CN110838123B - 一种室内设计效果图像光照高亮区域的分割方法 - Google Patents

一种室内设计效果图像光照高亮区域的分割方法 Download PDF

Info

Publication number
CN110838123B
CN110838123B CN201911074569.1A CN201911074569A CN110838123B CN 110838123 B CN110838123 B CN 110838123B CN 201911074569 A CN201911074569 A CN 201911074569A CN 110838123 B CN110838123 B CN 110838123B
Authority
CN
China
Prior art keywords
vertex
clustering
cluster
similarity
effect 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
Application number
CN201911074569.1A
Other languages
English (en)
Other versions
CN110838123A (zh
Inventor
万倩倩
王庆利
苏亮亮
郑志华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Zhishan Intelligent Science And Technology Research Institute Co ltd
Original Assignee
Nanjing Zhishan Intelligent Science And Technology Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Zhishan Intelligent Science And Technology Research Institute Co ltd filed Critical Nanjing Zhishan Intelligent Science And Technology Research Institute Co ltd
Priority to CN201911074569.1A priority Critical patent/CN110838123B/zh
Publication of CN110838123A publication Critical patent/CN110838123A/zh
Application granted granted Critical
Publication of CN110838123B publication Critical patent/CN110838123B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种室内设计效果图像光照高亮区域的分割方法，步骤包括：将RGB格式的效果图像转换为五维向量；均匀布局各个初始的聚类顶点，计算CIELab色彩空间相似度，并合并周围相似聚类顶点至中心处作为新的聚类顶点；计算各个聚类顶点的像素相似度，并将最相似聚类顶点的顶点编号标签赋给该像素点；以相同顶点编号标签的连通区域构成新的超像素。该分割方法通过有偏聚类方法有效布局了超像素位置及确定了超像素数量，无需人工操作超像素分割，减轻了人工操作的压力，且超像素分割效果较好，便于各个超像素分别作图像增强处理。

