CN114782688A - 一种基于张量子空间聚类的自然图像分割方法和系统 - Google Patents
一种基于张量子空间聚类的自然图像分割方法和系统 Download PDFInfo
- Publication number
- CN114782688A CN114782688A CN202210313253.9A CN202210313253A CN114782688A CN 114782688 A CN114782688 A CN 114782688A CN 202210313253 A CN202210313253 A CN 202210313253A CN 114782688 A CN114782688 A CN 114782688A
- Authority
- CN
- China
- Prior art keywords
- matrix
- natural image
- tensor
- clustering
- subspace clustering
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于自然图像分割领域,具体涉及一种基于张量子空间聚类的自然图像分割方法和系统,基于张量子空间聚类的自然图像分割方法,包括获取原始的自然图像;将原始的自然图像进行预处理,得到多个超像素块;对所述超像素块进行特征数据提取,得到特征数据矩阵;将所述特征数据矩阵代入到预设的张量子空间聚类模型中,计算得到表示系数矩阵;根据所述表示系数矩阵,根据预设公式,计算得到亲和度矩阵;将所述亲和度矩阵导入谱聚类算法模型中,得到分割的前景图像和背景图像。本发明可以实现在使用张量子空间聚类进行图像分割时,张量子空间聚类能够时得到的特征更具鲁棒性,使自然图像分割出的前景图像和背景图像精度得到有效提升。
Description
本发明属于自然图像分割领域,具体涉及一种基于张量子空间聚类的自然图像分割方法和系统。
背景技术
传统聚类方法在高维数据集中进行聚类时,主要遇到以下两个问题:高维数据集中存在大量无关的属性使得在所有维中存在簇的可能性几乎为零;高维空间中数据较低维空间中数据分布要稀疏,其中数据间距离几乎相等是普遍现象。因为高维空间中无法基于距离来构建簇,子空间聚类(Subspace Clustering,SC)成为实现高维数据集聚类的有效途径,应用在自然图像分割领域。
目前,在自然图像分割领域,通常是基于自然图像的某些特征进行分割,但是自然图像中常常存在着数据的非线性及复杂噪声污染问题,数据点可能不严格遵循子空间结构,影响了自然图像的分割难度和精度。
发明内容
本发明所要解决的技术问题是:现有的自然图像的分割难度大和精度低。
本发明解决其技术问题所采用的技术方案是:一种基于张量子空间聚类的自然图像分割方法,包括:
S1,获取原始的自然图像;
S2,将原始的自然图像进行预处理,得到多个超像素块;
S3,对所述超像素块进行特征数据提取,得到特征数据矩阵;
S4,将所述特征数据矩阵代入到预设的张量子空间聚类模型中,计算得到表示系数矩阵;
S5,根据所述表示系数矩阵,结合预设公式,计算得到亲和度矩阵;
S6,将所述亲和度矩阵导入预设的谱聚类算法模型中,得到分割的前景图像和背景图像。
进一步的,S2中,所述预处理采用线性迭代聚类的方法对所述原始的自然图像进行超像素块的分割。
进一步的,S3中,对所述超像素块进行特征数据提取,得到特征数据矩阵,包括:
对预处理得到的所述超像素块,将所述超像素块中颜色空间划分成颜色区间,每个区间为颜色直方图的一个bin,提取颜色直方图形成特征数据矩阵;其中,所述颜色空间为,根据超像素块中所有像素所对应的色度形成的色度集合所对应的色度范围。
进一步的,S4中,将所述特征数据矩阵利用内核映射到高维希尔伯特空间中。
进一步的,S4中,所述张量子空间聚类模型为:
s.t.Z≥0,diag(Z)=0,Z=ZT,Μ=θ+ω
其中,Z为系数矩阵,I为单位矩阵,Μ是由Ki堆积而成的受损张量,且Ki=φi(X)Tφi(X)表示内核矩阵,θ表示恢复张量,ω表示噪声误差张量。
进一步的,S5中,所述预设公式为将表示系数矩阵带入以下公式:
其中,Z为表示系数矩阵,A为亲和度矩阵。
进一步的,S5中,所述谱聚类算法模型是将亲和度矩阵中的数据点组成的图像进行切割,让切割后不同的子图间边权重和达到最低值,而子图内的边权重和达到最高值。
一种基于张量子空间聚类的自然图像分割系统,包括:
信息接收单元,用于接收原始的自然图像;
存储单元,用于存储张量子空间聚类模型、预设公式以及谱聚类算法模型;
预处理单元,用于对原始的自然图像采用线性迭代聚类的方法进行超像素块的分割;
特征提取单元,用于将预处理单元发送的超像素块中颜色空间划分成颜色区间,每个区间为颜色直方图的一个bin,提取出颜色直方图形成特征数据矩阵;
表示系数计算单元,用于将特征提取单元发送的特征数据矩阵代入张量子空间聚类模型得到表示系数矩阵;
亲和度计算单元,用于将表示系数计算单元发送的表示系数矩阵代入预设公式计算出亲和度矩阵;
分割单元,用于将亲和度计算单元发送的亲和度矩阵采用谱聚类算法模型分割成前景图像和背景图像;
