CN108305258B - 一种基于最小生成树的超像素分割方法、***及存储设备 - Google Patents
一种基于最小生成树的超像素分割方法、***及存储设备 Download PDFInfo
- Publication number
- CN108305258B CN108305258B CN201810093922.XA CN201810093922A CN108305258B CN 108305258 B CN108305258 B CN 108305258B CN 201810093922 A CN201810093922 A CN 201810093922A CN 108305258 B CN108305258 B CN 108305258B
- Authority
- CN
- China
- Prior art keywords
- edge
- node
- minimum spanning
- spanning tree
- minimum
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于最小生成树的超像素分割方法、***及存储设备,包括,获取图像的边缘谱信息,并结合图像像素的颜色信息,构建无向加权图G=(V,E,W)以表达四邻域的像素邻接关系;根据无向加权图G=(V,E,W),对应节点V={A,B,...,G}以及不同的边权重,得到最小生成树;将获取的最小生成树结构划分为一系列最小生成森林;对所述最小生成森林加入规则性约束并获取最终的区域分割。与现有技术相比,基于最小生成树的超像素分割方法,具有分割速度快,分割精度高,获取超像素分割区域规则等特点。
Description
技术领域
本发明涉及一种基于最小生成树的超像素分割方法、***及存储设备,涉及图像处理领域。
背景技术
语义图像分割的目的是将图像划分为一系列特定的局部区域,使得区域的边界能够定位到图像中语义对象的边界。由于其分割结果具有抗噪性能强,区域语义感知一致性,边界贴合度高等特性,被广泛用作多媒体数据内容挖掘与理解的关键步骤。现有的超像素分割方法可大致分为两个类别:基于聚类的方法及基于图的方法。基于聚类的方法初始化种子点到规则网格,并将超像素分割问题建模为像素聚类的问题,比如,基于简单线性迭代聚类(SLIC)、线性谱聚类(LSC)、简单非迭代聚类(SNIC)等方法。尽管该类方法获得了较好的运行速度及区域紧致性,但生成的超像素区域并不能很好的贴合对象的边界。特别是针对具有精细结构的对象,这些方法基于规则网格来生成种子点,稀疏超像素下很难定位到对象的精细结构区域,因而造成了高的欠分割误差。基于图的方法将图像像素表达为图结构,构建并优化能量函数以获得图的区域分割,比如,有效图割(FH)、熵率超像素(ERS)、层次超像素(SH)。然而传统的图节点的表达忽略了像素间的空间位置关系,容易生成不规则边界的超像素区域。
发明内容
本发明提供了一种基于最小生成树的超像素分割方法、***及存储设备,具有分割速度快,分割精度高,获取超像素分割区域规则等特点。
根据本发明采用的一种高效的基于最小生成树的超像素分割方法,包括:
构建无向加权图:获取图像的边缘谱信息,并结合图像像素的颜色信息,构建无向加权图G=(V,E,W)以表达四邻域的像素邻接关系;其中,V为顶点集,表示图像像素集合;E为边集合,表示像素之间的邻域关系;W为边权重,描述两像素之间的差异性;
构造最小生成树:
(1)根据无向加权图G=(V,E,W),对应节点V={A,B,...,G}以及不同的边权重,记录每个节点的初始标签l(e);(2)记录每个节点vk对应的最小邻接边ek,并将对应的初始标签添加到最小生成树的边集合中,即T←T∪{l(e1),...,l(en)};(3)记录每个节点对应连通分量的根节点标签;(4)移除环及平行边,仅保留最小权重平行边;(5)融合每个连通分量为单个超顶点,并更新所述无向加权图结构;
重复(1)到(5)的内容,得到最小生成树;其中,n为大于等于1的自然数,k∈{1,2,…,n};
其中,βu,v为边权重,I为指示函数,L为节点的可能标签空间集合;L|V|为所有图节点可能标签空间;α∈[0.5,1]为尺度因子,用来控制生成子树的节点个数与目标超像素面积的比例;N为总的像素个数;l为节点的可能标签;u,v∈E表示无向加权图结构的任意一条边。
所述方法还包括:对最小生成树的边权值排序,并依次获取ei作为候选割边,若满足约束条件并降低了能量函数,则ei被加入到割边集合中;否则继续获取下一候选割边;循环直到生成子树达到超像素个数。
所述方法还包括:构建无向加权图时,获取图像的边缘谱信息。
根据本发明采用的一种基于最小生成树的超像素分割***,包括,
无向加权图构建模块:获取图像的边缘谱信息,并结合图像像素的颜色信息,构建无向加权图G=(V,E,W)以表达四邻域的像素邻接关系;其中,V为顶点集,表示图像像素集合;E为边集合,表示像素之间的邻域关系;W为边权重,描述两像素之间的差异性;