Description

一种室内设计效果图像光照高亮区域的分割方法
技术领域
本发明涉及一种室内设计效果图像分割方法，尤其是一种室内设计效果图像光照高亮区域的分割方法。
背景技术
室内设计的效果图像来源于专业技术人员利用3ds max、AutoCAD或Photoshop等软件绘制出的三维图像，利用计算机图形生成技术经过渲染将三维场景中的图像转换生成二维图像。转换生成的效果图像需要经过进一步计算机视觉处理加工才能符合预期效果，给用户更加接近真实效果的体验。该类型光照高亮区域由室外光照或者灯光产生，由于室内光照不均匀，光源形状各异，不同材料的灯光色彩不同，产生的光照高亮区域也形态各异，亮度不同。在增强效果图像的实践中发现，由于光照高亮区域本身亮度较高，不加区分直接进行图像增强常常会导致高亮光斑，影响效果图像的输出效果。所以同一幅效果图像的不同部位需要分别进行图像增强，尤其是包含明显光照高亮区域的图像。因此需要设计出一种室内设计效果图像光照高亮区域的分割方法，能够将效果图像中的光照高亮区域进行分割，从而便于各个超像素分别作图像增强处理。
发明内容
本发明的目的在于：提供一种室内设计效果图像光照高亮区域的分割方法，能够将效果图像中的光照高亮区域进行分割，从而便于各个超像素分别作图像增强处理。
为了实现上述发明目的，本发明提供了一种室内设计效果图像光照高亮区域的分割方法，包括如下步骤：
步骤1，利用CIELab色彩空间的色彩模型将RGB格式的效果图像转换为五维向量；
步骤2，根据超像素的初始数量在效果图像整幅图中均匀布局各个初始的聚类顶点，并为各个聚类顶点分配唯一的顶点编号标签，计算各个聚类顶点与周围聚类顶点的CIELab色彩空间相似度，若判断该聚类顶点与周围聚类顶点均相似，则合并周围聚类顶点至中心处作为新的聚类顶点，遍历全部聚类顶点进行相似合并聚类；
步骤3，计算各个聚类顶点周围邻域内每一个像素点与其距离最近的聚类顶点的像素相似度，并将最相似聚类顶点的顶点编号标签赋给该像素点；
步骤4，重复执行步骤3，直到各个像素点的顶点编号标签趋于稳定，具有相同顶点编号标签的连通区域构成新的超像素。
进一步地，步骤1中，将RGB格式的效果图像转换为五维向量为[L，a，b，X，Y]，其中，L、a和b对应CIELab色彩空间的三个通道的值，X和Y表示该像素点的空间坐标。
进一步地，步骤2中，若超像素的初始数量为N，则初始的聚类顶点的数量K为：
Figure BDA0002262016520000021
再将K个初始的聚类顶点均匀布局在效果图像中。
进一步地，步骤2中，在将K个初始的聚类顶点均匀布局在效果图像中时，进一步计算各个初始的聚类顶点周围邻域内像素的梯度值，再以邻域内梯度最小处的像素点替换成为新的初始的聚类顶点。
进一步地，步骤2中，在计算各个聚类顶点与周围聚类顶点的CIELab色彩空间相似度时，计算公式为：
Figure BDA0002262016520000022
式中，dlab为像素点间的色彩相似度，lk、ak以及bk为聚类顶点A的CIELab色彩空间的三个通道值，li、ai和bi为聚类顶点A周围某个聚类顶点B的CIELab色彩空间的三个通道值。
进一步地，步骤2中，在进行相似度判断时，若聚类顶点A周围的某个聚类顶点B与聚类顶点B周围聚类顶点的相似度值的最小值为聚类顶点A与聚类顶点B的色彩相似度值dlab，则判断该聚类顶点B与聚类顶点A相似，以此判断聚类顶点A与周围上下左右四个方向的聚类顶点的相似性，如果均相似则将聚类顶点A周围上下左右四个方向的聚类顶点合并至聚类顶点A作为新的聚类顶点，并删除被合并的四个聚类顶点的顶点编号标签。
进一步地，步骤2中，在遍历全部聚类顶点进行相似合并聚类时，记录各个聚类顶点参与相似聚类合并的次数，若某聚类顶点已经过两轮相似合并聚类，则为该聚类顶点设置聚类上限标签，并在相似合并聚类过程中，首先判断该聚类顶点是否设置了聚类上限标签，若已设置，则放弃这个聚类顶点的相似聚类合并操作。
进一步地，步骤3中，像素相似度的计算公式为：
