CN108090913B - 一种基于对象级Gauss-Markov随机场的图像语义分割方法 - Google Patents
一种基于对象级Gauss-Markov随机场的图像语义分割方法 Download PDFInfo
- Publication number
- CN108090913B CN108090913B CN201711316006.XA CN201711316006A CN108090913B CN 108090913 B CN108090913 B CN 108090913B CN 201711316006 A CN201711316006 A CN 201711316006A CN 108090913 B CN108090913 B CN 108090913B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- level
- field
- region
- image
- 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.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000003550 marker Substances 0.000 claims abstract description 31
- 238000012417 linear regression Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000006386 neutralization reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005381 potential energy Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract 1
- 230000003595 spectral effect Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation 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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Coloring Foods And Improving Nutritive Qualities (AREA)
Abstract
本发明提出了一种基于对象级Gauss‑Markov随机场的图像语义分割方法,步骤为:对像素级图像进行初始化过分割,得到对象级图像和区域邻接图,并在区域邻接图上分别定义邻域***、观测特征场和分割标记场;根据对象级分割标标记场和邻域***对观测特征场的每个区域的特征及其邻域的特征进行Gauss‑Markov建模,构造针对每一个区域的对象级线性回归方程;分别对特征场和标记场进行概率建模,根据Bayes准则得到分割标记场的后验分布,并依据最大后验概率准则得到最终分割结果。本发明可用于在复杂语义及高空间分辨率背景下批量地对图像进行语义分割***中,相比于人工检测,极大地提高了工作效率。
Description
技术领域
本发明涉及图像语义分割的技术领域,尤其涉及一种基于对象级Gauss-Markov随机场的图像语义分割方法。
背景技术
图像语义分割是指将图像中的像素按照图像中所表达的语义不同进行分组,该过程由机器自主进行。
随着现代传感器制造工艺和成像技术的不断发展,所处理的图像空间分辨率越来越高,而且获得的图像数量以指数形式增长,如果使用手工分割,效率低下。以前的像素级分割方法无法考虑更大范围的空间信息,造成大量信息的浪费。而近几年基于对象级的地理分析技术成为了一种提取图像信息的热点技术,将之运用到图像语义分割中,能够考虑更大范围的空间信息。但是区域特征之间的相互作用关系被忽略,分割精度有待提高。因此,需要一种图像语义分割方法,既保证空间信息的充分利用,又能够考虑区域特征之间的互相作用。
发明内容
针对现有图像语义分割方法不能兼顾充分利用保证空间信息和考虑区域特征之间相互作用的技术问题,本发明提出一种基于对象级Gauss-Markov随机场的图像语义分割方法,既保证空间信息的充分利用,又能够考虑区域特征之间的互相作用。
为了达到上述目的,本发明的技术方案是这样实现的:一种基于对象级Gauss-Markov随机场的图像语义分割方法,其特征在于,其步骤如下:
步骤一:对读取的像素级图像进行初始化过分割,得到由过分割区域组成的对象级图像和对应的对象级区域邻接图RAG,根据区域邻接图RAG定义该图像的邻域***NO、对象级观测特征场YO和对象级分割标记场XO;
