CN114119622A - 基于超像素和稀疏约束的活动轮廓图像分割方法及装置 - Google Patents

基于超像素和稀疏约束的活动轮廓图像分割方法及装置 Download PDF

Info

Publication number
CN114119622A
CN114119622A CN202010864962.7A CN202010864962A CN114119622A CN 114119622 A CN114119622 A CN 114119622A CN 202010864962 A CN202010864962 A CN 202010864962A CN 114119622 A CN114119622 A CN 114119622A
Authority
CN
China
Prior art keywords
contour
image
pixel
super
level set
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
CN202010864962.7A
Other languages
English (en)
Other versions
CN114119622B (zh
Inventor
刘国奇
董一飞
常宝方
李旭升
蒋优
茹琳媛
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.)
Henan Normal University
Original Assignee
Henan Normal 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 Henan Normal University filed Critical Henan Normal University
Priority to CN202010864962.7A priority Critical patent/CN114119622B/zh
Publication of CN114119622A publication Critical patent/CN114119622A/zh
Application granted granted Critical
Publication of CN114119622B publication Critical patent/CN114119622B/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
    • G06T7/12—Edge-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
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20161—Level set

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及基于超像素和稀疏约束的活动轮廓图像分割方法及装置，其主要是先将待分割图像分割为N个超像素，并根据待分割图像的像素和超像素对目标物体进行线性表示，确定稀疏约束；之后，基于待分割图像设置原始轮廓和所述稀疏约束，对水平集目标分割模型进行轮廓演化迭代，所述原始轮廓为第一次演化迭代的初始轮廓，第二次以后的每次演化迭代的初始轮廓由上一次演化迭代的迭代结果获得；若迭代结果在水平集目标分割模型上收敛，即能量泛函模型取值最小，则输出图像分割结果；即本发明不仅能够快速有效地分割图像，且对噪声有较好的抗干扰性。