Figure BDA0002262016520000023
式(3)中，Di值越大则两个像素点的相似度越高，dlab为像素点间的色彩相似度，m为平衡参数，用来衡量色彩值与空间信息在相似度衡量中的比重，dxy为像素点间的空间距离，S为初始的聚类顶点间距的2倍；dxy的计算公式为：
Figure BDA0002262016520000031
式(4)中，xk和yk为一个像素点的坐标，xi和yi为另一个像素点的坐标；S的计算公式为：
Figure BDA0002262016520000032
式(5)中，N为超像素的初始数量，K为初始的聚类顶点的数量。
进一步地，步骤4中，在构成各个新的超像素后，检查每一个新的超像素，将尺寸小于平均超像素大小四分之一的超像素与邻近的超像素相合并。
进一步地，步骤4中，在检查每一个新的超像素时，若有多个具有相同聚类顶点标号的超像素，则保留尺寸最大的超像素，将其余超像素与邻近的超像素相合并。
本发明的有益效果在于：通过有偏聚类方法有效布局了超像素位置及确定了超像素数量，无需人工操作超像素分割，减轻了人工操作的压力，且超像素分割效果较好，便于各个超像素分别作图像增强处理。
附图说明
图1为本发明的方法流程图；
图2为本发明的相邻四个聚类顶点中心合并示意图；
图3为现有技术中SLIC方法分割效果图像光照高亮区域实验效果图；
图4为本发明的分割方法分割效果图像光照高亮区域实验效果图。
具体实施方式
下面结合附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
实施例1：
如图1所示，本发明公开的室内设计效果图像光照高亮区域的分割方法，包括如下步骤：
步骤1，利用CIELab色彩空间的色彩模型将RGB格式的效果图像转换为五维向量；
步骤2，根据超像素的初始数量在效果图像整幅图中均匀布局各个初始的聚类顶点，并为各个聚类顶点分配唯一的顶点编号标签，计算各个聚类顶点与周围聚类顶点的CIELab色彩空间相似度，若判断该聚类顶点与周围聚类顶点均相似，则合并周围聚类顶点至中心处作为新的聚类顶点，遍历全部聚类顶点进行相似合并聚类；
步骤3，计算各个聚类顶点周围邻域内每一个像素点与其距离最近的聚类顶点的像素相似度，聚类顶点周围邻域范围设定为2S×2S像素范围，S为初始聚类顶点间距的2倍，并将最相似聚类顶点的顶点编号标签赋给该像素点，将邻域范围设定为2S×2S像素范围，使得运算量大幅度减少；
步骤4，重复执行步骤3，直到各个像素点的顶点编号标签趋于稳定，具有相同顶点编号标签的连通区域构成新的超像素，具体的重复执行按照图像分割的精度要求确定，效果图像光照高亮区域分割的过程选取重复执行为10次，可以达到比较理想的效果。
通过有偏聚类方法有效布局了超像素位置及确定了超像素数量，无需人工操作超像素分割，减轻了人工操作的压力，且超像素分割效果较好，便于各个超像素分别作图像增强处理。
进一步地，步骤1中，将RGB格式的效果图像转换为五维向量为[L，a，b，X，Y]，其中，L、a和b对应CIELab色彩空间的三个通道的值，X和Y表示该像素点的空间坐标。RGB格式的效果图不能直接转换为CIELab格式，需要先将RGB格式的效果图转换为XYZ格式，然后再转换为CIELab色彩空间，具体转换直接采用现有的转换算法即可。
进一步地，步骤2中，若超像素的初始数量为N，则初始的聚类顶点的数量K为：
Figure BDA0002262016520000041
再将K个初始的聚类顶点均匀布局在效果图像中。
进一步地，步骤2中，在将K个初始的聚类顶点均匀布局在效果图像中时，进一步计算各个初始的聚类顶点周围邻域内像素的梯度值，周围领域的大小选取3×3像素区域，再以邻域内梯度最小处的像素点替换成为新的初始的聚类顶点。这样可以避免顶点落在图像内物体的轮廓边界处，保证后续聚类的效果，采用有偏聚类的方法筛选下一步聚类的超像素顶点，超像素聚类顶点分布不均匀，聚类顶点在图像密度较高部位分布相对密集，图像密度较低部位分布相对稀疏。
