本文關鍵詞：一種適用于網(wǎng)絡圖像集的聯(lián)合分割方法

  更多相關文章： 聯(lián)合分割 聯(lián)合顯著性 Grabcut 結(jié)構(gòu)相似性比較 物體性

【摘要】：圖像分割是計算機視覺領域中的最重要并且也最具挑戰(zhàn)性的研究領域,它可以應用于視覺領域的多個方向,比如物體檢測,場景分析和物體識別等。傳統(tǒng)的圖像分割方法主要是關注單張圖片的分割,比如通過顏色的差異,邊緣的對比等一些特征得到一個局部的連貫區(qū)域。但是在某些圖像中,物體的特征不顯著,如對比度不足或邊緣不明顯等等。在這種情況下如果不提供一些相應的先驗知識,傳統(tǒng)的無監(jiān)督單圖像分割方法是很難得到一個精確的分割結(jié)果。為了解決這個問題,人們隨后提出了交互式的圖像分割技術。交互式分割是數(shù)字圖像處理中重要的一部分,它可以通過用戶的交互提高分割的準確性。但是交互式的方法會大大增加用戶的工作量。目前人們又提出了一種新的聯(lián)合分割方法。該方法不僅可以減少用戶的操作,并且可以提高分割的準確性。聯(lián)合分割是在一系列具有相似物體的圖像中提取出目標物體。通過這一系列的相似圖像,計算出圖像中的共同特征,從而得到所期望的目標區(qū)域。這種方法彌補了傳統(tǒng)的圖像分割時先驗知識不足的問題。在日常生活中,聯(lián)合分割可以應用在很多方面,例如1)在社交網(wǎng)站中,用戶們很喜歡上傳一些具有相同物體的照片,比如自拍照,那么工程師可以利用聯(lián)合分割技術得到該用戶最感興趣的目標區(qū)域,從而做一些視覺的分析工作。2)聯(lián)合分割還可以很方便的分割由用戶通過關鍵字搜索(例如谷歌)得出的圖片集中的目標區(qū)域。目前常用的聯(lián)合分割方法會基于一個前提,即圖像集合中的所有圖片都會包含目標區(qū)域。但是我們會發(fā)現(xiàn)在一些圖像序列中有可能存在噪聲,即該圖像不包含目標物體或我們期望的物體不是該圖像的主要內(nèi)容,例如上述通過圖像搜索引擎得來的網(wǎng)絡圖片集中很有可能包含一些噪聲圖像,那么這種情況將會制約大部分聯(lián)合分割方法的使用。為了解決這一問題,Michael Rubinstein在[6]中提出了一種聯(lián)合分割方法可以處理噪聲圖像。雖然該方法可以分割出具有不同形狀,紋理以及視角的公共物體,但是該方法時間效率較低,運算量較大。由于考慮到圖像搜索引擎技術的進一步完善,搜索的結(jié)果會越來越準確,內(nèi)容也會越來越統(tǒng)一,所以我們將之前用于處理不同形狀,紋理以及視角的公共物體的復雜方法簡化為只采用一些簡單的特征進行網(wǎng)絡圖像集的分割,從而提高分割的效率。因此,本文提出一種簡單而有效的聯(lián)合分割方法用于在具有噪聲的圖像集中發(fā)現(xiàn)和提取目標物體。
【關鍵詞】：聯(lián)合分割 聯(lián)合顯著性 Grabcut 結(jié)構(gòu)相似性比較 物體性
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 引言12-18
• 1.1 研究背景和意義12-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-17
• 1.2.1 聯(lián)合分割研究現(xiàn)狀13-16
• 1.2.2 視覺顯著性研究現(xiàn)狀16-17
• 1.3 主要研究內(nèi)容以及創(chuàng)新點17
• 1.4 本文組織結(jié)構(gòu)17-18
• 第二章 研究基礎18-33
• 2.1 顯著性18-21
• 2.1.1 顯著性理論基礎18-19
• 2.1.2 RC19-21
• 2.2 物體檢測21-24
• 2.2.1 什么是物體?21-23
• 2.2.2 BING23-24
• 2.3 Grabcut24-33
• 2.3.1 圖像分割理論基礎24-25
• 2.3.2 Graph-cut25-29
• 2.3.3 高斯混合模型29
• 2.3.4 基于Graph-cut的改進方法：Grabcut29-33
• 第三章 前景估計33-39
• 3.1 一種新的co-saliency模型的構(gòu)造方法33-35
• 3.2 一種新的基于一般性物體檢測BING的窗口得分策略35-39
• 第四章 前景相似性比較39-43
• 4.1 SSIM(結(jié)構(gòu)相似性)39-40
• 4.2 一種新的基于SSIM的前景相似性比較算法40-43
• 第五章 有向圖的構(gòu)建43-47
• 5.1 有向無環(huán)圖43-44
• 5.2 路徑權(quán)重44-45
• 5.3 最短路徑45-47
• 第六章 實驗結(jié)果展示47-52
• 6.1 iCoseg數(shù)據(jù)庫47-50
• 6.2 MSRC數(shù)據(jù)庫50
• 6.3 Internet數(shù)據(jù)集50-51
• 6.4 圖像搜索引擎數(shù)據(jù)集51-52
• 第七章 總結(jié)和展望52-53
• 參考文獻53-56
• 致謝56-57
• 攻讀學位期間發(fā)表學術論文目錄57-58
• 攻讀學位期間參與科研項目情況58-59
• 學位論文評閱及答辯情況表59