Description

基于超像素和稀疏约束的活动轮廓图像分割方法及装置
技术领域
本发明涉及基于超像素和稀疏约束的活动轮廓图像分割方法及装置，属于图像分割技术领域。
背景技术
图像分割在图像处理、图像分析、图像理解、图像识别和计算机视觉领域中扮演着重要角色。图像分割的过程就是把每个像素作为一个数据点，分割的结果是为这些数据点赋予一个类标。具有同样类标的像素分成一类，从而实现对图像的分割；其可以根据图像的灰度、颜色、纹理等特征把图像划分成具有某种特性的区域，并根据这些特性提取出有用的目标。
而活动轮廓模型是图像分割的重要方法之一，该模型演化光滑封闭的曲线，恢复目标边界，具有局部自适应性、次像素精确度和开放模式等优点。按照曲线演化的形式可以分成基于边界的活动轮廓模型和基于区域的活动轮廓模型。其中，基于边界的活动轮廓模型利用图像的梯度作为附加约束，驱动活动曲线靠近并停止于目标边界。由于根据局部的图像梯度信息来识别目标，该类模型对于噪声和初始曲线敏感，且无法识别弱边界或非梯度形式边界。基于区域的活动轮廓模型是根据区域的灰度统计信息为约束，引导曲线移动从而分割图像。基于区域的模型考虑图像的全局信息，能识别弱边界或无边界的目标，且抗噪能力强，对初始曲线位置不敏感。
目前，zhang等提出以符号压力函数(Signed pressure function,SPF)取代测地线活动轮廓模型(Geodesic active contour,GAC)中的边缘停止函数来驱动ACM对图像进行分割。该算法以全局内外区域拟合中心的平均值作为比较中心，利用图像强度与比较中心的差值来驱动轮廓的运动。然而，它处理具有复杂强度信息的图像时效果不理想，在轮廓演化过程中易陷于局部最优，同时对噪声不够稳健。SDREL提出利用显著性映射和颜色强度作为区域外部能量来激发水平集函数的初始演化；该模型融合显著特征图和颜色灰度建立能量泛函,提升了模型从复杂背景下提取目标物体的能力，然而过度依赖显著图使得该模型对噪声和强度变化敏感，存在分割不准确的问题。
发明内容
本发明的目的是提供一种基于超像素和稀疏表约束的活动轮廓图像分割方法及装置，以解决现有技术中对图像进行分割时不准确的问题。
为实现上述目的，本发明提供了一种基于超像素和稀疏约束的活动轮廓图像分割方法的技术方案，包括如下步骤：
步骤1，将待分割图像I过分割为N个超像素，并根据待分割图像的像素和超像素对目标物体进行线性表示，确定稀疏约束；
所述稀疏约束为：
Figure BDA0002649432900000021
其中，
Figure BDA0002649432900000022
为像素特征函数值，
Figure BDA0002649432900000023
为超像素特征函数值，l表示目标物体的超像素对应的标记；
步骤2，基于待分割图像设置原始轮廓和所述稀疏约束，对水平集目标分割模型进行轮廓演化迭代，所述原始轮廓为第一次演化迭代的初始轮廓，第二次以后的每次演化迭代的初始轮廓由上一次演化迭代的迭代结果获得；若迭代结果在水平集目标分割模型上收敛，即能量泛函模型取值最小，则输出图像分割结果；
所述水平集目标分割模型为：
Figure BDA0002649432900000024
Figure BDA0002649432900000025
其中，φ为水平集函数，λ为权重参数，C1为初始轮廓内的灰度均值、C2为初始轮廓外的灰度均值，f为图像强度值，Di用于信号稀疏分解的过完备原子库；▽是梯度算子，
Figure BDA0002649432900000026
为通过系数稀疏化使得用较少的超像素来逼近和表示目标物体S，Si表示第i个超像素系数；
所述能量泛函为：
Etotal(φ(x,X))＝Eseg(φ(x))+αEsup(φ(X))
Figure BDA0002649432900000027
其中，α是参数，H(φ)为Heaviside函数，Eseg(φ(x))为像素能量泛函，Esup(φ(X))为超像素能量泛函。
本发明的有益效果是：
本发明的图像分割方法，其是使用超像素作为活动轮廓模型的基本单元，通过超像素获得稀疏约束条件，并构建基于像素和超像素的能量泛函数，使水平集目标方程不断迭代演化，进而获取图像分割结果；本发明不仅能够快速有效地分割图像，且对噪声有较好的抗干扰性。
进一步的，所述步骤2中设置的原始轮廓是手动设置的。
进一步的，初始水平集函数为
Figure BDA0002649432900000031
其中，
Figure BDA0002649432900000032
为初始化水平集函数，Cin为原始轮廓内灰度值，Cout原始轮廓外灰度值。
进一步的，步骤2中的计算初始轮廓内的灰度均值的表达式为