输出单元,用于输出分割单元中发送的前景图像和背景图像。
一种网络侧服务端,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一项所述的基于张量子空间聚类的自然图像分割方法。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现所述的基于张量子空间聚类的自然图像分割方法。
本发明的有益效果是:本发明首先将原始的自然图像采用线性迭代聚类,得到多个超像素块;对所述超像素块通过提取颜色直方图进行特征数据提取,得到特征数据矩阵;将所述特征数据矩阵代入到预设的张量子空间聚类模型中,计算得到表示系数矩阵;根据所述表示系数矩阵,根据预设公式,计算得到亲和度矩阵;将所述亲和度矩阵导入谱聚类算法模型中,得到分割的前景图像和背景图像。在张量子空间聚类模型中提出了一种更为有效的低秩约束方法:非凸核张量低秩学习。不仅可以充分挖掘各内核间的潜在关系,还可以映射确保映射后的特征空间具有多个低维子空间结构。本发明通过采用张量子空间聚类进行图像分割能够得到更具鲁棒性的特征,使自然图像分割出的前景图像和背景图像精度得到有效提升。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是根据本发明第一实施方式提供的基于张量子空间聚类的自然图像分割方法流程图;
图2是根据本发明第二实施方式提供的基于张量子空间聚类的自然图像分割系统的结构示意图;
图3是根据本发明第三实施方式提供的网络侧服务端的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的第一实施方式涉及一种基于张量子空间聚类的自然图像分割方法,在本实施方式中,首先将原始的自然图像采用线性迭代聚类的方法,得到多个超像素块;对所述超像素块通过提取颜色直方图进行特征数据提取,得到特征数据矩阵;将所述特征数据矩阵代入到预设的张量子空间聚类模型中,计算得到表示系数矩阵;根据所述表示系数矩阵,根据预设公式,计算得到亲和度矩阵;将所述亲和度矩阵导入谱聚类算法模型中,得到分割的前景图像和背景图像。本发明可以实现在使用张量子空间聚类进行图像分割时,张量子空间聚类能够时得到的特征更具鲁棒性,使分割的精度得到有效提升。
下面对本实施方式的基于张量子空间聚类的自然图像分割方法的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须,本实施方式的具体流程如图1所示,本实施方式应用于网络侧的服务端。
步骤S1,获取原始的自然图像。
具体而言,原始的自然图像通过MATLAB进行图像数据集的导入。
步骤S2,将原始的自然图像进行预处理,得到多个超像素块。
具体而言,对原始的图像采用线性迭代聚类来进行超像素分割,具体实现步骤如下:
初始化种子点(聚类中心),按照设定的超像素块个数,在图像内均匀的分配一些种子点。假设图片总共有含有N个像素点,预分割为K个超像素,那么每个超像素的大小为N/K,则相邻种子点的距离或者步长近似可以表示为S=sqrt(N/K)。
在种子点的n×n邻域内重新选择种子点(一般取n=3)。首先计算该邻域内所有像素点的梯度值;然后将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上,以免影响后续聚类效果。
在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)。和标准的k-means在整张图中搜索不同,SLIC的搜索范围限制为2S×2S,可以加速算法收敛,期望的超像素尺寸为S×S,但是搜索的范围是2S×2S。
距离度量。包括颜色距离和空间距离。对于每个搜索到的像素点,分别计算它和该种子点的距离。距离计算方法如下:
其中,dc代表颜色距离,ds代表空间距离,Ns是类内最大空间距离,定义为Ns=S=sqrt(N/K),适用于每个聚类。最大的颜色距离Nc既随图片不同而不同,也随聚类不同而不同。由于每个像素点都会被多个种子点搜索到,所以每个像素点都会有一个与周围种子点的距离,取最小值对应的种子点作为该像素点的聚类中心。
上述步骤不断迭代直优化到误差收敛,即每个像素点聚类中心不再发生变化。
步骤S3,对所述超像素块进行特征数据提取,得到特征数据矩阵。
具体而言,对预处理得到的超像素块提取颜色直方图,具体为:将超像素块中所有像素对应的色度形成的色度集合所对应的色度范围划分成若干个小的颜色区间,每个区间为颜色直方图的一个bin,得到颜色直方图。
此过程称为颜色量化,颜色量化使用聚类方法,通过计算颜色落在每个小区间内像素数量可以得到颜色直方图。聚类算法则考虑到图像颜色特征在整个空间中的分布情况,从而避免出现某些bin中的像素数量非常稀疏的情况,使量化更为有效。另外,如果图像是RGB格式而直方图是LAB空间中的,那么预先建立从量化的RGB空间到量化的LAB空间之间的查找表(look-up table),从而加快直方图的计算过程。通过提取颜色直方图中各个像素的色度,从而得到特征数据矩阵。
步骤S4,将所述特征数据矩阵代入到预设的张量子空间聚类模型中,计算得到表示系数矩阵。