步骤二:根据对象级分割标记场XO和邻域***NO对观测特征场YO的每个区域ri的特征及其邻域的特征进行Gauss-Markov建模,构造针对每一个区域ri的对象级线性回归方程,i=1,…,l;
步骤三:分别对观测特征场YO和分割标记场XO进行概率建模,并根据Bayes准则得到分割标记场XO的后验分布,运用最大后验概率准则更新迭代分割并由此解得最终分割。
所述步骤一的具体实施步骤如下:
1)对输入的高空间分辨率三通道图像I(R,G,B)进行位置索引集合定义和像素级观测特征集合定义,假设图像I(R,G,B)分辨率为m×n,得到:位置索引集合S={sxy=(x,y)|1≤x≤m;1≤y≤n},像素级观测特征集其中,表示位置s处像素点的观测特征值,分别为图像的R、G、B分量的值,m为图像的长度,n为图像的宽度,(x,y)为图像中像素点的位置坐标;
2)根据设置的最小面积运用mean-shift方法对像素级图像进行过分割处理:将图像I(R,G,B)过分割为l个最小面积为smin的区域,每个区域赋予标号,得到标号矩阵Ls={ls|s∈S},其中,元素ls∈{1,…,l},s∈S;由此得到对象级图像的位置索引集合R={r1,r2,…,rl},其中,区域ri={s|ls=i};
3)根据过分割处理得到对象级区域邻接图G=(R,E),其中,位置索引集合R是对象级元素,每个元素代表一个过分割区域,E={eij|1≤i,j≤l}表示邻接关系,元素eij表示区域ri中与区域rj相邻的像素个数,eij≠0当且仅当元素Ri和Rj是相邻的;
4)在区域邻接图G上定义对象级观测特征场和对象级分割标记场其中,表示区域ri的观测特征,|ri|表示区域ri内的像素点个数;XO是一个随机场,是一个随机变量,其中,K为分割类别集合,k为预先给定的分割类别数;
所述步骤二的具体步骤如下:
1)在区域邻接图G=(R,E)中由位置索引集合R可以得到各个过分割区域所包含的像素个数为对象级元素的面积参数,得到面积矩阵RS={RSi|1≤i≤l},其中RSi=|ri|;
2)设xO是对象级分割标记场XO的一个实现,根据xO得到各类别的特征均值和特征协方差矩阵,实现流程为:
(b)分别计算特征均值m={mi|1≤i≤k}和特征协方差矩阵∑={∑i|1≤i≤k}:
其中,ei~N(0,∑h)是一个高斯白噪声。
所述步骤三的具体方法如下:
2)对于对象级观测特征场YO,不是对观测特征直接进行联合概率建模,而是对每一个对象级元素ri所构造的对象级线性回归方程中的残差项进行联合建模,得到特征场的似然函数,即:
2)对象级分割标记场XO进行概率建模,由Markov-Gibbs等价性可知,对象级分割标记场符合Gibbs分布,得到标记场的先验分布如下:
其中,Z为归一化常量、U(xO)表示分割场实现为xO时的能量,K为分割类别集合,V2(·)为基团势能函数,由Potts模型给出,即:
3)由Bayes公式可以得到标记场的后验分布为:
所以,求分割标记的最佳结果就转化为求分割标记场XO后验分布最大化的问题,即:
通过循环迭代,更新分割标记,最终得到分割结果。
所述循环迭代的具体实现过程为:
7)分别计算每个对象级元素ri的对象级线性回归方程:
8)分别计算对象及特征场概率和标记场概率,并逐对象的更新分割标记,具体为:
本发明的有益效果:提供了成型的对高空间分辨率RGB图像的语义分割方法;可用于批量处理高空间分辨率RGB图像的语义分割,分割效率远远高于传统手工分割水平,也比现有大部分面向对象级分割方式效率高;对于线性回归方程中的待估参数直接赋予固定值简算简便快捷,精度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图。
图2为本发明初始化的流程图。
图3为本发明初始化处理的示例图。
图4为本发明线性回归方程构造的流程图。
图5为本发明联合建模的流程图。
图6为本发明实验仿真图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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付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。
如图1所示,一种基于对象级Gauss-Markov随机场的图像语义分割方法,其步骤如下:
步骤一:对读取的像素级图像进行初始化过分割,得到由过分割区域组成的对象级图像和对应的对象级区域邻接图RAG,根据区域邻接图RAG定义该图像的邻域***NO、对象级观测特征场YO和对象级分割标记场XO。
