基于视觉显著模型的图像分割方法.pdf
猫巷****奕声
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于视觉显著模型的图像分割方法.pdf
本发明提供一种基于视觉显著模型的图像分割方法,该方法首先进行图像的背景检测得到图像的边界连通性值,然后使用基于六边形简单线性迭代聚类HSLIC(Hexagonal?Simple?Linear?Iterative?Clustering)的SC(Superpixel?Contrast)方法得到图像的显著性图,最后使用得到的图像的边界连通性值和显著性图的显著性值作为图割方法区域项的输入,自动地进行图像分割,最后输出图像的显著性区域分割结果。
基于模型的图像分割.pdf
所呈现的是用于初始化模型以用于图像的基于模型的分割的概念,其使用特定界标(例如,使用其它技术来检测)来初始化分割网格。使用这种方法,实施例不必限于预定的模型变换,而是可以初始化具有任意形状的分割网格。以这种方式,实施例可以提供一种图像分割算法,其不仅递送鲁棒的基于表面的分割结果,而且针对强烈地变化的目标结构变化(在形状方面)也是如此。
基于简化的LBF模型的图像分割方法.pdf
本发明公开了一种基于非下采样轮廓波变换的活动轮廓模型图像分割方法。首先,通过非下采样轮廓波变换进行待分割图像的多分辨率表示;其次,建立多分辨率系数的概率模型;最后,利用基于区域的活动轮廓模型进行多分辨率系数的整合操作以达到图像分割的目的。实验结果表明,本发明的方法可以很好地进行图像的分割操作,既可以保证分割图像的全局性,又可以分割出图像的细节信息。
基于改进局部信息的CV模型的图像分割方法.pdf
本发明公开了一种基于改进局部信息的模型的图像分割方法,主要解决现有改进CV模型分割灰度不均匀图像效果不理想和基于局部信息的模型对初始化轮廓鲁棒性较低而产生错误分割的问题。实现步骤是:输入原始图像,设置初始轮廓;设置默认参数和重要参数;结合全局灰度拟合值和改进核函数的局部灰度拟合值为新的加权目标与背景的灰度拟合值;利用引入惩罚项的CV模型的能量泛函得到梯度下降流;按水平集迭代公式演化水平集函数,通过迭代,输出分割结果。本发明有效分割灰度不均匀图像,增强了对初始轮廓的鲁棒性,更快的收敛到目标轮廓,比其他相关模
基于改进局部信息的CV模型的图像分割方法.pdf
本发明公开了基于改进局部信息的CV模型的图像分割方法,包括如下步骤:输入原始图像,计算其像素点灰度值;设置初始轮廓图像,初始轮廓图像为图像任意指定的闭合曲线所对应的图像像素点;对初始轮廓图像进行非下采样Shearlet变换,得到一幅低频缺陷图像和一组高频缺陷图像;利用PCNN方法对所述低频缺陷图像进行信息分割,得到第一缺陷图像。本发明既能考虑到图像的细节信息,又能考虑到图像的总体信息,将图像中目标分割出来,利用矢量化活动轮廓技术做进一步的分割处理,整个流程不需要人工干预,在很短的时间内用户便可得到想要的分