改进的K-Means和Grabcut相结合的壁画分割方法

在壁画数字化保护的过程中,壁画分割作为其中一重要流程,运用得当有利于壁画的后期修复工作。文章针对壁画的分割问题,提出一种K-Means和Grabcut算法结合的模型。首先对壁画进行去噪、平滑处理,然后确定K-Means算法的k值和聚类中心,进行预分割,最后利用GrabCut算法完成最终分割。通过利用真实古代壁画图像进行实验,既从直观的聚类效果和分割的视觉效果进行对比,也从量化指标峰值信噪比、过分割率、欠分割率进行对比,结果表明,文章提出的算法针对噪声的鲁棒性更强,分割结果的准确度更高,比经典的三类基准算法性能更优,能够对壁画图像进行有效分割。

基于Grabcut分割和填充物面积判别的复合绝缘子断串诊断

针对传统GrabCut算法需要人工初始化而引起图像分割效率低的问题,结合Otsu方法,提出了一种新的Grabcut自动化算法对复合绝缘子进行分割。首先,对原始图像进行HSV空间转换和加权的灰度化处理。其次,对V通道图像和灰度化后的图像进行Otsu分割并进行或逻辑融合,以此来确定目标绝缘子区域,并结合最大连通域定位绝缘子位置坐标完成Grabcut框取初始化,实现Grabcut的自动化。最后,针对绝缘子断串判别准确率低的问题,通过对绝缘子分割图像的最小外接矩形加框、填充、去原图的方式,提出一种新的面积判别方式来诊断并定位故障位置。实验结果表明:Grabcut自动化算法可以很好地分割出目标绝缘子,分割准确率可以达到96.6%以上。所提出的面积判别方法对于具有断串故障的绝缘子检测率可以达到96.6%以上,对于无故障的误检率为6.7%以下。

基于融合显著图与GrabCut算法的水下海参图像分割

为实现海参捕捞和海参疾病诊断的自动化,应先解决真实养殖环境下海参的图像目标分割问题。为此提出一种融合显著图模型和GrabCut算法的水下海参图像分割方法。该方法改进了传统的GrabCut算法,通过对单尺度Retinex算法分析,对水下图像进行增强,结合基于区域对比度的显著性区域检测方法和直方图均衡的方法,得到海参区域图像的部分前景和可能的背景,并以此初始化GrabCut算法的掩膜,最后进行GrabCut算法迭代,得到图像目标分割结果。通过与Otsu法、分水岭法、传统GrabCut算法对比分析表明:所提方法能够准确分割出图像中海参目标,并能克服背景噪声,保留目标图像细节,算法正确分割率达到90.13%,满足海参图像目标分割的需要。

基于GrabCut分割和自动采样的敦煌壁画色彩修复

在充分考虑敦煌壁画自身颜色复杂、线条富于变化以及很难找到质地相近的源图像等因素的基础上,首次采用GrabCut分割算法对颜料化学反应而引起色变的敦煌壁画进行分割和自动采样色彩传递将其修复.在具体操作中,首先采用GrabCut分割算法将色变敦煌壁画中变色和褪色区域进行分割,然后从壁画未色变的区域中采取样本块作为源图,并将其色彩传递分割图.实验结果表明:将GrabCut分割算法和自动采样色彩传递技术相结合的方法适合于色变敦煌壁画的修复,且修复结果令人满意.

基于三次样条插值的GrabCut自动目标分割算法

针对基于图像序列的物体三维模型重建时目标分割需要人机交互且速度慢的问题,提出了基于三次样条插值的GrabCut自动目标分割算法。首先采用三次样条插值对图像进行降采样预处理;然后对采样图像进行背景差分实现目标区域的自动框选,取代GrabCut算法的交互窗口,进行目标分割,再对分割出的目标轮廓进行三次样条升采样插值恢复原目标轮廓;最后定义了行方差差异函数,以主流图像处理软件Photoshop分割结果为参照标准,对不同算法分割的结果进行了精度评估对比。实验结果表明,提出的算法可实现图像的自动分割,且速度快、精度高、鲁棒性强。

基于深度交叉CNN和免交互GrabCut的显著性检测

针对传统显著性检测算法特征学习不足,显著性区域边界不明确和检测效果鲁棒性较差等问题,提出一种基于深度交叉卷积神经网络和免交互Grab Cut的显著性检测算法。该方法首先针对传统CNN模型中神经元和参数规模较大导致训练困难的不足,根据人眼视觉原理,构建深度交叉卷积神经网络模型(DCCNN);然后,采用超像素聚类方法获取图像区域特征,并通过Beltrami滤波突出图像内的边界特征,利用DCCNN对特征进行学习,在联合条件随机场框架下完成特征融合,实现显著性区域粗糙检测;最后,对粗糙检测结果自适应二值化和形态学膨胀,将显著区域的多边形逼近结果作为Grab Cut算法的输入,完成显著性区域的精确检测。实验结果表明所提算法能够有效提高显著性检测精度,具有更好的鲁棒性和普适性。

