对比,获得图像的纹理背景区域。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述图像纹理背景自动分割方法的步骤。
本发明中,通过对原始图像进行处理获得纹理图像,首先采用均值算法对纹理图形进行预聚类获得自适应聚类数,然后利用绝对值梯度图像和灰度边缘梯度图像构造新的特征表示,通过计算拉普拉斯矩阵将其特征向量作为均值聚类数据输入,提出一种加权距离公式计算相似度来度量相似的背景纹理,最后,基于自适应聚类数、特征向量和相似度,再次进行均值聚类,进而获取完整的图像纹理背景。
本发明中,通过原始图像进行降噪预处理,有效保护了图像结构;将图像从RGB色彩空间转化到LAB空间,使其更符合感知需要;通过均值预聚类,可以尽可能将纹理背景区域从前景结构中分离出来;利用了超像素方法对图像进行了处理,较大的减少计算复杂度;利用马氏距离对预聚类中心进行距离度量,构建距离相关矩阵,能有效的平衡小尺度和大尺度纹理之间的差距,更好的统一具有相似性的多尺度纹理;
本发明中,通过计算预聚类中心构建关联矩阵的互异特征值数目作为自适应聚类数,能快速有效的获得最佳的图像区域自动分割数目;将自动分割数目作为新的均值聚类的类别数目,可以为图像分割提供自动分割方案;构建了一个由欧式和马氏距离加权距离度量,能有效平衡复杂纹理之间差异。
本发明中,利用绝对梯度对原图进行了结构信息增强,有利于结构信息的分离;利用增强的彩色绝对值梯度图像和灰度边缘图像作为图像特征输入,有效平衡了背景纹理和前景结构之间的相似性和差异性。
本发明中,将拉普拉斯矩阵的特征向量作为图像分割的输入数据,增强了数据输入规模,能更好的表述图像深层特征;用自动分割数目和拉普拉斯矩阵特征向量作对背景图像再一次聚类,可以快速自适应地分割完整的图像纹理背景。
附图说明
图1为本发明提出的一种图像纹理背景自动分割方法的流程图。
具体实施方式
如图1所示,图1为本发明实施例一种图像纹理背景自动分割方法的流程图。
参照图1,本发明实施例提出的一种图像纹理背景自动分割方法,包括:
S1:获取待处理的原始图像;
S2:对原始图像进行高斯滤波预处理,去除场景噪声获得去噪图像;
本实施例中,对图像进行降噪预处理,有效保护了图像结构。
S3:将去噪图像从RGB颜色空间转换到LAB色彩空间,获得纹理图像;
本实施例中,将图像从RGB色彩空间转化到LAB空间,使其更符合感知需要。
S4:基于均值聚类算法对纹理图像进行预聚类,建立聚类中心的距离相关矩阵,确定自适应聚类数;
本实施例中,步骤S4具体包括:
S401:预设聚类数k=9,根据均值聚类算法对纹理图像进行预聚类,得到9个聚类中心ci(i=1,2,...,9);
需要说明的是,本发明实施例需要采用一个较大的聚类数目进行粗略的均值预聚类,可以尽可能将纹理背景区域从前景结构中分离出来,本实施例中,预设最佳聚类数为9。
S402:计算聚类中心相互之间的马氏距离:
S403:构建距离相关矩阵A=(mij)9×9,并计算A的全部特征值λi(i=1,2,...,9);
S404:将A的全部特征值进行仿射变换到区间[0,10],进行四舍五入取整,找出其中互异的特征值数目K,即自适应聚类数。
本实施例中,利用马氏距离对预聚类中心进行距离度量,构建距离相关矩阵,能有效的平衡小尺度和大尺度纹理之间的差距,更好的统一具有相似性的多尺度纹理。计算预聚类中心构建距离相关矩阵的互异特征值数目作为自适应聚类数,作为新的均值聚类的类别数目即图像区域分割数,能快速有效的获得最佳的图像区域自动分割数目。
S5:对原始图像和纹理图像进行处理获得绝对值梯度图像和灰度边缘梯度图像,基于绝对值梯度图像和灰度边缘梯度图像构建拉普拉斯矩阵,计算其特征向量,构建特征向量矩阵;
本实施例中,步骤S5具体包括:
S501:计算原始图像的绝对梯度,与纹理图像做加法运算,获得绝对值梯度图像;
S502:计算原始图像灰度边缘梯度图像;
S503:对原始图像做N个超像素运算,获得超像素蒙版;
本实施例中,利用了超像素方法对图像进行了处理,较大的减少计算复杂度。
S504:按超像素蒙版取均值合并绝对值梯度图像和灰度边缘梯度图像,构建图像特征矩阵XN×4=(x1,x2,...,xN)T,其中N表示原始图像超像素的个数;
S505:以图像特征矩阵行信息为单个样本点,构建度矩阵D和邻接矩阵W,其中:D=diag(di),i=1,2,...,N,其中xj为k近邻方法以xi中心搜索的近邻点,p(xi,xj)为xi和xj最短路径,σ为XN×4的均方误差;
S506:计算拉普拉斯矩阵L=D-W,计算拉普拉斯矩阵所有特征向量ξi(i=1,2,...,N),构建特征向量矩阵FN=(ξ1,ξ2,...,ξN)。