具体而言,为了解决低维的线性不可分问题,将特征数据矩阵利用内核映射到高维希尔伯特空间中;同时,因为高维特征空间存在特征不平坦的问题,为此通过多核学习的方法将X分成i个核表示(i<12),即Ki=φi(X)Tφi(X),一个核表示对应一个内核张量。但是由于噪声干扰,由Ki堆积得到的内核张量Μ是受损的。
需要将受损的内核张量Μ进行张量恢复再输入到目标函数;为了使系数表示矩阵Z在底层子空间保持块对角性,对目标函数施加块对角化约束,对目标函数进行迭代优化,通过设定收敛条件,判断是否收敛,收敛时输出低秩子空间的表示系数矩阵。
张量子空间聚类模型借助张量低秩表示结合Schatten-p范数的非凸特性,提出了一种更为有效的低秩约束方法:非凸核张量低秩学习。该方法不仅可以充分挖掘各内核间的潜在关系,还可以映射确保映射后的特征空间具有多个低维子空间结构。此外,本张量子空间聚类模型还引入了块对角化正则化器(Block Diagonal Regularizer,BDR)||·||F来鼓励系数矩阵Z在底层子空间独立时保持块对角属性,以此提高子空间聚类的效果。
张量子空间聚类模型公式如下:
s.t.Z≥0,diag(Z)=0,Z=ZT,Μ=θ+ω
其中,Z为系数矩阵,I为单位矩阵,Μ是由Ki堆积而成的受损张量,且Ki=φi(X)Tφi(X)表示内核矩阵,θ表示恢复张量,ω表示噪声误差张量,T表示矩阵转置,i表示正整数,r表示正整数。
步骤S5,根据所述表示系数矩阵,根据预设公式,计算得到亲和度矩阵。
具体而言,将得到的表示系数矩阵代入以下公式:
其中,Z为表示系数矩阵,A为亲和度矩阵。
S6,将亲和度矩阵导入谱聚类算法模型中,得到分割的前景图像和背景图像。
具体而言,将亲和度矩阵输入谱聚类算法模型中的步骤是先将把所有的数据看做空间中的点,这些点之间可以用边连接起来。距离较远的两个点之间的边权重值较低,而距离较近的两个点之间的边权重值较高,通过对所有数据点组成的图进行切割,让切割后不同的子图间边权重和尽可能的低,而子图内的边权重和尽可能的高,从而进行聚类和分割,得到分割后的前景图像和背景图像。
本发明的第一实施方式中通过借助张量低秩表示结合Schatten-p范数的非凸特性,提出了一种更为有效的低秩约束方法:非凸核张量低秩学习。不仅可以充分挖掘各内核间的潜在关系,还可以映射确保映射后的特征空间具有多个低维子空间结构。此外,引入了块对角化正则化器(Block Diagonal Regularizer,BDR)||·||F来鼓励系数矩阵Z在底层子空间独立时保持块对角属性,以此提高子空间聚类的效果。本发明可以实现在使用张量子空间聚类进行图像分割时,张量子空间聚类能够时得到的特征更具鲁棒性,使分割的精度得到有效提升。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
如图2所示,本发明第二实施方式涉及了一种张量子空间聚类的自然图像分割系统,包括:信息接收单元201,存储单元202,预处理单元203,特征提取单元204,表示系数计算单元205,亲和度计算单元206,分割单元207,输出单元208。
具体地说,信息接收单元201,用于接收导入的原始的自然图像;存储单元202,用于存储张量子空间聚类模型,预设公式以及谱聚类算法模型;预处理单元203,用于对原始的自然图像采用线性迭代聚类的方法进行超像素块的分割;特征提取单元204,用于将预处理单元203发送的超像素块中颜色空间划分成颜色区间,每个区间为颜色直方图的一个bin,提取出颜色直方图形成特征数据矩阵;表示系数计算单元205,用于将特征提取单元204发送的特征数据矩阵代入张量子空间聚类模型得到表示系数矩阵;亲和度计算单元206,用于将表示系数计算单元205发送的表示系数矩阵代入预设公式计算出亲和度矩阵;分割单元207,用于将亲和度计算单元206发送的亲和度矩阵采用谱聚类算法模型分割成前景图像和背景图像;输出单元208,用于输出分割单元207中发送的前景图像和背景图像。
不难发现,本实施方式为与第一实施方式相对应的系统实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
与现有技术相比,本实施方式提供了一种张量子空间聚类的自然图像分割系统,在工作过程中,预先通过存储单元202存储张量子空间聚类模型、预设公式以及谱聚类算法模型,通过信息接收单元201接收导入的原始的自然图像,将获取的原始的自然图像输入到预处理单元203采用简单线性迭代聚类(SLIC)的方法进行超像素块的分割,形成超像素块,将超像素块输入到特征提取单元204中提取出颜色直方图形成特征数据矩阵,再将特征系数矩阵输入到表示系数计算单元205代入张量子空间聚类模型得到表示系数矩阵,将表示系数矩阵输入到亲和度计算单元206通过预设公式计算得到亲和度矩阵,最后将亲和度矩阵输入到分割单元207采用谱聚类算法模型分割成前景图像和背景图像,通过输出单元208输出分割后的前景图像和背景图像。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本发明第三实施方式涉及一种网络侧服务端,如图3所示,包括至少一个处理器301;以及,与至少一个处理器301通信连接的存储器302;其中,存储器302存储有可被至少一个处理器301执行的指令,指令被至少一个处理器301执行,以使至少一个处理器301能够执行上述的数据处理方法。