进一步地，步骤2中，在计算各个聚类顶点与周围聚类顶点的CIELab色彩空间相似度时，计算公式为：
Figure BDA0002262016520000042
式中，dlab为像素点间的色彩相似度，lk、ak以及bk为聚类顶点A的CIELab色彩空间的三个通道值，li、ai和bi为聚类顶点A周围某个聚类顶点B的CIELab色彩空间的三个通道值。
进一步地，步骤2中，在进行相似度判断时，若聚类顶点A周围的某个聚类顶点B与聚类顶点B周围聚类顶点的相似度值的最小值为聚类顶点A与聚类顶点B的色彩相似度值dlab，则判断该聚类顶点B与聚类顶点A相似，以此判断聚类顶点A与周围上下左右四个方向的聚类顶点的相似性，如果均相似则将聚类顶点A周围上下左右四个方向的聚类顶点合并至聚类顶点A作为新的聚类顶点，并删除被合并的四个聚类顶点的顶点编号标签，如图2所示。
进一步地，步骤2中，在遍历全部聚类顶点进行相似合并聚类时，记录各个聚类顶点参与相似聚类合并的次数，若某聚类顶点已经过两次相似合并聚类，则为该聚类顶点设置聚类上限标签，并在相似合并聚类过程中，首先判断该聚类顶点是否设置了聚类上限标签，若已设置，则放弃这个聚类顶点的相似聚类合并操作。
进一步地，步骤3中，像素相似度的计算公式为：
Figure BDA0002262016520000051
式(3)中，Di值越大则两个像素点的相似度越高，dlab为像素点间的色彩相似度，m为平衡参数，用来衡量色彩值与空间信息在相似度衡量中的比重，dxy为像素点间的空间距离，S为初始的聚类顶点间距的2倍；dxy的计算公式为：
Figure BDA0002262016520000052
式(4)中，xk和yk为一个像素点的坐标，xi和yi为另一个像素点的坐标；S的计算公式为：
Figure BDA0002262016520000053
式(5)中，N为超像素的初始数量，K为初始的聚类顶点的数量。
进一步地，由于在构成各个新的超像素过程中，可能出现某个超像素内包含其他超像素、某个超像素的尺寸太小或者顶点编号标签相同的超像素被切割成多个不连续的超像素，因此要对步骤4中的各个新的超像素进行优化处理，按照从左到右、从上到下的顺序检查每一个新的超像素，将尺寸小于平均超像素大小四分之一的超像素与邻近的超像素相合并；若有多个具有相同聚类顶点标号的超像素，则保留尺寸最大的超像素，将其余超像素与邻近的超像素相合并。
如图3和4所示，将本发明的分割方法与SLIC方法分割效果图像光照高亮区域分割效果进行对比，为了保证两种方法实验条件的一致性，结合相关文献中认定的SLIC方法的最优超像素数目为200，设置SLIC方法的超像素数目为200。实验时间方面，采用SLIC方法分割效果图像速度略快于本发明的分割方法，因为本发明的分割方法中增加了使用有偏聚类方法进行一次顶点聚类，但是有偏聚类时只对聚类顶点进行了划分，因此时间延迟可以忽略不计。此外，在运行的过程中减少了输入聚类数量的步骤，实际的总运行时间缩短，运行效率提升。
在该实验效果图中包含几种不同形态的光照高亮区域，位于天花板处的椭圆形光晕和条状灯带尤为明显。图3为SLIC方法分割效果图像光照高亮区域的效果图，图4为本发明分割方法分割效果图像光照高亮区域的效果图。从图中分割实验的结果可以看出，采用SLIC方法分割出的超像素优点是形状规则、大小均匀，不足之处是在规则的形态下有部分实物的边界线条产生了偏移；采用本发明分割方法产生超像素的形状没有前者形状规则，大小也不够均匀，但是采用该方法明显分割出了实物的形状；针对条状灯带引起的光照高亮区域，采用SLIC方法没有分割出该区域的廓形，本发明的分割方法明显分割出该区域的形态；针对吊灯处的椭圆形光照高亮区域，前者分割出来的该处区域轮廓为花瓣形，欠分割和过分割比较明显；本发明的分割方法分割出来的轮廓外形为比较规则的椭圆形，形态明显优于前者。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (8)