本实施例中,利用绝对梯度对原图进行了结构信息增强,有利于结构信息的分离;利用增强的彩色绝对值梯度图像和灰度边缘图像作为图像特征输入,有效平衡了背景纹理和前景结构之间的相似性和差异性;通过计算拉普拉斯矩阵将其特征向量作为均值聚类数据输入,可以快速获得原始图像对应的分割蒙版,进而基于蒙版快速获得图像纹理背景区域。
S6:构建加权距离度量公式计算特征向量之间的相似度;
本实施例中,步骤S6具体包括:
S7:将特征向量矩阵作为数据输入,自适应聚类数作为类别数目,根据相似度再次进行均值聚类,获得原始图像对应的分割蒙版;
S8:根据灰度边缘梯度图像和分割蒙版,与原始图像进行对比,获得纹理背景区域。
具体的,本实施例中,参考灰度边缘梯度图像和分割蒙版,查找图像原始图像中结构细节相对较少且同类面积最大的区域,获得图像纹理背景区域。
本发明实施例还提出一种图像纹理背景自动分割装置,包括
图像获取模块,用于获取待处理的原始图像;
预处理模块,用于对原始图像进行高斯滤波预处理,去除场景噪声获得去噪图像;
图像转换模块,用于将去噪图像从RGB颜色空间转换到LAB色彩空间,获得纹理图像;
预聚类模块,用于基于均值聚类算法对纹理图像进行预聚类,建立聚类中心的距离相关矩阵,确定自适应聚类数;
具体地,本发明实施例预聚类模块通过上述图像纹理背景自动分割方法实施例中步骤S401-S404进行预聚类,建立聚类中心的距离相关矩阵,确定自适应聚类数。
图像处理模块,用于对原始图像和纹理图像进行处理获得绝对值梯度图像和灰度边缘梯度图像,基于绝对值梯度图像和灰度边缘梯度图像构建拉普拉斯矩阵,计算其特征向量,构建特征向量矩阵;
具体地,本发明实施例图像处理模块通过上述图像纹理背景自动分割方法实施例中步骤S501-S506进行处理获得绝对值梯度图像和灰度边缘梯度图像,基于绝对值梯度图像和灰度边缘梯度图像构建拉普拉斯矩阵,计算其特征向量,构建特征向量矩阵;
相似度计算模块,用于构建加权距离度量公式计算特征向量之间的相似度;
具体的,本发明实施例相似度计算模块通过上述图像纹理背景自动分割方法实施例中步骤S6具体公式及其方法进行计算获得特征向量之间的相似度。
聚类模块,用于将特征向量矩阵作为数据输入,自适应聚类数作为类别数目,根据相似度再次进行均值聚类,获得原始图像对应的分割蒙版;
对比模块,用于根据灰度边缘梯度图像和分割蒙版,与原始图像进行对比,获得图像的纹理背景区域。
具体的,参考灰度边缘梯度图像和分割蒙版,查找图像原始图像中结构细节相对较少且同类面积最大的区域,获得图像纹理背景区域。
本发明实施例还提出一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例所述的图像纹理背景自动分割方法的步骤。
本发明中,通过对原始图像进行处理获得纹理图像,首先采用均值算法对纹理图形进行预聚类获得自适应聚类数,然后利用绝对值梯度图像和灰度边缘梯度图像构造新的特征表示,通过计算拉普拉斯矩阵将其特征向量作为均值聚类数据输入,提出一种加权距离公式计算相似度来度量相似的背景纹理,最后,基于自适应聚类数、特征向量和相似度,再次进行均值聚类,进而获取完整的图像纹理背景;本发明实现了对具有复杂和多尺度纹理背景的图像进行自动分割背景区域。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种图像纹理背景自动分割方法,其特征在于,包括:
S1:获取待处理的原始图像;
S2:对原始图像进行高斯滤波预处理,去除场景噪声获得去噪图像;
S3:将去噪图像从RGB颜色空间转换到LAB色彩空间,获得纹理图像;
S4:基于均值聚类算法对纹理图像进行预聚类,建立聚类中心的距离相关矩阵,确定自适应聚类数;
S5:对原始图像和纹理图像进行处理获得绝对值梯度图像和灰度边缘梯度图像,基于绝对值梯度图像和灰度边缘梯度图像构建拉普拉斯矩阵,计算其特征向量,构建特征向量矩阵;
S6:构建加权距离度量公式计算特征向量之间的相似度;
S7:将特征向量矩阵作为数据输入,自适应聚类数作为类别数目,根据相似度再次进行均值聚类,获得原始图像对应的分割蒙版;
S8:根据灰度边缘梯度图像和分割蒙版,与原始图像进行对比,获得纹理背景区域。
3.根据权利要求2所述的图像纹理背景自动分割方法,其特征在于,所述步骤S5具体包括:
S501:计算原始图像的绝对梯度,与纹理图像做加法运算,获得绝对值梯度图像;
S502:计算原始图像灰度边缘梯度图像;
S503:对原始图像做N个超像素运算,获得超像素蒙版;
S504:按超像素蒙版取均值合并绝对值梯度图像和灰度边缘梯度图像,构建图像特征矩阵XN×4=(x1,x2,...,xN)T,其中N表示原始图像超像素的个数;