Figure BDA0002649432900000033
其中，K为迭代过程中初始轮廓内的像素或超像素个数，I’为迭代过程中初始轮廓内的像素值或超像素值。
进一步的，步骤1中的目标线性表示公式为
Figure BDA0002649432900000034
其中，
Figure BDA0002649432900000035
是超像素Xi的特征函数表示，
Figure BDA0002649432900000036
是像素Xi的特征函数表示。
进一步的，步骤2中的像素能量泛函表达式为：
Eseg(φ(x))＝∫{λ|▽H(φ)|+H(φ)(C1-I)2+(1-H(φ))(C2-I)2}dx
超像素的能量泛函表达式为：
Esup(φ(X))＝∫{λ|▽H(φ)|+H(φ)(C1-Isuper)2+(1-H(φ))(C2-Isuper)2}dx
其中，φ为水平集函数，λ为权重参数，C1初始轮廓内的灰度均值，C2为初始轮廓外的灰度均值，I为待分割图像的像素灰度,Isuper为基于超像素平滑处理后图像的灰度值，▽是梯度算子，H(φ)为Heaviside函数:
Figure BDA0002649432900000037
本发明还提供了一种基于超像素和稀疏约束的活动轮廓图像分割装置，包括处理器和存储器，所述处理器执行所述存储器中的存储上述的基于超像素和稀疏约束的活动轮廓图像分割方法的技术方案。
附图说明
图1是本发明的基于稀疏约束和能量泛函建立的水平目标分割模型的原理框图；
图2是本发明的基于超像素和稀疏约束的活动轮廓图像分割方法实施例的流程图；
图3-1是利用经典的SLIC算法生成超像素的超像素网格化示意图；
图3-2是本发明的基于超像素和稀疏表示的活动轮廓图像分割方法的原始轮廓示意图；
图3-3是本发明的基于超像素和稀疏表示的活动轮廓图像分割方法的目标分割结果示意图。
具体实施方式
以下结合实施例对本发明作进一步的详细描述。图像分割方法实施例：
本发明提供的一种基于超像素和稀疏约束的活动轮廓图像分割方法实施例，如图2所示，包括以下步骤：
步骤1，将待分割图像I过分割为N个超像素，并根据待分割图像的像素和超像素对目标物体进行线性表示，确定稀疏约束；
其中的稀疏约束为：
Figure BDA0002649432900000041
其中，
Figure BDA0002649432900000042
为像素特征函数值，
Figure BDA0002649432900000043
为超像素特征函数值，l表示目标物体的超像素对应的标记。
本实施例中，待分割图像I的像素灰度值为
Figure BDA0002649432900000044
本实施例中利用简单线性迭代聚类算法SLIC对图像I进行过分割，得到超像素特征函数：
Figure BDA0002649432900000045
其中，Xi为超像素，λi是系数，N为超像素个数，通常来说M＜N；
Figure BDA0002649432900000046
是对超像素Xi的特征函数表示。
超像素特征函数用矩阵形式表示如下：
Figure BDA0002649432900000047
其中，
Figure BDA0002649432900000048
称为字典，
Figure BDA0002649432900000049
是字典系数。
本实施例中利用超像素降低图像处理的复杂度，同时利用超像素保留目标边界的特性实现精确的目标提取。
本实施例中用像素和超像素的特征函数的线性组合u(x,X)来表示目标特征函数，其中，目标特征函数为：
Figure BDA0002649432900000051
用矩阵形式表示如下：
Figure BDA0002649432900000052
本实施例中是由于目标相对整幅图像是稀疏的，因而就将图像目标分割问题就转化为满足一定条件的稀疏表示问题。
步骤2，基于待分割图像设置原始轮廓和确定的稀疏约束，对水平集目标分割模型进行轮廓演化迭代，若迭代结果在水平集目标分割模型上收敛，即能量泛函模型取值最小，则输出图像分割结果；其中，原始轮廓为第一次演化迭代的初始轮廓，第二次以后的每次演化迭代的初始轮廓由上一次演化迭代的迭代结果获得；
其中的水平集目标分割模型为：
Figure BDA0002649432900000053
Figure BDA0002649432900000054
其中，φ为水平集函数，λ为权重参数，C1为初始轮廓内的灰度均值、C2为初始轮廓外的灰度均值，f为图像强度值，Di用于信号稀疏分解的过完备原子库；▽是梯度算子，
Figure BDA0002649432900000055
为通过系数稀疏化使得用较少的超像素来逼近和表示目标物体S，Si表示第i个超像素系数；