一种新的基于SLICO改进的GrabCut彩色图像分割算法

针对Grab Cut基于像素建立图模型并进行迭代求解耗时的特点,提出了一种新的基于SLICO改进的Grab Cut分割新算法。首先用户在图像目标区域手动划定一个矩形框,然后在CIELab颜色模型下利用SLICO算法将图像预处理成内部颜色一致的超像素图,利用这些超像素来构建图模型,并用这些超像素均值迭代估计高斯混合模型(GMM)参数。在参数估计中,采用背景区域优化技术,显著减少迭代时的节点数量,并减少矩形框外颜色的干扰,最后利用最小割(min-cut)算法求得图模型的最优分割。实验结果表明了该算法在精度和速度上都有很好的性能。

基于GrabCut改进的图像分割算法

针对GrabCut算法对于局部噪声敏感、耗时且提取边缘不理想等缺点,提出一种基于GrabCut改进的图像分割新算法。采用多尺度分水岭对梯度图像平滑去噪;对新梯度图像再次进行分水岭运算,不仅增强了图像的边缘点,还减少了后续处理的计算量;再用熵惩罚因子优化分割能量函数,抑制了目标信息的损失。实验结果表明,所提算法同传统算法的分割结果相比较,降低了错误率,增大了Kappa系数,提高了运行效率,并且,提取的边缘也更完整、平滑,适用于不同类型的图像分割。

GrabCut彩色图像分割算法的研究

GrabCut算法是一种高效的前景背景分割算法。传统分割算法应用纹理或边界信息中的一种进行分割,而GrabCut算法综合利用了纹理及边界两种信息进行图像分割。GrabCut算法是对Graphcuts算法的改进,具有分割精度高,交互式操作少的优点,并将分割从灰度图像推广到了彩色图像领域,是一种比较有前途的交互式分割算法。该算法用在静态图像编辑中的图片背景更换,取得了很好的效果。

基于快速收敛Grabcut的目标提取算法

为了加快Grabcut算法的收敛速度,提出了一种降低原图像分辨率以加快收敛速度的算法。该方法将原始图像的分辨率降低,在缩小图像上迭代Grabcut算法,使得收敛速度得到极大地加快。将收敛获得的目标区域作为原始图像初始值,并再次使用Grabcut算法,从而获得了目标的细节信息。从理论上证明了在降低分辨率图像上使用Grabcut算法,其Gibbs能量单调递减方向与在原图像上一致。同时实验结果表明了该算法收敛速度快,且目标提取的效果和原始的Grabcut算法相当。

改进的GrabCut方法在舌诊系统中的应用

数字舌象图片的正确分割是实现计算机中医舌诊自动化系统的重要前提,为了高效而准确地分割出舌象,提出了一种基于四叉树与GrabCut的舌象分割方法。该方法首先利用四叉树分解对采集的舌象初分割,然后用相似区域的颜色均值优化GrabCut算法中高斯混合模型参数,最终完成舌象分割。实验结果表明:该算法使得舌象分割效率大大提高,具有很好的实用性。

融合GrabCut的粒子滤波目标跟踪算法

为提高对复杂背景下形态剧烈变化目标的跟踪鲁棒性与跟踪精度,本文以粒子滤波为跟踪框架,改进并融合Grab Cut目标分割技术。首先,采用J.Kwon等人提出的多特征、多帧混合模板作为粒子滤波的观测模型,构建粒子滤波跟踪框架。然后,改进Grab Cut分割算法并提出多方向Grab Cut目标分割算法,将其融入粒子滤波跟踪框架,进而提出本文的目标跟踪算法。实验结果表明,本文算法可对处于复杂背景下且形态剧烈变化的目标实现稳定跟踪,目标平均尺寸为70pixel×75pixel时跟踪平均误差为9.27 pixel。

一种GrabCut分割边缘的优化方法

针对GrabCut分割精度不够以及边缘不平滑的问题,提出一种目标边缘优化方法.首先使用GrabCut算法获取目标的α掩像,然后对α掩像进行形态学处理而获取目标边缘区域,再将目标边缘区域内的像素与已知的绝对背景和绝对前景的部分像素进行颜色信息比较,根据比较结果重新分割边缘区域像素,最后对重新分割的目标边缘进行平滑处理.实验结果表明,本文的方法对边缘分割的精准性和平滑度都优于GrabCut算法.