S505:以图像特征矩阵行信息为单个样本点,构建度矩阵D和邻接矩阵W,其中:D=diag(di),i=1,2,...,N,其中xj为k近邻方法以xi中心搜索的近邻点,p(xi,xj)为xi和xj最短路径,σ为XN×4的均方误差;
S506:计算拉普拉斯矩阵L=D-W,计算拉普拉斯矩阵所有特征向量ξi(i=1,2,...,N),构建特征向量矩阵FN=(ξ1,ξ2,...,ξN)。
5.一种图像纹理背景自动分割装置,其特征在于,包括
图像获取模块,用于获取待处理的原始图像;
预处理模块,用于对原始图像进行高斯滤波预处理,去除场景噪声获得去噪图像;
图像转换模块,用于将去噪图像从RGB颜色空间转换到LAB色彩空间,获得纹理图像;
预聚类模块,用于基于均值聚类算法对纹理图像进行预聚类,建立聚类中心的距离相关矩阵,确定自适应聚类数;
图像处理模块,用于对原始图像和纹理图像进行处理获得绝对值梯度图像和灰度边缘梯度图像,基于绝对值梯度图像和灰度边缘梯度图像构建拉普拉斯矩阵,计算其特征向量,构建特征向量矩阵;
相似度计算模块,用于构建加权距离度量公式计算特征向量之间的相似度;
聚类模块,用于将特征向量矩阵作为数据输入,自适应聚类数作为类别数目,根据相似度再次进行均值聚类,获得原始图像对应的分割蒙版;
对比模块,用于根据灰度边缘梯度图像和分割蒙版,与原始图像进行对比,获得图像的纹理背景区域。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1~4任一项所述图像纹理背景自动分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111181173.4A CN114092486A (zh) | 2021-10-11 | 2021-10-11 | 一种图像纹理背景自动分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111181173.4A CN114092486A (zh) | 2021-10-11 | 2021-10-11 | 一种图像纹理背景自动分割方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092486A true CN114092486A (zh) | 2022-02-25 |
Family
ID=80296691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111181173.4A Pending CN114092486A (zh) | 2021-10-11 | 2021-10-11 | 一种图像纹理背景自动分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092486A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171384A (zh) * | 2023-11-02 | 2023-12-05 | 广州翼拍联盟网络技术有限公司 | 高精度纹理路径检索方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871066A (zh) * | 2014-03-27 | 2014-06-18 | 武汉大学 | 超声图像Ncut分割中相似度矩阵的构造方法 |
CN104732545A (zh) * | 2015-04-02 | 2015-06-24 | 西安电子科技大学 | 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法 |
CN111340824A (zh) * | 2020-02-26 | 2020-06-26 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
CN112991238A (zh) * | 2021-02-22 | 2021-06-18 | 上海市第四人民医院 | 基于纹理色彩混合式的食物图像分割方法、系统、介质及终端 |
CN113420658A (zh) * | 2021-04-30 | 2021-09-21 | 中国电子科技集团公司第十四研究所 | 一种基于fcm聚类和otsu分割的sar图像海陆分割方法 |
-
2021
- 2021-10-11 CN CN202111181173.4A patent/CN114092486A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871066A (zh) * | 2014-03-27 | 2014-06-18 | 武汉大学 | 超声图像Ncut分割中相似度矩阵的构造方法 |