为了进行对象级图像分析,提高算法效率,需要进行初始化过分割,以便得到区域邻接图RAG。区域邻接图RAG是根据对象级图像的各个过分割区域之间的空间关系得到的。图像进行初始化过分割的方法是最小面积因素的mean-shift方法。根据像素级图像特征,使用涉及最小面积参数(即过分割区域内所含像素点个数)的mean-shift方法得到对象级图像表示,最终求得对象级图像特征。如图2所示,其具体实施步骤如下:
1)对输入的高空间分辨率三通道图像I(R,G,B)进行位置索引集合定义和像素级观测特征集合定义,假设图像I(R,G,B)分辨率为m×n,那么可以分别得到:位置索引集合S={sxy=(x,y)|1≤x≤m;1≤y≤n},像素级观测特征集其中,表示位置s处像素点的观测特征值,分别为图像的R、G、B分量的值,m为图像的长度,n为图像的宽度,(x,y)为图像中像素点的位置坐标。
2)根据设置的最小面积运用mean-shift方法对像素级图像进行过分割处理:将图像I(R,G,B)过分割为l个最小面积为smin的区域,每个区域赋予标号,得到标号矩阵Ls={ls|s∈S},其中,元素ls∈{1,…,l},s∈S。由此得到对象级图像的位置索引集合R={r1,r2,…,rl},其中,区域ri={s|ls=i}。处理结果灰度化后如图3(a)所示,图中的线条是其分割的结果。
3)根据过分割处理得到对象级区域邻接图G=(R,E)。其中,位置索引集合R是对象级元素,每个元素代表一个过分割区域。E={eij|1≤i,j≤l}表示邻接关系,元素eij表示区域ri中与区域rj相邻的像素个数,eij≠0当且仅当元素Ri和Rj是相邻的。
4)在区域邻接图G上定义对象级观测特征场对象级分割标记场其中,表示区域ri的观测特征,|ri|表示区域ri内的像素点个数。XO是一个随机场,是一个随机变量,代表过分割区域ri的分割类别,其中K为分割类别集合,k为预先给定的分割类别数。
步骤二:根据对象级分割标标记场XO和邻域***NO对观测特征场YO的每个区域ri的特征及其邻域的特征进行Gauss-Markov建模,构造针对每一个区域ri的对象级线性回归方程,i=1,…,l。
对象级线性回归方程使用对象级元素的面积大小和边界长度作为线性回归方程的参数,对每一个对象级元素构建线性回归方程,如图4所示,具体步骤如下:
1)在区域邻接图G=(R,E)中由位置索引集合R可以得到各个过分割区域所包含的像素个数,将之视为对象级元素的面积参数,得到面积矩阵RS={RSi|1≤i≤l},其中RSi=|ri|。
2)假设xO是对象级分割标记场XO的一个实现,根据xO得到各类别的特征均值和特征协方差矩阵,实现流程为:
(b)分别计算特征均值m={mi|1≤i≤k}和特征协方差矩阵∑={∑i|1≤i≤k}:
3)对于每一个对象级元素ri,给定它的分割标记实现为xiO后,构造线性回归方程如下:
其中,为了便于计算,假设ei~N(0,∑h)是一个高斯白噪声。
步骤三:分别对观测特征场YO和分割标记场XO进行概率建模,并根据Bayes准则得到分割标记场XO的后验分布,运用最大后验概率准则更新迭代分割并由此解得最终分割。
概率建模包括由对象级线性回归方程中的误差项构造观测特征场YO的多元正态分布和采用Potts模型构造分割标标记场XO的Gibbs分布。最终分割结果为:使用Gibbs分布抽样更新迭代分割,最终输出收敛解。如图5所示,具体操作如下:
1)对于对象级观测特征场YO,不是对观测特征直接进行联合概率建模,而是对每一个对象级元素ri所构造的对象级线性回归方程中的残差项进行联合建模,得到特征场的似然函数,即:
2)对象级分割标记场XO进行概率建模,由于标记场具有马氏性,由Markov-Gibbs等价性可知,标记场符合Gibbs分布,得到标记场的先验分布如下:
其中,Z为归一化常量、U(xO)表示分割场实现为xO时的能量,V2(·)为基团势能函数,由Potts模型给出,即:
3)由Bayes公式可以得到标记场的后验分布为:
所以,求分割标记的最佳结果就转化为求分割标记场XO后验分布最大化的问题,即:
通过循环迭代,更新分割标记,最终得到结果。具体循环迭代过程如下所示:
1)首先由经典的ICM(iteration condition model)算法实现像素级MRF(Markovrandom field)方法,得到每个像素点的分割所属类别,即像素级分割场结果:xP={xs|s∈S},进而得到初始迭代的对象分割标记场实现其中即对于过分割区域ri,分割标记为其内部像素点分割标记的众数。
3)分别计算每个对象级元素ri的对象级线性回归方程:
4)分别计算对象及特征场概率和标记场概率,并逐对象的更新分割标记,具体为:
本发明的运行平台是:core [email protected],RAM:4G,64位win10***,2015a版matlab。航拍图像1024_1的彩色图像如图6(a1)所示(彩色图像已经灰度化),真实手工分割如图6(a2)所示。对图像1024_1用ICM方法,使β=0.5,得到的分割结果的彩色图像如图6(a3)所示。对图像1024_1用GMRF方法,使β=0.5,得到的分割结果的彩色图像如图6(a4)所示。对图像1024_1用MRMRF方法,用“Haar”小波分解为三层、β=0.5,得到的分割结果的彩色图像如图6(a5)所示。对图像1024_1用OMRF方法,并且使s=256,β=0.5,得到的分割结果的彩色图像如图6(a6)所示。对图像1024_1用本发明(OGMRF-RC)方法,并且使s=256,β=0.5,得到的分割结果的彩色图像如图6(a7)所示。航拍图像1024_2的彩色图像如图6(b1)所示,真实手工分割如图6(b2)所示。对图像1024_2用ICM方法,使β=0.3,得到的分割结果的彩色图像如图6(b3)所示。对图像1024_2用GMRF方法,使β=0.3,得到的分割结果的彩色图像如图6(b4)所示。对图像1024_2用MRMRF方法,用“Haar”小波分解为三层、β=0.3,得到的分割结果的彩色图像如图6(b5)所示。对图像1024_2用OMRF方法,并且使s=144,β=0.3,得到的分割结果的彩色图像如图6(b6)所示。对图像1024_2用本发明(OGMRF-RC)方法,并且使s=144,β=0.3,得到的分割结果的彩色图像如图6(b7)所示。航拍图像1024_1和图像1024_2的分割结果的Kappa系数如表1所示,分割结果的总精确度OA如表2所示。
表1分割结果的Kappa系数
表2分割结果的总精确度(Overall Accuracy,OA)
由图6和表1-2中数据可以看出,本发明的分割精度是最好的。航拍图像包含更多的纹理信息,同一类中的子对象的频谱值差异较大,而不同类别的子对象可能具有相似的频谱值。例如,在城市部分,屋顶和庭院有不同的光谱值,但是城市部分和森林部分的树木的光谱值是相似的。由于这些原因,三种基于像素的方法有很多细碎的错误分类。与基于像素的方法相比,基于对象的方法将过分割区域视为基本单元,因此显著地优化了分割精度。OMRF方法利用对象的特征的概率分布对特征域进行建模,而OGMRF-RC方法则是利用对象级线性回归方程中残差项的概率分布对特征域进行建模。OGMRF-RC方法这样做的好处是,可以减少迭代过程中同类别之间的光谱变化对于分割的影响。例如,在图6(a7)的上半部分,大型裸地和森林被精确地划分为闲置部分,而不像图6(a6)中的分割成房屋部分的OMRF那样。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于对象级Gauss-Markov随机场的图像语义分割方法,其特征在于,其步骤如下:
步骤一:对读取的像素级图像进行初始化过分割,得到由过分割区域组成的对象级图像和对应的对象级区域邻接图RAG,根据区域邻接图RAG定义该图像的邻域***NO、对象级观测特征场YO和对象级分割标记场XO;
步骤二:根据对象级分割标记场XO和邻域***NO对观测特征场YO的每个区域ri的特征及其邻域的特征进行Gauss-Markov建模,构造针对每一个区域ri的对象级线性回归方程,i=1,...,l;
步骤三:分别对观测特征场YO和分割标记场XO进行概率建模,并根据Bayes准则得到分割标记场XO的后验分布,运用最大后验概率准则更新迭代分割并由此解得最终分割;
所述步骤二的具体步骤如下:
1)在区域邻接图G=(R,E)中由位置索引集合R可以得到各个过分割区域所包含的像素个数为对象级元素的面积参数,得到面积矩阵RS={RSi|1≤i≤l},其中RSi=|ri|;
2)设xO是对象级分割标记场XO的一个实现,根据xO得到各类别的特征均值和特征协方差矩阵,实现流程为:
(b)分别计算特征均值μ={μi|1≤i≤k}和特征协方差矩阵∑={∑i|1≤i≤k}:
2.根据权利要求1所述的基于对象级Gauss-Markov随机场的图像语义分割方法,其特征在于,所述步骤一的具体实施步骤如下:
1)对输入的高空间分辨率三通道图像I(R,G,B)进行位置索引集合定义和像素级观测特征集合定义,假设图像I(R,G,B)分辨率为m×n,得到:位置索引集合S={sxy=(x,y)|1≤x≤m;1≤y≤n},像素级观测特征集其中,表示位置s处像素点的观测特征值,分别为图像的R、G、B分量的值,m为图像的长度,n为图像的宽度,(x,y)为图像中像素点的位置坐标;
2)根据设置的最小面积运用mean-shift方法对像素级图像进行过分割处理:将图像I(R,G,B)过分割为l个最小面积为smin的区域,每个区域赋予标号,得到标号矩阵Ls={ls|s∈S},其中,元素ls∈{1,…,l},s∈S;由此得到对象级图像的位置索引集合R={r1,r2,…,rl},其中,区域ri={s|ls=i};