最小生成树构造模块:
(1)根据无向加权图G=(V,E,W),对应节点V={A,B,...,G}以及不同的边权重,记录每个节点的初始标签l(e);(2)记录每个节点vk对应的最小邻接边ek,并将对应的初始标签添加到最小生成树的边集合中,即T←T∪{l(e1),...,l(en)};(3)记录每个节点对应连通分量的根节点标签;(4)移除环及平行边,仅保留最小权重平行边;(5)融合每个连通分量为单个超顶点,并更新所述无向加权图结构;
重复(1)到(5)的内容,得到最小生成树;其中,n为大于等于1的自然数,k∈{1,2,…,n};
其中,βu,v为边权重,I为指示函数,L为节点的可能标签空间集合;L|V|为所有图节点可能标签空间;α∈[0.5,1]为尺度因子,用来控制生成子树的节点个数与目标超像素面积的比例;N为总的像素个数;l为节点的可能标签;u,v∈E表示无向加权图结构的任意一条边。
根据本发明采用的一种存储设备,包括多个指令,所述指令适于处理器加载并执行:
获取图像的边缘谱信息,并结合图像像素的颜色信息,构建无向加权图G=(V,E,W)以表达四邻域的像素邻接关系;其中,V为顶点集,表示图像像素集合;E为边集合,表示像素之间的邻域关系;W为边权重,描述两像素之间的差异性;
重复(1)到(5)的内容,得到最小生成树;(1)根据无向加权图G=(V,E,W),对应节点V={A,B,...,G}以及不同的边权重,记录每个节点的初始标签l(e);(2)记录每个节点vk对应的最小邻接边ek,并将对应的初始标签添加到最小生成树的边集合中,即T←T∪{l(e1),...,l(en)};(3)记录每个节点对应连通分量的根节点标签;(4)移除环及平行边,仅保留最小权重平行边;(5)融合每个连通分量为单个超顶点,并更新所述无向加权图结构;其中,n为大于等于1的自然数,k∈{1,2,…,n};
其中,βu,v为边权重,I为指示函数,L为节点的可能标签空间集合;L|V|为所有图节点可能标签空间;α∈[0.5,1]为尺度因子,用来控制生成子树的节点个数与目标超像素面积的比例;N为总的像素个数;l为节点的可能标签;u,v∈E表示无向加权图结构的任意一条边。
所述指令还包括适于处理器加载并执行:
对最小生成树的边权值排序,并依次获取ei作为候选割边,判断是否满足约束条件并降低了能量函数,如果是,则ei被加入到割边集合中;如果否,则继续获取下一候选割边;循环直到生成子树达到超像素个数。
与现有技术相比,本发明的有益效果是:基于最小生成树的超像素分割方法,具有分割速度快,分割精度高,获取超像素分割区域规则等特点。
附图说明
图1为本发明其中一实施例构建的无向加权图。
图2为基于图1所示实施例构造的最小生成树。
图3为基于图2所示实施例割边搜索过的规则超像素。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本说明书(包括摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或者具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
一种基于最小生成树的超像素分割方法,包括:
构建无向加权图:获取图像的边缘谱信息,并结合图像像素的颜色信息,构建无向加权图G=(V,E,W)以表达四邻域的像素邻接关系;其中,V为顶点集,表示图像像素集合;E为边集合,表示像素之间的邻域关系;W为边权重,描述两像素之间的差异性;
构造最小生成树:在本发明的一个具体实施例中,基于无向加权图G=(V,E,W),采用基于边收缩的最小生成树方法:
(1)根据无向加权图G=(V,E,W),对应节点V={A,B,...,G}以及不同的边权重,记录每个节点的初始标签l(e);(2)记录每个节点vk对应的最小邻接边ek,并将对应的初始标签添加到最小生成树的边集合中,即T←T∪{l(e1),...,l(en)};(3)记录每个节点对应连通分量的根节点标签;(4)移除环及平行边,仅保留最小权重平行边;(5)融合每个连通分量为单个超顶点,并更新所述无向加权图结构;
重复(1)到(5)的内容,得到最小生成树;其中,n为大于等于1的自然数,k∈{1,2,…,n};
获取区域分割:将获取的最小生成树结构划分为一系列最小生成森林;这些构成森林的子树形成了不连通的超像素集合;为了保证超像素区域的规则性,对所述最小生成森林加入规则性约束并定义能量函数获取最终的区域分割;
其中,βu,v为边权重,I为指示函数,L为节点的可能标签空间集合;L|V|为所有图节点可能标签空间;α∈[0.5,1]为尺度因子,用来控制生成子树的节点个数与目标超像素面积的比例;N为总的像素个数;l为节点的可能标签;u,v∈E表示无向加权图结构的任意一条边。