其中的能量泛函为：
Etotal(φ(x,X))＝Eseg(φ(x))+αEsup(φ(X))
Figure BDA0002649432900000056
其中，α是参数，H(φ)为Heaviside函数，Eseg(φ(x))为像素能量泛函，Esup(φ(X))为超像素能量泛函。
本实施例中的能量泛函Esup(φ(X))是基于原始的水平集图像分割模型能量泛函Eseg(φ(x))中的水平集函数φ(x)中的每个像素点x利用超像素X代替得到的，并将Esup(φ(X))与传统分割模型的能量泛函Eseg(φ(x))合并，得到总的能量泛函Etotal(φ(x,X))。
其中的像素能量泛函Eseg(φ(x))和超像素能量泛函Esup(φ(X))的公式如下：
Eseg(φ(x))＝∫{λ|▽H(φ)|+H(φ)(C1-I)2+(1-H(φ))(C2-I)2}dx
Esup(φ(X))＝∫{λ|▽H(φ)|+H(φ)(C1-Isuper)2+(1-H(φ))(C2-Isuper)2}dx
其中，φ为水平集函数，λ为权重参数，C1初始轮廓内的灰度均值，C2为初始轮廓外的灰度均值，I为待分割图像的像素灰度,Isuper为基于超像素平滑处理后图像的灰度值，▽是梯度算子，H(φ)为Heaviside函数:
Figure BDA0002649432900000061
由上可知，本实施例中的水平目标分割模型主要是基于稀疏约束和能量泛函建立而成的，该水平目标分割模型的具体建立的过程，如图1所示。
本实施例的步骤2中，在进行图像分割时，手动设置原始轮廓和初始水平集函数；其中初始水平集函数为
Figure BDA0002649432900000062
其中，
Figure BDA0002649432900000063
为初始化水平集函数，Cin为原始轮廓内灰度值，Cout原始轮廓外灰度值。
本实施例中，在进行迭代时，每次的初始轮廓灰度值通过均值计算才进入下一次的迭代中；
其中的均值计算表达式为
Figure BDA0002649432900000064
其中，K为迭代过程中初始轮廓内的像素或超像素个数，I’为迭代过程中初始轮廓内的像素值或超像素值。
需要说明的是，本发明中的轮廓演化迭代是针对基于像素能量泛函的水平集函数和超像素能量泛函的水平集函数：
Figure BDA0002649432900000071
Figure BDA0002649432900000072
Figure BDA0002649432900000073
其中，I为待分割图像的像素的灰度值，Isuper为待分割图像的超像素的灰度值，φpixel为待分割图像的像素的水平集函数，φsuper为待分割图像的超像素的水平集函数。
在进行迭代时，是需要进行两个水平集函数的演化迭代的，但是两个水平集函数的具体的迭代顺序是根据实际情况设定的，如迭代次数为8次，前5次进行超像素能量泛函的水平集函数，后3次进行像素能量泛函的水平集函数，这样就实现了先进行粗略的迭代，在进行细节化的迭代，能够实现图像的精确分割；当然作为其他实施方式，也可以先进行2次超像素能量泛函的水平集函数，再进行2次像素能量泛函的水平集函数，然后再进行2次超像素能量泛函的水平集函数，最后进行2次像素能量泛函的水平集函数。
为了验证本发明的有效性，将上述实施例应用于实际的数学仿真试验，来验证上述基于超像素的活动轮廓图像分割方法的有效性，如图3-1至图3-3所示的图像分割过程示意图，上述实施例此时对应的程序如下：
Step 1：输入原始图像，依据图像手动设置初始轮廓和初始化水平集函数
Figure BDA0002649432900000074
并设置其参数大小；
Step 2：利用超像素实现过分割得到分类标记，并确定稀疏约束条件；
Step 3：在稀疏约束条件下进行轮廓演化；
Step4：水平集每次迭代后进行一次高斯核函数卷积，具体的利用公式
Figure BDA0002649432900000075
使水平集函数平滑地演化，其中Kσ表示方差为σ的高斯核函数，*表示高斯核函数卷积
Step 6：若水平集函数收敛，结束，否则返回Step 4。
需要说明的是，上述步骤中Step 1-Step 2对应的图像分割方法实施例中的步骤1，Step3-Step6对应的图像分割方法实施例中的步骤2。
图像分割装置实施例：
本发明还提供了一种基于超像素和稀疏约束的活动轮廓图像分割装置，该装置实际上为计算机等具备数据处理能力的设备，该设备包括处理器和存储器，该处理器用于执行指令实现本发明的基于超像素和稀疏表示的活动轮廓图像分割方法，具体方法见上述介绍的图像分割方法实施例，这里不再赘述。