3)根据过分割处理得到对象级区域邻接图G=(R,E),其中,位置索引集合R是对象级元素,每个元素代表一个过分割区域,E={eij|1≤i,j≤l}表示邻接关系,元素eij表示区域ri中与区域rj相邻的像素个数,eij≠0当且仅当元素Ri和Rj是相邻的;
4)在区域邻接图G上定义对象级观测特征场和对象级分割标记场其中,表示区域ri的观测特征,|ri|表示区域ri内的像素点个数;XO是一个随机场,是一个随机变量,其中,K为分割类别集合,k为预先给定的分割类别数;
3.根据权利要求1所述的基于对象级Gauss-Markov随机场的图像语义分割方法,其特征在于,所述步骤三的具体方法如下:
1)对于对象级观测特征场YO,不是对观测特征直接进行联合概率建模,而是对每一个对象级元素ri所构造的对象级线性回归方程中的残差项进行联合建模,得到特征场的似然函数,即:
2)对象级分割标记场XO进行概率建模,由Markov-Gibbs等价性可知,对象级分割标记场符合Gibbs分布,得到标记场的先验分布如下:
其中,Z为归一化常量、U(xO)表示分割场实现为xO时的能量,K为分割类别集合,V2(·)为基团势能函数,由Potts模型给出,即:
3)由Bayes公式可以得到标记场的后验分布为:
所以,求分割标记的最佳结果就转化为求分割标记场XO后验分布最大化的问题,即:
通过循环迭代,更新分割标记,最终得到分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711316006.XA CN108090913B (zh) | 2017-12-12 | 2017-12-12 | 一种基于对象级Gauss-Markov随机场的图像语义分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711316006.XA CN108090913B (zh) | 2017-12-12 | 2017-12-12 | 一种基于对象级Gauss-Markov随机场的图像语义分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090913A CN108090913A (zh) | 2018-05-29 |
CN108090913B true CN108090913B (zh) | 2020-06-19 |
Family
ID=62173916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711316006.XA Active CN108090913B (zh) | 2017-12-12 | 2017-12-12 | 一种基于对象级Gauss-Markov随机场的图像语义分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090913B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830319B (zh) * | 2018-06-12 | 2022-09-16 | 北京合众思壮科技股份有限公司 | 一种图像分类方法和装置 |
CN109615637A (zh) * | 2019-01-16 | 2019-04-12 | 中国科学院地理科学与资源研究所 | 一种改进的遥感影像混合分割方法 |
CN111210433B (zh) * | 2019-04-16 | 2023-03-03 | 河南大学 | 一种基于各向异性势函数的马氏场遥感图像分割方法 |
CN110136143A (zh) * | 2019-05-16 | 2019-08-16 | 河南大学 | 基于admm算法的马氏场下多分辨率遥感图像分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295236B (zh) * | 2013-05-29 | 2015-12-23 | 湘潭大学 | 马尔可夫多特征随机场模型构建方法及其脑部mr图像分割技术 |
CN106600611B (zh) * | 2016-12-23 | 2020-04-14 | 西安电子科技大学 | 基于稀疏三重马尔可夫场的sar图像分割方法 |
CN106951830B (zh) * | 2017-02-23 | 2020-12-18 | 北京联合大学 | 一种基于先验条件约束的图像场景多对象标记方法 |
CN107180434B (zh) * | 2017-05-23 | 2019-10-18 | 中国地质大学(武汉) | 基于超像素和分形网络演化算法的极化sar图像分割方法 |
-
2017