所述方法还包括:在本发明的一个具体实施例中,通过贪婪算法,对最小生成树的边权值排序,并依次获取ei作为候选割边,若满足约束条件并降低了能量函数,则ei被加入到割边集合中;否则继续获取下一候选割边;循环直到生成子树达到超像素个数。
所述方法还包括:构建无向加权图时,获取图像的边缘谱信息。
作为本发明的一个实施例,如图1所示为构建无向加权图;图2为构造最小生成树;图3为割边搜索过的规则超像素,即获取区域分割,在图3的一个实施例中:(1)初始化割边集合(2)对于排序边依次搜索(3)若E(C∪yi)<E(C),并且满足约束(4)将yi添加到割边结合中,即C←C∪yi;(5)更新每颗子树的节点能量;重复(2)到(5),直至达到超像素个数。
根据本发明采用的一种基于最小生成树的超像素分割***,包括,
无向加权图构建模块:获取图像的边缘谱信息,并结合图像像素的颜色信息,构建无向加权图G=(V,E,W)以表达四邻域的像素邻接关系;其中,V为顶点集,表示图像像素集合;E为边集合,表示像素之间的邻域关系;W为边权重,描述两像素之间的差异性;
最小生成树构造模块:
(1)根据无向加权图G=(V,E,W),对应节点V={A,B,...,G}以及不同的边权重,记录每个节点的初始标签l(e);(2)记录每个节点vk对应的最小邻接边ek,并将对应的初始标签添加到最小生成树的边集合中,即T←T∪{l(e1),...,l(en)};(3)记录每个节点对应连通分量的根节点标签;(4)移除环及平行边,仅保留最小权重平行边;(5)融合每个连通分量为单个超顶点,并更新所述无向加权图结构;
重复(1)到(5)的内容,得到最小生成树;其中,n为大于等于1的自然数,k∈{1,2,…,n};
其中,βu,v为边权重,I为指示函数,L为节点的可能标签空间集合;L|V|为所有图节点可能标签空间;α∈[0.5,1]为尺度因子,用来控制生成子树的节点个数与目标超像素面积的比例;N为总的像素个数;l为节点的可能标签;u,v∈E表示无向加权图结构的任意一条边。
根据本发明采用的一种存储设备,包括多个指令,所述指令适于处理器加载并执行:
获取图像的边缘谱信息,并结合图像像素的颜色信息,构建无向加权图G=(V,E,W)以表达四邻域的像素邻接关系;其中,V为顶点集,表示图像像素集合;E为边集合,表示像素之间的邻域关系;W为边权重,描述两像素之间的差异性;
重复(1)到(5)的内容,得到最小生成树;(1)根据无向加权图G=(V,E,W),对应节点V={A,B,...,G}以及不同的边权重,记录每个节点的初始标签l(e);(2)记录每个节点vk对应的最小邻接边ek,并将对应的初始标签添加到最小生成树的边集合中,即T←T∪{l(e1),...,l(en)};(3)记录每个节点对应连通分量的根节点标签;(4)移除环及平行边,仅保留最小权重平行边;(5)融合每个连通分量为单个超顶点,并更新所述无向加权图结构;其中,n为大于等于1的自然数,k∈{1,2,…,n};
其中,βu,v为边权重,I为指示函数,L为节点的可能标签空间集合;L|V|为所有图节点可能标签空间;α∈[0.5,1]为尺度因子,用来控制生成子树的节点个数与目标超像素面积的比例;N为总的像素个数;l为节点的可能标签;u,v∈E表示无向加权图结构的任意一条边。
所述指令还包括适于处理器加载并执行:
对最小生成树的边权值排序,并依次获取ei作为候选割边,判断是否满足约束条件并降低了能量函数,如果是,则ei被加入到割边集合中;如果否,则继续获取下一候选割边;循环直到生成子树达到超像素个数。
Claims (6)
1.一种基于最小生成树的超像素分割方法,包括:
构建无向加权图:获取图像的边缘谱信息,并结合图像像素的颜色信息,构建无向加权图G=(V,E,W)以表达四邻域的像素邻接关系;其中,V为顶点集,表示图像像素集合;E为边集合,表示像素之间的邻域关系;W为边权重,描述两像素之间的差异性;
构造最小生成树:
(1)根据无向加权图G=(V,E,W),对应节点V={v1,v2,...,vn}以及不同的边权重,记录每个节点的初始标签l(e);(2)记录每个节点vk对应的最小邻接边ek,并将对应的初始标签添加到最小生成树的边集合中,即T←T∪{l(e1),...,l(en)};(3)记录每个节点对应连通分量的根节点标签;(4)移除环及平行边,仅保留最小权重平行边;(5)融合每个连通分量为单个超顶点,并更新所述无向加权图结构;
重复(1)到(5)的内容,得到最小生成树;其中,n为大于等于1的自然数,k∈{1,2,…,n};
其中,βu,v为边权重,I为指示函数,L为节点的可能标签空间集合;L|V|为所有图节点可能标签空间;α∈[0.5,1]为尺度因子,用来控制生成子树的节点个数与目标超像素面积的比例;N为总的像素个数;l为节点的可能标签;u,v∈E表示无向加权图结构的任意一条边。
2.根据权利要求1所述的超像素分割方法,所述方法还包括:对最小生成树的边权值排序,并依次获取ei作为候选割边,若满足约束条件并降低了能量函数,则ei被加入到割边集合中;否则继续获取下一候选割边;循环直到生成子树达到超像素个数。