CN104732545A (zh) * | 2015-04-02 | 2015-06-24 | 西安电子科技大学 | 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法 |
CN111340824A (zh) * | 2020-02-26 | 2020-06-26 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
CN112991238A (zh) * | 2021-02-22 | 2021-06-18 | 上海市第四人民医院 | 基于纹理色彩混合式的食物图像分割方法、系统、介质及终端 |
CN113420658A (zh) * | 2021-04-30 | 2021-09-21 | 中国电子科技集团公司第十四研究所 | 一种基于fcm聚类和otsu分割的sar图像海陆分割方法 |
Non-Patent Citations (1)
Title |
---|
崔峥;王俊元;: "基于FSLIC的自适应绝缘子图像分割方法", 机械设计与制造工程, no. 02, 15 February 2020 (2020-02-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171384A (zh) * | 2023-11-02 | 2023-12-05 | 广州翼拍联盟网络技术有限公司 | 高精度纹理路径检索方法、装置、计算机设备及存储介质 |
CN117171384B (zh) * | 2023-11-02 | 2024-02-23 | 广州翼拍联盟网络技术有限公司 | 高精度纹理路径检索方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110088805B (zh) | 用于检测和分割多个前景对象的方法 | |
CN108549891B (zh) | 基于背景与目标先验的多尺度扩散显著目标检测方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
Huang et al. | Saliency and co-saliency detection by low-rank multiscale fusion | |
Chen et al. | Dr-tanet: Dynamic receptive temporal attention network for street scene change detection | |
CN110135438B (zh) | 一种基于梯度幅值预运算的改进surf算法 | |
CN111583279A (zh) | 一种基于pcba的超像素图像分割方法 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
CN110503113B (zh) | 一种基于低秩矩阵恢复的图像显著性目标检测方法 | |
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 | |
CN110211127B (zh) | 基于双相关性网络的图像分割方法 | |
CN111091129B (zh) | 一种基于多重颜色特征流形排序的图像显著区域提取方法 | |
CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
CN111339862B (zh) | 一种基于通道注意力机制的遥感场景分类方法及装置 | |
CN112329818B (zh) | 基于图卷积网络嵌入表征的高光谱图像非监督分类方法 | |
CN104915951B (zh) | 一种点刻式dpm二维码区域定位方法 | |
CN107392211B (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
CN109344777A (zh) | 基于elm的高光谱遥感影像土地利用覆盖的优化分类方法 | |
CN109947960B (zh) | 基于深度卷积的人脸多属性联合估计模型构建方法 | |
CN114092486A (zh) | 一种图像纹理背景自动分割方法及装置 | |
CN113378620B (zh) | 监控视频噪声环境下跨摄像头行人重识别方法 | |
CN107085725B (zh) | 一种通过基于自适应码本的llc聚类图像区域的方法 |
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 |