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王銳拓;趙耀;林春雨;白慧慧;劉美琴;;基于圖像集大小優(yōu)化的圖像集壓縮算法[J];鐵道學報;2014年07期

2 華艷秋;;淺談圖像集在視覺概念檢測中的應用[J];科技資訊;2012年20期

3 汪粼波;郭延文;夏天辰;金國平;;樣本驅(qū)動的半自動圖像集前背景分割[J];計算機輔助設計與圖形學學報;2013年06期

4 余平;楊有;尚晉;;基于模板差分的檔案圖像集合冗余壓縮研究[J];計算機科學;2011年07期

5 曾青松;;黎曼流形上的保局投影在圖像集匹配中的應用[J];中國圖象圖形學報;2014年03期

6 曾青松;;基于支持向量域描述的圖像集匹配[J];模式識別與人工智能;2014年08期

7 包金宇;王慧斌;陳哲;沈潔;;基于背景圖像集與稀疏分析的運動目標檢測[J];計算機應用;2013年05期

8 王耀明,王仲國,沈毅俊;圖像集的離散度矩陣及其在人臉圖像識別中的應用[J];計算機應用與軟件;2001年05期

9 詹宇斌;殷建平;李寬;;缺失像素圖像集的流形學習算法[J];吉林大學學報(工學版);2011年03期

10 宋文娟;于威威;;一種應用PCA的人臉圖像集識別方法[J];現(xiàn)代計算機(專業(yè)版);2014年12期

中國重要報紙全文數(shù)據(jù)庫 前1條

1 來新夏;可供歷史實證的圖像[N];中華新聞報;2006年

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 趙燁;大規(guī)模圖像集自動摘要技術研究[D];合肥工業(yè)大學;2014年

中國碩士學位論文全文數(shù)據(jù)庫 前9條

1 李岳尊;一種適用于網(wǎng)絡圖像集的聯(lián)合分割方法[D];山東大學;2015年

2 李銳杰;基于LBP的人臉圖像集識別算法的研究[D];吉林大學;2014年

3 吳斌煒;互聯(lián)網(wǎng)旅游信息挖掘和展示技術研究[D];浙江大學;2011年

4 蓋健;基于旋轉(zhuǎn)不變LBP的圖像集人臉識別算法[D];吉林大學;2015年

5 寧尚軍;基于R_1-PCA的圖像集人臉識別算法的研究[D];吉林大學;2015年

6 劉起芳;人體解剖圖像集的可視化[D];北京交通大學;2007年

7 王辰;基于判別型典型相關分析的多流形識別[D];東北師范大學;2011年

8 陸瑤;基于圖像集表示判別分析[D];遼寧師范大學;2013年

9 付彥偉;多視點視頻內(nèi)容分析與摘要技術研究[D];南京大學;2011年

，

本文編號：999551