3.根据权利要求1或2所述的超像素分割方法,所述方法还包括:构建无向加权图时,获取图像的边缘谱信息。
4.一种基于最小生成树的超像素分割***,其特征在于:包括,
无向加权图构建模块:获取图像的边缘谱信息,并结合图像像素的颜色信息,构建无向加权图G=(V,E,W)以表达四邻域的像素邻接关系;其中,V为顶点集,表示图像像素集合;E为边集合,表示像素之间的邻域关系;W为边权重,描述两像素之间的差异性;
最小生成树构造模块:
(1)根据无向加权图G=(V,E,W),对应节点V={v1,v2,...,vn}以及不同的边权重,记录每个节点的初始标签l(e);(2)记录每个节点vk对应的最小邻接边ek,并将对应的初始标签添加到最小生成树的边集合中,即T←T∪{l(e1),...,l(en)};(3)记录每个节点对应连通分量的根节点标签;(4)移除环及平行边,仅保留最小权重平行边;(5)融合每个连通分量为单个超顶点,并更新所述无向加权图结构;
重复(1)到(5)的内容,得到最小生成树;其中,n为大于等于1的自然数,k∈{1,2,…,n};
其中,βu,v为边权重,I为指示函数,L为节点的可能标签空间集合;L|V|为所有图节点可能标签空间;α∈[0.5,1]为尺度因子,用来控制生成子树的节点个数与目标超像素面积的比例;N为总的像素个数;l为节点的可能标签;u,v∈E表示无向加权图结构的任意一条边。
5.一种存储设备,包括多个指令,所述指令适于处理器加载并执行:
获取图像的边缘谱信息,并结合图像像素的颜色信息,构建无向加权图G=(V,E,W)以表达四邻域的像素邻接关系;其中,V为顶点集,表示图像像素集合;E为边集合,表示像素之间的邻域关系;W为边权重,描述两像素之间的差异性;
重复(1)到(5)的内容,得到最小生成树;(1)根据无向加权图G=(V,E,W),对应节点V={v1,v2,...,vn}以及不同的边权重,记录每个节点的初始标签l(e);(2)记录每个节点vk对应的最小邻接边ek,并将对应的初始标签添加到最小生成树的边集合中,即T←T∪{l(e1),...,l(en)};(3)记录每个节点对应连通分量的根节点标签;(4)移除环及平行边,仅保留最小权重平行边;(5)融合每个连通分量为单个超顶点,并更新所述无向加权图结构;其中,n为大于等于1的自然数,k∈{1,2,…,n};
其中,βu,v为边权重,I为指示函数,L为节点的可能标签空间集合;L|V|为所有图节点可能标签空间;α∈[0.5,1]为尺度因子,用来控制生成子树的节点个数与目标超像素面积的比例;N为总的像素个数;l为节点的可能标签;u,v∈E表示无向加权图结构的任意一条边。
6.根据权利要求5所述的存储设备,所述指令还包括适于处理器加载并执行:对最小生成树的边权值排序,并依次获取ei作为候选割边,判断是否满足约束条件并降低了能量函数,如果是,则ei被加入到割边集合中;如果否,则继续获取下一候选割边;循环直到生成子树达到超像素个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810093922.XA CN108305258B (zh) | 2018-01-31 | 2018-01-31 | 一种基于最小生成树的超像素分割方法、***及存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810093922.XA CN108305258B (zh) | 2018-01-31 | 2018-01-31 | 一种基于最小生成树的超像素分割方法、***及存储设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108305258A CN108305258A (zh) | 2018-07-20 |
CN108305258B true CN108305258B (zh) | 2022-07-26 |
Family
ID=62867426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810093922.XA Active CN108305258B (zh) | 2018-01-31 | 2018-01-31 | 一种基于最小生成树的超像素分割方法、***及存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108305258B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109559321A (zh) * | 2018-11-28 | 2019-04-02 | 清华大学 | 一种声呐图像分割方法和设备 |
CN111340826B (zh) * | 2020-03-25 | 2023-07-18 | 南京林业大学 | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 |