1.一种室内设计效果图像光照高亮区域的分割方法，其特征在于，包括如下步骤：
步骤1，利用CIELab色彩空间的色彩模型将RGB格式的效果图像转换为五维向量；
步骤2，根据超像素的初始数量在效果图像整幅图中均匀布局各个初始的聚类顶点，并为各个聚类顶点分配唯一的顶点编号标签，计算各个聚类顶点与周围聚类顶点的CIELab色彩空间相似度，若判断该聚类顶点与周围聚类顶点均相似，则合并周围聚类顶点至中心处作为新的聚类顶点，遍历全部聚类顶点进行相似合并聚类；
步骤3，计算各个聚类顶点周围邻域内每一个像素点与其距离最近的聚类顶点的像素相似度，并将最相似聚类顶点的顶点编号标签赋给该像素点；
步骤4，重复执行步骤3，直到各个像素点的顶点编号标签趋于稳定，将相同顶点编号标签的连通区域设定为新的超像素；
步骤2中，在计算各个聚类顶点与周围聚类顶点的CIELab色彩空间相似度时，计算公式为：
Figure FDA0003453834410000011
式中，dlab为像素点间的色彩相似度，lk、ak以及bk为聚类顶点A的CIELab色彩空间的三个通道值，li、ai和bi为聚类顶点A周围某个聚类顶点B的CIELab色彩空间的三个通道值；
步骤2中，在进行相似度判断时，若聚类顶点A周围的某个聚类顶点B与聚类顶点B周围聚类顶点的相似度值的最小值为聚类顶点A与聚类顶点B的色彩相似度值dlab，则判断该聚类顶点B与聚类顶点A相似，以此判断聚类顶点A与周围上下左右四个方向的聚类顶点的相似性，如果均相似则将聚类顶点A周围上下左右四个方向的聚类顶点合并至聚类顶点A作为新的聚类顶点，并删除被合并的四个聚类顶点的顶点编号标签。
2.根据权利要求1所述的室内设计效果图像光照高亮区域的分割方法，其特征在于，步骤1中，将RGB格式的效果图像转换为五维向量为[L，a，b，X，Y]，其中，L、a和b对应CIELab色彩空间的三个通道的值，X和Y表示该像素点的空间坐标。
3.根据权利要求1所述的室内设计效果图像光照高亮区域的分割方法，其特征在于，步骤2中，若超像素的初始数量为N，则初始的聚类顶点的数量K为：
Figure FDA0003453834410000012
再将K个初始的聚类顶点均匀布局在效果图像中。
4.根据权利要求1所述的室内设计效果图像光照高亮区域的分割方法，其特征在于，步骤2中，在将K个初始的聚类顶点均匀布局在效果图像中时，进一步计算各个初始的聚类顶点周围邻域内像素的梯度值，再以邻域内梯度最小处的像素点替换成为新的初始的聚类顶点。
5.根据权利要求1所述的室内设计效果图像光照高亮区域的分割方法，其特征在于，步骤2中，在遍历全部聚类顶点进行相似合并聚类时，记录各个聚类顶点参与相似聚类合并的次数，若某聚类顶点已经过两次相似合并聚类，则为该聚类顶点设置聚类上限标签，并在相似合并聚类过程中，首先判断该聚类顶点是否设置了聚类上限标签，若已设置，则放弃这个聚类顶点的相似聚类合并操作。
6.根据权利要求1所述的室内设计效果图像光照高亮区域的分割方法，其特征在于，步骤3中，像素相似度的计算公式为：
Figure FDA0003453834410000021
式(3)中，Di值越大则两个像素点的相似度越高，dlab为像素点间的色彩相似度，m为平衡参数，用来衡量色彩值与空间信息在相似度衡量中的比重，dxy为像素点间的空间距离，S为初始的聚类顶点间距的2倍；dxy的计算公式为：
Figure FDA0003453834410000022
式(4)中，xk和yk为一个像素点的坐标，xi和yi为另一个像素点的坐标；S的计算公式为：
Figure FDA0003453834410000023
式(5)中，N为超像素的初始数量，K为初始的聚类顶点的数量。
7.根据权利要求1所述的室内设计效果图像光照高亮区域的分割方法，其特征在于，步骤4中，在构成各个新的超像素后，检查每一个新的超像素，将尺寸小于平均超像素大小四分之一的超像素与邻近的超像素相合并。
8.根据权利要求7所述的室内设计效果图像光照高亮区域的分割方法，其特征在于，步骤4中，在检查每一个新的超像素时，若有多个具有相同聚类顶点标号的超像素，则保留尺寸最大的超像素，将其余超像素与邻近的超像素相合并。
CN201911074569.1A 2019-11-06 2019-11-06 一种室内设计效果图像光照高亮区域的分割方法 Active CN110838123B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911074569.1A CN110838123B (zh) 2019-11-06 2019-11-06 一种室内设计效果图像光照高亮区域的分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911074569.1A CN110838123B (zh) 2019-11-06 2019-11-06 一种室内设计效果图像光照高亮区域的分割方法