Claims (7)

1.一种基于超像素和稀疏约束的活动轮廓图像分割方法，其特征在于，包括如下步骤：
步骤1，将待分割图像I过分割为N个超像素，并根据待分割图像的像素和超像素对目标物体进行线性表示，确定稀疏约束；
所述稀疏约束为：
Figure FDA0002649432890000011
其中，
Figure FDA0002649432890000012
为像素特征函数值，
Figure FDA0002649432890000013
为超像素特征函数值，l表示目标物体的超像素对应的标记；
步骤2，基于待分割图像设置原始轮廓和所述稀疏约束，对水平集目标分割模型进行轮廓演化迭代，所述原始轮廓为第一次演化迭代的初始轮廓，第二次以后的每次演化迭代的初始轮廓由上一次演化迭代的迭代结果获得；若迭代结果在水平集目标分割模型上收敛，即能量泛函模型取值最小，则输出图像分割结果；
所述水平集目标分割模型为：
Figure FDA0002649432890000014
Figure FDA0002649432890000015
其中，φ为水平集函数，λ为权重参数，C1为初始轮廓内的灰度均值、C2为初始轮廓外的灰度均值，f为图像强度值，Di用于信号稀疏分解的过完备原子库；
Figure FDA0002649432890000016
是梯度算子，
Figure FDA0002649432890000017
为通过系数稀疏化使得用较少的超像素来逼近和表示目标物体S，Si表示第i个超像素系数；
所述能量泛函为：
Etotal(φ(x,X))＝Eseg(φ(x))+αEsup(φ(X))
Figure FDA0002649432890000018
其中，α是参数，H(φ)为Heaviside函数，Eseg(φ(x))为像素能量泛函，Esup(φ(X))为超像素能量泛函。
2.根据权利要求1所述的基于超像素和稀疏约束的活动轮廓图像分割方法，其特征在于，所述步骤2中设置的原始轮廓是手动设置的。
3.根据权利要求2所述的基于超像素和稀疏约束的活动轮廓图像分割方法，其特征在于，初始水平集函数为
Figure FDA0002649432890000021
其中，
Figure FDA0002649432890000022
为初始化水平集函数，Cin为原始轮廓内灰度值，Cout原始轮廓外灰度值。
4.根据权利要求1所述的基于超像素和稀疏约束的活动轮廓图像分割方法，其特征在于，步骤2中的计算初始轮廓内的灰度均值的表达式为
Figure FDA0002649432890000023
其中，K为迭代过程中初始轮廓内的像素或超像素个数，I’为迭代过程中初始轮廓内的像素值或超像素值。
5.根据权利要求1所述的基于超像素和稀疏约束的活动轮廓图像分割方法，其特征在于，步骤1中的目标线性表示公式为
Figure FDA0002649432890000024
其中，
Figure FDA0002649432890000025
是超像素Xi的特征函数表示，
Figure FDA0002649432890000026
是像素x的特征函数表示。
6.根据权利要求1所述的基于超像素和稀疏约束的活动轮廓图像分割方法，其特征在于，步骤2中的像素能量泛函表达式为：
Figure FDA0002649432890000027
超像素的能量泛函表达式为：
Figure FDA0002649432890000028
其中，φ为水平集函数，λ为权重参数，C1初始轮廓内的灰度均值，C2为初始轮廓外的灰度均值，I为待分割图像的像素灰度,Isuper为基于超像素平滑处理后图像的灰度值，▽是梯度算子，H(φ)为Heaviside函数:
Figure FDA0002649432890000029
7.一种基于超像素和稀疏约束的活动轮廓图像分割装置，包括处理器和存储器，其特征在于，所述处理器执行所述存储器中的存储的计算机程序，实现如权利要求1-6任一项中的基于超像素和稀疏约束的活动轮廓图像分割方法。
CN202010864962.7A 2020-08-25 2020-08-25 基于超像素和稀疏约束的活动轮廓图像分割方法及装置 Active CN114119622B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010864962.7A CN114119622B (zh) 2020-08-25 2020-08-25 基于超像素和稀疏约束的活动轮廓图像分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010864962.7A CN114119622B (zh) 2020-08-25 2020-08-25 基于超像素和稀疏约束的活动轮廓图像分割方法及装置

Publications (2)

Publication Number Publication Date
CN114119622A true CN114119622A (zh) 2022-03-01
CN114119622B CN114119622B (zh) 2024-02-13