CN111583274A (zh) * | 2020-04-30 | 2020-08-25 | 贝壳技术有限公司 | 图像分割方法、装置、计算机可读存储介质及电子设备 |
CN112116621A (zh) * | 2020-09-18 | 2020-12-22 | 杭州世平信息科技有限公司 | 一种合成孔径雷达图像快速多尺度超像素分割方法 |
CN113536076B (zh) * | 2021-05-25 | 2024-07-12 | 山东大学 | 一种交互式集合可视化方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540061A (zh) * | 2009-04-10 | 2009-09-23 | 西北工业大学 | 基于模拟退火的无序图像拓扑有序化匹配方法 |
CN103400368A (zh) * | 2013-06-25 | 2013-11-20 | 西安电子科技大学 | 基于图论和超像素的并行快速sar图像分割方法 |
CN105809672A (zh) * | 2016-03-03 | 2016-07-27 | 浙江大学 | 一种基于超像素和结构化约束的图像多目标协同分割方法 |
CN106204538A (zh) * | 2016-06-28 | 2016-12-07 | 陕西师范大学 | 一种图像分割方法及*** |
CN106951829A (zh) * | 2017-02-23 | 2017-07-14 | 南京邮电大学 | 一种基于最小生成树的视频显著对象检测方法 |
CN107610137A (zh) * | 2017-09-27 | 2018-01-19 | 武汉大学 | 一种高分辨率遥感影像最优分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7995841B2 (en) * | 2007-09-24 | 2011-08-09 | Microsoft Corporation | Hybrid graph model for unsupervised object segmentation |
-
2018
- 2018-01-31 CN CN201810093922.XA patent/CN108305258B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540061A (zh) * | 2009-04-10 | 2009-09-23 | 西北工业大学 | 基于模拟退火的无序图像拓扑有序化匹配方法 |
CN103400368A (zh) * | 2013-06-25 | 2013-11-20 | 西安电子科技大学 | 基于图论和超像素的并行快速sar图像分割方法 |
CN105809672A (zh) * | 2016-03-03 | 2016-07-27 | 浙江大学 | 一种基于超像素和结构化约束的图像多目标协同分割方法 |
CN106204538A (zh) * | 2016-06-28 | 2016-12-07 | 陕西师范大学 | 一种图像分割方法及*** |
CN106951829A (zh) * | 2017-02-23 | 2017-07-14 | 南京邮电大学 | 一种基于最小生成树的视频显著对象检测方法 |
CN107610137A (zh) * | 2017-09-27 | 2018-01-19 | 武汉大学 | 一种高分辨率遥感影像最优分割方法 |
Non-Patent Citations (5)
Title |
---|
《基于最小生成树的自动对象提取方法》;罗冰等;《中国科技论文在线:http://www.paper.edu.cn/releasepaper/content/201406-102》;20140605;第1-3页 * |
Optimal Segmentation of High-Resolution Remote Sensing Image by Combining Superpixels With the Minimum Spanning Tree;M. Wang等;《IEEE Transactions on Geoscience and Remote Sensing》;20170930;第56卷(第1期);第228-238页 * |
Superpixels Segmentation via Growing Minimum Spanning Trees and Reassigning Boundary Pixels;X. Jin等;《2016 Sixth International Conference on Instrumentation & Measurement, Computer, Communication and Control (IMCCC)》;20161231;第922-926页 * |