Publications (2)

Publication Number Publication Date
CN110838123A CN110838123A (zh) 2020-02-25
CN110838123B true CN110838123B (zh) 2022-02-11

Family

ID=69576423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911074569.1A Active CN110838123B (zh) 2019-11-06 2019-11-06 一种室内设计效果图像光照高亮区域的分割方法

Country Status (1)

Country Link
CN (1) CN110838123B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117292328B (zh) * 2023-11-24 2024-02-02 山东新中鲁建设有限公司 一种装配式建筑施工质量安全管理监控方法及***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793504A (zh) * 2014-01-24 2014-05-14 北京理工大学 一种基于用户偏好与项目属性的聚类初始点选择方法
CN106228188A (zh) * 2016-07-22 2016-12-14 北京市商汤科技开发有限公司 聚类方法、装置及电子设备
CN106570873A (zh) * 2016-11-08 2017-04-19 江苏大学 一种医学图像分割方法
CN106778821A (zh) * 2016-11-25 2017-05-31 西安电子科技大学 基于slic和改进的cnn的极化sar图像分类方法
CN109389601A (zh) * 2018-10-19 2019-02-26 山东大学 基于像素间相似性的彩色图像超像素分割方法
CN109522908A (zh) * 2018-11-16 2019-03-26 董静 基于区域标签融合的图像显著性检测方法
CN110324617A (zh) * 2019-05-16 2019-10-11 西安万像电子科技有限公司 图像处理方法及装置
CN110415208A (zh) * 2019-06-10 2019-11-05 西安电子科技大学 一种自适应目标检测方法及其装置、设备、存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014031086A1 (en) * 2012-08-24 2014-02-27 Agency For Science, Technology And Research Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793504A (zh) * 2014-01-24 2014-05-14 北京理工大学 一种基于用户偏好与项目属性的聚类初始点选择方法
CN106228188A (zh) * 2016-07-22 2016-12-14 北京市商汤科技开发有限公司 聚类方法、装置及电子设备
CN106570873A (zh) * 2016-11-08 2017-04-19 江苏大学 一种医学图像分割方法
CN106778821A (zh) * 2016-11-25 2017-05-31 西安电子科技大学 基于slic和改进的cnn的极化sar图像分类方法
CN109389601A (zh) * 2018-10-19 2019-02-26 山东大学 基于像素间相似性的彩色图像超像素分割方法
CN109522908A (zh) * 2018-11-16 2019-03-26 董静 基于区域标签融合的图像显著性检测方法
CN110324617A (zh) * 2019-05-16 2019-10-11 西安万像电子科技有限公司 图像处理方法及装置
CN110415208A (zh) * 2019-06-10 2019-11-05 西安电子科技大学 一种自适应目标检测方法及其装置、设备、存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Improved SLIC imagine segmentation algorithm based on K-means》;Chun-yan Han;《Cluster Comput》;20170225;全文 *
《优化加权核K-means聚类初始中心点的SLIC算法》;杨艳等;《计算机科学与探索》;20170823;全文 *
《应用视觉显著性的快速有偏聚类超像素算法》;李鹏等;《西安交通大学学报》;20150131;第49卷(第1期);全文 *

Also Published As

Publication number Publication date
CN110838123A (zh) 2020-02-25

Similar Documents

Publication Publication Date Title
CN108352083B (zh) 用于拉伸成3d对象的2d图像处理
CN102903128A (zh) 基于局部特征结构保持的视频图像内容编辑传播方法
CN109816669A (zh) 一种识别电力设备缺陷的改进Mask R-CNN图像实例分割方法
CN108510562B (zh) 基于图像分形纹理的数码迷彩图案生成方法
CN110569859B (zh) 一种服装图像的颜色特征提取方法
CN113052859A (zh) 基于自适应种子点密度聚类超像素分割方法
CN110838123B (zh) 一种室内设计效果图像光照高亮区域的分割方法
CN114386295B (zh) 一种基于色纺纱分色换色的织物计算机仿真方法
CN109741358B (zh) 基于自适应超图学习的超像素分割方法
US9875555B2 (en) Partitioning an image
CN109448093B (zh) 一种风格图像生成方法及装置
CN112365517A (zh) 一种基于图像颜色和密度特征的超像素分割方法
KR100602739B1 (ko) 재귀적 제어선 정합을 이용한 반자동 필드 기반 영상 변형방법
CN111046783A (zh) 一种改进分水岭算法的斜坡地质灾害边界提取方法
KR101098830B1 (ko) 서피스 텍스처 매핑 장치 및 그 방법
CN108537798A (zh) 一种快速超像素分割方法
CN110097500B (zh) 基于ai的图像无损放大方法
CN109087371B (zh) 一种控制机器人画像的方法及***
CN116994003B (zh) 一种航空结构件二维圆角加底角组合特征识别方法
CN118053081B (zh) 基于图像处理的城乡规划数据更新方法
CN105427354B (zh) 基于平面块集合的图像矢量化表达方法
JP3055779B1 (ja) 画像分割方法
KR100614739B1 (ko) 쌍방향 3차원 공간 광 조명 방법 및 시스템
KR20120128539A (ko) 컴퓨터 그래픽 영상의 실감도 증강을 위한 장치 및 방법
JP2003346177A (ja) ３角形パッチを用いたラジオシティ幾何処理方法

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
GR01 Patent grant
GR01 Patent grant