彩色圖像分割算法的改進(jìn).pdf_第1頁
已閱讀1頁,還剩64頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、圖像分割在整個(gè)圖像工程學(xué)領(lǐng)域中占有十分重要的地位,并在計(jì)算機(jī)視覺、模式識(shí)別和人工智能領(lǐng)域中得到了廣泛的應(yīng)用。本文在經(jīng)典Mean Shift、Grab Cut、Ncut算法的基礎(chǔ)上做了大量的研究,提出了基于區(qū)域合并的Mean Shift算法、基于二次分水嶺預(yù)分割的Grab Cut算法和基于Mean Shift預(yù)分割的Ncut算法。本文詳細(xì)的分析了基于概率密度梯度函數(shù)估計(jì)的Mean Shift算法、基于能量最小化的Grabcut算法的基本原

2、理和算法理論、基于規(guī)范割集準(zhǔn)則的Ncut算法的基本原理和算法理論,并在每個(gè)算法所對(duì)應(yīng)的章節(jié)的最后給出了相應(yīng)算法以及改進(jìn)算法的仿真結(jié)果。此基礎(chǔ)上,提出各自對(duì)應(yīng)的相應(yīng)改進(jìn)算法,具體改進(jìn)如下:
  1).本文針對(duì)經(jīng)典Mean Shift算法在對(duì)圖像進(jìn)行分割時(shí)往往會(huì)產(chǎn)生過分割的現(xiàn)象這一缺陷,提出了一種基于區(qū)域合并的改進(jìn)Mean Shift算法。該算法首先會(huì)采用經(jīng)典Mean Shift得到初始分割結(jié)果,再通過本文給定的合并準(zhǔn)則對(duì)過分割的結(jié)果

3、進(jìn)行區(qū)域合并,從而消除過分割的現(xiàn)象并得到良好的分割結(jié)果。
  2).經(jīng)典Grab Cut算法具有如下兩個(gè)缺陷:①分割效率較低;②前景與背景差異性不明顯時(shí),分割效果不完整。本文針對(duì)上述缺陷提出了基于二次分水嶺預(yù)分割的改進(jìn)Grab Cut算法。該算法首先采用二次分水嶺對(duì)圖像進(jìn)行預(yù)分割,并以預(yù)分割所形成的像素塊替代原圖像中的像素點(diǎn)構(gòu)成圖,最后采用Grab Cut進(jìn)行迭代分割。
  3)經(jīng)典Ncut算法具有如下兩個(gè)缺陷:①需要求解特

4、征向量和特征矩陣,因而計(jì)算量偏大;②抗噪聲干擾能力不足。本文針對(duì)上述缺陷提出了基于Mean Shift預(yù)分割的改進(jìn)Ncut算法。該算法首先采用Mean Shift對(duì)圖像進(jìn)行預(yù)分割,并以預(yù)分割所形成的像素塊替代原圖像中的像素點(diǎn)構(gòu)成圖,最后采用Ncut算法進(jìn)行分割。
  實(shí)驗(yàn)結(jié)果表明:①本文改進(jìn)的Mean Shift算法可以消除過分割的現(xiàn)象并得到良好的分割結(jié)果;②本文的改進(jìn)Grab Cut算法一方面由于預(yù)分割所形成的像素塊的數(shù)目遠(yuǎn)小于

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論