一种融合超像素与最小生成树的高分辨率遥感影像分割方法;董志鹏等;《测绘学报》;20171231;第46卷(第6期);第734-742页 * |
语义对象分割方法研究;罗冰;《中国博士学位论文全文数据库 (信息科技辑)》;20180615(第6期);第I138-89页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108305258A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108305258B (zh) | 一种基于最小生成树的超像素分割方法、***及存储设备 | |
Overmars et al. | Dynamic multi-dimensional data structures based on quad-and k—d trees | |
CN111652193B (zh) | 基于多源影像的湿地分类方法 | |
JP5734235B2 (ja) | 画像をスーパーピクセルにセグメント化する方法 | |
JP6183376B2 (ja) | インデックス生成装置及び方法並びに検索装置及び検索方法 | |
CN110210431B (zh) | 一种基于点云语义标注和优化的点云分类方法 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
US10019649B2 (en) | Point cloud simplification | |
CN109993753B (zh) | 遥感影像中城市功能区的分割方法及装置 | |
Shen et al. | A Kd-tree-based outlier detection method for airborne LiDAR point clouds | |
Ramiya et al. | Object-oriented semantic labelling of spectral–spatial LiDAR point cloud for urban land cover classification and buildings detection | |
CN109636809B (zh) | 一种基于尺度感知的图像分割层次选择方法 | |
Liu et al. | Method for extraction of airborne LiDAR point cloud buildings based on segmentation | |
CN102136151B (zh) | 一种光栅图像的矢量化方法 | |
CN109345549A (zh) | 一种基于自适应复合近邻图的自然场景图像分割方法 | |
Ramiya et al. | Semantic labelling of urban point cloud data | |
Xu et al. | Semantic segmentation of sparsely annotated 3D point clouds by pseudo-labelling | |
CN108614932B (zh) | 基于边图的线性流重叠社区发现方法、***及存储介质 | |
Hermosilla et al. | Land-use mapping of Valencia city area from aerial images and LiDAR data | |
Wilson et al. | Relational matching with dynamic graph structures | |
CENTENO | Object oriented analysis and semantic network for high resolution image classification | |
CN111091087B (zh) | 基于多视图协同典型相关森林遥感影像土地覆盖提取算法 | |
Denisova et al. | The Algorithms of Hierarchical Histogram computation for multichannel images | |
Burdescu et al. | Multimedia data for efficient detection of visual objects | |
Nourzad et al. | Binary and multi-class classification of fused LIDAR-imagery data using an ensemble method |
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 |