基于颜色特征的单主体图像感兴趣区域提取方法

图像检索是指从图像数据库中搜索具有与用户要求相似特性的图像资源.为了提高图像检索的准确率,文中针对单主体图像的感兴趣区域进行研究,首先提出了一种基于颜色梯度的单主体图像感兴趣区域提取方法,能准确的定位并提出感兴趣区域.但是此方法容易造成图像过分割现象,漏掉部分的感兴趣区域的主体.于是在此方法的基础上加以改进,提出了基于区域颜色梯度的单主体图像感兴趣区域提取方法.相较于其他的方法,文中所提出的方法思想简单,能快速有效的实现图像感兴趣区域的提取.

基于超像素分割及区域聚类的单主体图像感兴趣区域提取方法

图像检索是在图像数据库中快速查找用户需求目标图像的有效方法。为了提高图像检索效率,针对单主体图像的感兴趣区域进行研究,提出了一种基于超像素分割与区域聚类相结合的图像感兴趣区域提取方法,首先对所给图像做灰度化处理,对灰度图像进行超像素分割,再对分割后的各超像素进行处理,形成超像素均值矩阵,最后对超像素均值矩阵进行聚类,提出感兴趣区域。此法可快速而精确地提取出图像的感兴趣区域,且相较于其他感兴趣区域提取方法,此算法在提取结果方面更优,感兴趣区域的提取结果更完整。

阿里云视觉智能平台图像识别的应用研究

文章应用阿里云视觉智能平台图像识别(下文简称“阿里云图像识别”),将阿里云平台用户终端设备(下文简称“终端设备”)采集的图像文件上传至阿里云物联网平台(下文简称“阿里云平台”)对象存储服务器,创建图像文件主体检测链接,随后开始图像文件主体检测,将主体检测产生的识别结果下发到终端设备,最终完成图像识别。阿里云图像识别的应用降低了图像处理技术的软、硬件投入,加快了研发速度。

Mumford-Shah模型和G空间在图像分解的应用

在图像的目标识别中,目标图像可以分解为主体结构图像和纹理细节图像来分别进行处理,图像分解的好坏对最终识别效果起着至关重要的作用。为准确地得到图像的主体结构和纹理细节,提出了一种基于MumfordShah-G(MS-G)模型的偏微分方程图像分解方法。首先利用MS-G模型对图像分解,然后利用熵来衡量分解后的纹理图像的信息量,量化反映了MS-G模型的分解性能。利用这种方法,对迭代次数与MS-G模型分解性能的关系进行了研究。实验表明,迭代次数越高,MS-G模型的分解性能越好。

图像的能动性与野蛮的艺术史叙述——霍斯特•布雷德坎普“图像学”的启迪

新世纪初,德国艺术史家霍斯特·布雷德坎普(Horst Bredekamp)的一系列图像研究基于作为主体的图像及其行为理论,而致力于一种超越历史的艺术史叙述。他的这一系列研究瓦解或回避了图像的智性结构,回到了图像原本的摇曳状态,由此构织的艺术史叙述亦从既有的稳靠逻辑中脱离出来,进入了一种野蛮的晃动和不确定的移变中。然而,这并没有否定既有的种种智性解释和叙述逻辑,毋宁说它是对于图像和艺术史叙述之生命力的一种扩展。

图像行为理论:一种理解图像的新维度

以语言学研究为基础发展起来的符号学忽略了图像的肉身性,并不完全适用于解释图像。图像行为理论的提出是对再现理论、符号学等理论的超越,它带来人们图像观念的变化。图像行为理论将图像视为有自主行为能力和独立价值的主体,因而图像表现出很强的施为性。于是,图像不再是被动的静观对象,而是能影响观者知觉经验与行动的生产者。