其中,存储器302和处理器301采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器301和存储器302的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器301处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器301。
处理器301负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器302可以被用于存储处理器301在执行操作时所使用的数据。
本发明第五实施方式涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现第一实施方式中的基于深度学习的服装图像自动分割机构。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关的工作人员完全可以在不偏离本发明的范围内,进行多样的变更以及修改。本项发明的技术范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于张量子空间聚类的自然图像分割方法,其特征在于,包括:
S1,获取原始的自然图像;
S2,将原始的自然图像进行预处理,得到多个超像素块;
S3,对所述超像素块进行特征数据提取,得到特征数据矩阵;
S4,将所述特征数据矩阵代入到预设的张量子空间聚类模型中,计算得到表示系数矩阵;
S5,根据所述表示系数矩阵,结合预设公式,计算得到亲和度矩阵;
S6,将所述亲和度矩阵导入预设的谱聚类算法模型中,得到分割的前景图像和背景图像。
2.根据权利要求1所述的基于张量子空间聚类的自然图像分割方法,其特征在于,S2中,所述预处理采用线性迭代聚类的方法对所述原始的自然图像进行超像素块的分割。
3.根据权利要求2所述的基于张量子空间聚类的自然图像分割方法,其特征在于,S3中,对所述超像素块进行特征数据提取,得到特征数据矩阵,包括:
对预处理得到的所述超像素块,将所述超像素块中颜色空间划分成颜色区间,每个区间为颜色直方图的一个bin,提取颜色直方图形成特征数据矩阵;其中,所述颜色空间为,根据超像素块中所有像素所对应的色度形成的色度集合所对应的色度范围。
4.根据权利要求1所述的基于张量子空间聚类的自然图像分割方法,其特征在于,S4中,将所述特征数据矩阵利用内核映射到高维希尔伯特空间中。
7.根据权利要求1所述的基于张量子空间聚类的自然图像分割方法,其特征在于,S5中,所述谱聚类算法模型是将亲和度矩阵中的数据点组成的图像进行切割,让切割后不同的子图间边权重和达到最低值,而子图内的边权重和达到最高值。
8.基于张量子空间聚类的自然图像分割系统,其特征在于,包括:
信息接收单元,用于接收原始的自然图像;
存储单元,用于存储张量子空间聚类模型、预设公式以及谱聚类算法模型;
预处理单元,用于对原始的自然图像采用线性迭代聚类的方法进行超像素块的分割;
特征提取单元,用于将预处理单元发送的超像素块中颜色空间划分成颜色区间,每个区间为颜色直方图的一个bin,提取出颜色直方图形成特征数据矩阵;
表示系数计算单元,用于将特征提取单元发送的特征数据矩阵代入张量子空间聚类模型得到表示系数矩阵;
亲和度计算单元,用于将表示系数计算单元发送的表示系数矩阵代入预设公式计算出亲和度矩阵;
分割单元,用于将亲和度计算单元发送的亲和度矩阵采用谱聚类算法模型分割成前景图像和背景图像;
输出单元,用于输出分割单元中发送的前景图像和背景图像。
9.一种网络侧服务端,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的基于张量子空间聚类的自然图像分割方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于张量子空间聚类的自然图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210313253.9A CN114782688A (zh) | 2022-03-28 | 2022-03-28 | 一种基于张量子空间聚类的自然图像分割方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210313253.9A CN114782688A (zh) | 2022-03-28 | 2022-03-28 | 一种基于张量子空间聚类的自然图像分割方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114782688A true CN114782688A (zh) | 2022-07-22 |
Family