- 2017-12-12 CN CN201711316006.XA patent/CN108090913B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108090913A (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Superpixel segmentation: A benchmark | |
CN106981068B (zh) | 一种联合像素与超像素的交互式图像分割方法 | |
CN108052966B (zh) | 基于卷积神经网络的遥感图像场景自动提取和分类方法 | |
CN108090913B (zh) | 一种基于对象级Gauss-Markov随机场的图像语义分割方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN102013017B (zh) | 一种高分辨率遥感图像场景粗分类方法 | |
Montazer et al. | An improved radial basis function neural network for object image retrieval | |
Bai et al. | Splitting touching cells based on concave points and ellipse fitting | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
Alidoost et al. | A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image | |
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 | |
CN105825502B (zh) | 一种基于显著性指导的词典学习的弱监督图像解析方法 | |
CN106340016A (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN103985112B (zh) | 基于改进多目标粒子群优化聚类的图像分割方法 | |
CN103345744B (zh) | 一种基于多图像的人体目标部件自动解析方法 | |
CN110188763B (zh) | 一种基于改进图模型的图像显著性检测方法 | |
CN111695636A (zh) | 一种基于图神经网络的高光谱图像分类方法 | |
CN112784869B (zh) | 一种基于注意力感知与对抗学习的细粒度图像识别方法 | |
CN111950406A (zh) | 一种手指静脉识别方法、装置及存储介质 | |
CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
Li et al. | A fast level set algorithm for building roof recognition from high spatial resolution panchromatic images | |
Wang et al. | A comprehensive survey of optical remote sensing image segmentation methods | |
Khan et al. | A modified adaptive differential evolution algorithm for color image segmentation | |
Farid et al. | DOST: A distributed object segmentation tool | |
CN116343048A (zh) | 针对平原作物类型复杂区地块边界精准提取方法及*** |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240117 Address after: Building 43, Zone A, Energy Conservation and Environmental Protection Innovation Park, No. 199 Hongwu Avenue, Tangqiao Town, Zhangjiagang City, Jiangsu Province, 215000 Patentee after: Suzhou Qingchen Technology Co.,Ltd. Address before: No.85, Minglun street, Shunhe District, Kaifeng City, Henan Province Patentee before: Henan University |
|
TR01 | Transfer of patent right |