Family

ID=80374012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010864962.7A Active CN114119622B (zh) 2020-08-25 2020-08-25 基于超像素和稀疏约束的活动轮廓图像分割方法及装置

Country Status (1)

Country Link
CN (1) CN114119622B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570867A (zh) * 2016-10-18 2017-04-19 浙江大学 基于灰度形态学能量法的活动轮廓模型图像快速分割方法
US20170243345A1 (en) * 2016-02-19 2017-08-24 International Business Machines Corporation Structure-preserving composite model for skin lesion segmentation
CN108734171A (zh) * 2017-04-14 2018-11-02 国家海洋环境监测中心 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法
US20200019817A1 (en) * 2018-07-11 2020-01-16 Harbin Institute Of Technology Superpixel classification method based on semi-supervised k-svd and multiscale sparse representation
CN111008975A (zh) * 2019-12-02 2020-04-14 北京航空航天大学 一种空间人造目标线性模型的混合像元解混方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170243345A1 (en) * 2016-02-19 2017-08-24 International Business Machines Corporation Structure-preserving composite model for skin lesion segmentation
CN106570867A (zh) * 2016-10-18 2017-04-19 浙江大学 基于灰度形态学能量法的活动轮廓模型图像快速分割方法
CN108734171A (zh) * 2017-04-14 2018-11-02 国家海洋环境监测中心 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法
US20200019817A1 (en) * 2018-07-11 2020-01-16 Harbin Institute Of Technology Superpixel classification method based on semi-supervised k-svd and multiscale sparse representation
CN111008975A (zh) * 2019-12-02 2020-04-14 北京航空航天大学 一种空间人造目标线性模型的混合像元解混方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
耿杰;范剑超;初佳兰;王洪玉;: "基于深度协同稀疏编码网络的海洋浮筏SAR图像目标识别", 自动化学报, no. 04, 15 April 2016 (2016-04-15) *
魏霞;黄宇达;赵红专;王迤冉;: "显著性驱动的局部相似拟合模型分割算法研究", 计算机工程与应用, no. 13, 24 August 2017 (2017-08-24) *

Also Published As

Publication number Publication date
CN114119622B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN107330897B (zh) 图像分割方法及其系统
US7916919B2 (en) System and method for segmenting chambers of a heart in a three dimensional image
JP5801379B2 (ja) 確率密度関数推定器
US20070223815A1 (en) Feature Weighted Medical Object Contouring Using Distance Coordinates
US20180114313A1 (en) Medical Image Segmentation Method and Apparatus
CN109840913B (zh) 一种乳腺x线图像中肿块分割的方法和系统
CN107808138B (zh) 一种基于FasterR-CNN的通信信号识别方法
Salah et al. Effective level set image segmentation with a kernel induced data term
US8577104B2 (en) Liver lesion segmentation
Tang et al. Reliability-driven, spatially-adaptive regularization for deformable registration
CN111932552B (zh) 一种主动脉建模的方法及装置
CN111325728B (zh) 产品缺陷检测方法、装置、设备及存储介质
US8805073B2 (en) Image segmentation by assigning classes to adaptive mesh primitives
Farag Variational approach for small-size lung nodule segmentation
CN113313179A (zh) 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法
CN110232684B (zh) 一种基于谱分析的三维医学图像自动分割方法
Ghosh et al. Robust simultaneous registration and segmentation with sparse error reconstruction
CN108447066B (zh) 胆道图像分割方法、终端、存储介质
CN114119622A (zh) 基于超像素和稀疏约束的活动轮廓图像分割方法及装置
Zhu et al. Modified fast marching and level set method for medical image segmentation
CN113269236B (zh) 基于多模型集成的装配体变化检测方法、设备和介质
CN115965642A (zh) 基于自适应分数阶边缘停止函数的图像分割方法及装置
CN115439423A (zh) 一种基于ct图像的识别方法、装置、设备及存储介质
Levi et al. D-Snake: image registration by as-similar-as-possible template deformation
CN114596320A (zh) 一种基于alslcv模型的图像分割方法及装置

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