ID=82426044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210313253.9A Pending CN114782688A (zh) | 2022-03-28 | 2022-03-28 | 一种基于张量子空间聚类的自然图像分割方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782688A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272681A (zh) * | 2022-09-22 | 2022-11-01 | 中国海洋大学 | 基于高阶特征类解耦的海洋遥感图像语义分割方法及系统 |
-
2022
- 2022-03-28 CN CN202210313253.9A patent/CN114782688A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272681A (zh) * | 2022-09-22 | 2022-11-01 | 中国海洋大学 | 基于高阶特征类解耦的海洋遥感图像语义分割方法及系统 |
CN115272681B (zh) * | 2022-09-22 | 2022-12-20 | 中国海洋大学 | 基于高阶特征类解耦的海洋遥感图像语义分割方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11537873B2 (en) | Processing method and system for convolutional neural network, and storage medium | |
WO2021155650A1 (zh) | 图片识别模型的训练方法、装置、计算机系统及存储介质 | |
US11341371B2 (en) | Method, device and terminal for generating training data | |
CN110163239B (zh) | 一种基于超像素和条件随机场的弱监督图像语义分割方法 | |
JP5008572B2 (ja) | 画像処理方法、画像処理装置およびコンピュータ可読媒体 | |
CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN110866896B (zh) | 基于k-means与水平集超像素分割的图像显著性目标检测方法 | |
CN108629783B (zh) | 基于图像特征密度峰值搜索的图像分割方法、系统及介质 | |
US9384519B1 (en) | Finding similar images based on extracting keys from images | |
Cong et al. | Image segmentation algorithm based on superpixel clustering | |
CN107506792B (zh) | 一种半监督的显著对象检测方法 | |
CN112950461A (zh) | 全局与超像素分割相融合的色彩迁移方法 | |
CN110188217A (zh) | 图像查重方法、装置、设备和计算机可读储存介质 | |
CN101930461A (zh) | 通信网络的数字图像可视化管理和检索 | |
AU2014262134A1 (en) | Image clustering for estimation of illumination spectra | |
CN109345536B (zh) | 一种图像超像素分割方法及其装置 | |
Li et al. | Instant edit propagation on images based on bilateral grid | |
CN111222546B (zh) | 一种多尺度融合的食品图像分类模型训练及图像分类方法 | |
Lefèvre et al. | Hyperspectral image classification from multiscale description with constrained connectivity and metric learning | |
CN114782688A (zh) | 一种基于张量子空间聚类的自然图像分割方法和系统 | |
Wang et al. | Unsupervised segmentation of greenhouse plant images based on modified Latent Dirichlet Allocation | |
Kumar et al. | Automatic image segmentation using wavelets | |
CN104216882B (zh) | 文件标注方法及装置 | |
CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 |
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 |