![](https://img-blog.csdnimg.cn/2019092715111047.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
二维_图像分割/预处理/分类
文章平均质量分 56
二维图像分割/预处理/分类
cocapop
这个作者很懒,什么都没留下…
展开
-
DBSCAN算法改进思想
1.为什么选的这个算法,而不选择k-means算法June:kmeans聚类算法只能处理球形的簇。环形和不规则形用传统的算法就不太行。原创 2023-04-10 10:37:41 · 635 阅读 · 0 评论 -
用于<分类>的卷积神经网络、样本不平衡问题的解决
输入图像——卷积层——池化层——全连接层——输出卷积层:核心,用来提取特征。池化层:对特征降维。实际的主要作用是下采样,减少参数量来提高计算速度。卷积神经网络的训练:前向传播(分类识别)、反向传播(求各层误差,更新权值)原创 2023-03-06 11:32:45 · 710 阅读 · 0 评论 -
图像平滑滤波
双边滤波最早是由Tomasi提出的,在处理图像相邻各像素的灰度信息或彩色信息时,不仅考虑到了空间上的邻近关系,还考虑到了亮度上的相似性,通过对空间和亮度的非线性组合,自适应滤波后将得到平滑后图像。这样处理过的图像不仅滤除了噪声,还很好地保持了图像的边缘信息。解决:SLIC产生的大量微小的超像素。原创 2023-03-04 09:42:59 · 78 阅读 · 0 评论 -
语义分割、实例分割、全景分割
对比上图、下图,实例分割只对图像中的目标(如上图中的人)进行检测和按像素分割,区分不同实例(使用不同颜色),而全景分割是对图中的所有物体包括背景都要进行检测和分割,区分不同实例(使用不同颜色)目标检测和语义分割的结合,在图像中将目标检测出来(目标检测),然后对每个像素打上标签(语义分割)。对图像中的每个像素打上类别标签,如下图,把图像分为人(红色)、树木(深绿)、草地(浅绿)、天空(蓝色)标签。识别图像中存在的内容,如下图,有人(person)、树(tree)、草地(grass)、天空(sky)原创 2023-04-06 19:17:10 · 472 阅读 · 0 评论 -
RGBD图像de超像素分割算法+适用场景
首先对点云进行均匀采样,然后将采样后的点云聚类成超像素,最后根据相邻超像素之间的几何关系进行合并。SLIC3D(Simple Linear Iterative Clustering in 3D):该算法是一种基于颜色和空间距离的超像素分割算法,类似于SLIC算法。VCCS(Voxel Cloud Connectivity Segmentation):该算法先将点云分割成小立方体,然后根据立方体之间的相对位置和法向量信息进行聚类,生成超像素。点云密度和均匀性:点云数据的质量对超像素分割的效果有很大影响。原创 2023-04-03 18:29:45 · 856 阅读 · 0 评论 -
GrabCut算法、物体显著性检测
图割GraphCus算法。利用颜色、纹理等信息对GraphCut进行改进,形成效果更好的GrabCut算法。对图像的目标物体和背景建立一个K维的全协方差高斯混合模型。其中,单高斯模型的概率密度函数用公式表示为:高斯混合模型可表示为n个单高斯模型的概率密度加权之和:Pi为第i个高斯模型的权值。对含有N个像素点的图像,用z=(,L,,L,)表示。用不透明度表示像素点的值。∈{0,1}。1表示该像素点属于目标物体,0表示像素点属于背景。每个像素的独立GMM参数用向量k=(,L,原创 2023-03-06 16:51:02 · 615 阅读 · 0 评论 -
GraphCut、最大流最小割定理
G=(V,E);V为点集,E为边集;(1)终端节点。不包含图像像素,用S和T表示。S为源点,T为汇点。图像分割中通常用S表示前景目标,标签设为1;T表示背景,标签为0。(2)除了S和T以外的普通节点。每个节点与图像中的像素对应,记为集合P。(1)普通节点和源点/汇点之间的连接,记为T-links(2)两个普通节点之间连接的边,记为N-links图中每条边的权值W(Vi,Vj)非负,代表相邻两个像素在颜色、纹理上特性的相似度。原创 2023-03-06 11:15:56 · 470 阅读 · 0 评论 -
基于SLIC超像素的归一化分割算法
论文:基于SLIC超像素的归一化分割方法研究:单独使用时无法区分很接近的图像区域,实时性也差。:描述图像间相互关系的权重函数的取值,体现图像间的信息特征,影响分割效果。如果仅将权重函数作为图像信息间的唯一特征信息,当像素之间非常接近时,类间差异性的区分能力下降,影响图像分割,会导致欠分割。——优化权重函数计算公式:求解最优划分准则面临NP难问题。虽转换到求特征方程的特征向量系统来实现,但还是费时。尤其求解大规模权重矩阵的特征向量时,费时费空间。尺寸大导致费时。原创 2023-03-04 11:50:37 · 481 阅读 · 0 评论 -
(图像分割)基于图论的归一化分割
解释:将图像映射成图,以图为研究对象,利用图的理论知识获得图像的分割。下面介绍:图的基本理论,基于图论的归一化分割算法图G=(V,E,),分别是:节点、边、顶点和边的对应关系。简单记为G=(V,E)。1.顶点的度【无向图、有向图(入度、出度)2.连通图【无向图(有路径)、有向图(任意两点之间连通)3.子图和割【补图(V1∪V2=V,则图G1和G2互为补图)、割集(如果将图G分为两个互不相交的子图,我们称连接两个子图的边的集合为割集)原创 2023-03-04 11:17:20 · 1982 阅读 · 0 评论 -
图像分割评价标准
图像分割评价标准原创 2023-03-03 19:53:01 · 45 阅读 · 0 评论 -
谱聚类算法
谱聚类:建立在谱图理论基础上。假设数据样本看作图中的顶点V,顶点之间的边E赋予权重值W,得到一个无向加权图G=(V,E)。此图是基于样本之间的相似度的。因此,聚类问题转化成了图划分问题。但是如果样本空间不为凸,算法会陷入局部最优的漩涡。传统聚类算法:用在凸球体性的样本空间中。新的聚类算法应运而生:谱聚类。常见划分准则:最小割集准则。原创 2023-03-01 12:02:50 · 45 阅读 · 0 评论