基于改进GrabCut算法的黄瓜植株图像分割

植物图像的自动分割是植物表型研究的热点问题,也是作物生长过程监测、病虫害识别等应用的核心技术之一。以黄瓜为对象,通过对图像中作物与背景特点的分析,选取EXG超绿分割和GrabCut算法进行试验研究;基于EXG超绿分割和GrabCut算法在黄瓜群体图像上的分割结果及这两种算法的优缺点,提出具有更高分割精度的改进算法。用室内室外不同生长时期的黄瓜植株图像进行试验,温室内图像和室外自然光照图像的平均分割精度分别达到96.56%和96.59%,均优于EXG超绿分割和GrabCut算法。同时表明,本文的改进算法适应性更强,具有较好的鲁棒性。

基于显著性检测和Grabcut算法的茶叶嫩芽图像分割

人工采茶存在效率低下、人工成本高等问题,机械采茶取代人工采茶成为一种重要的采茶方式,针对机械采茶中自然背景茶叶嫩芽分割效率问题,提出了一种自然背景下的茶叶嫩芽图像分割算法.利用显著性检测算法提取出图像中的突出目标作为显著性图,结合GrabCut算法精确的分割出突出的对象.实验结果表明,该图像分割算法对于背景复杂且目标与背景对比不明显的茶叶图像具有良好的分割效果,这为机械手采茶提供了一种新的方法.

复杂背景下目标树叶自动分割的GrabCut算法

针对传统Grab Cut算法需要人机交互且难以在复杂背景或光照不均匀时准确分割目标树叶的缺点,提出一种基于Grab Cut算法的复杂背景下或光照不均匀时目标树叶的自动分割算法.该算法利用模糊高斯混合模型(FGMM)和图像的颜色信息对原始图像进行标记,以实现自动分割:首先选取合适的模糊因子,利用模糊高斯混合模型对图像像素进行一次标记;在一次标记的基础上再结合超绿算法(EXG)选取合适的阈值对图像像素进行二次标记;最后将二次标记图像作为Grab Cut算法的初始化图像,从而实现目标树叶的自动分割.比较了Photoshop软件人工抠图、OTSU算法、Grab Cut算法、本文算法的有效性及Grab Cut算法、本文算法的错分率,结果表明:本文算法可以实现复杂背景下或光照不均匀时目标树叶的自动分割,且平均错分率达到1.625%.

基于卷积姿态机和GrabCut的服装图像轮廓分割方法

GrabCut在服装图像分割中得到广泛应用,为解决GrabCut需要人工干预以及复杂背景下精度不高的问题,提出了一种基于卷积姿态机(Convolutional Pose Machines)和GrabCut的服装图像分割方法。借助卷积姿态机,使用包含服装的图片数据进行训练,得到卷积姿态机网络,从复杂背景中定位出服装关键点,形成包含服装的矩形框,并以此作为GrabCut算法的初始矩形框,经过GrabCut算法处理,从复杂背景分割出服装图像。结果证明:与传统需要人工干预的GrabCut方法相比,本方法无需人工干预,便可将复杂背景中的服装图像自动分割出来,在不损失精确度的基础上,可实现大批量服装图像的自动分割。

融合深度信息的Grabcut自动图像分割

Grabcut是一种准确度很高的图像分割方法,但是当图像中存在前背景颜色相近、阴影或低对比度区域时,仅利用颜色、纹理等信息难以准确分割感兴趣区域,而深度信息中包含了这些信息所没有的物体相对前后位置的信息.鉴于此,本文在用显著性实现Grabcut自动分割的基础上,融合了深度信息,提高了算法的分割准确度.为了充分利用深度和显著信息,依次从两方面进行了改进:以深度信息指导的显著图来提取Grabcut矩形框;将深度和显著信息通过自适应权重结合到Grabcut的颜色模型中,改进原算法的能量公式.实验表明,与当前主流算法对比,本文算法更有效地结合了深度信息,提高了分割算法的准确性.

融合彩色信息和深度信息的GrabCut图像分割

图像分割是计算机视觉的重要组成部分,但大多数图像分割工作主要集中在二维图像的处理上,故结合深度信息和GrabCut算法提出一种新的分割方法。为了准确地分割出目标物体,利用物体深度信息的同时提出一种基于背景和前景先验的GrabCut图像分割方法。融入深度信息,选择深度特征结合流形排序算法来构造图模型;为了进一步突出目标对象,抑制背景区域,分别利用背景先验和前景先验,生成相应的显著图,将二者融合并进行优化得到最终待处理图像;以深度信息指导GrabCut算法进行精分割,得到分割结果。实验结果表明,该方法能够较为准确地分割出目标对象。

结合显著性和超像素改进的GrabCut图像分割

Grab Cut是一种快捷准确的交互式图像分割方法。但是,当待处理图像复杂度较大时,用户很难有效的标注矩形框,而且运算时间较长。针对以上问题,提出了一种改进的Grab Cut算法。该算法通过视觉显著性实现矩形框的自动标注,与超像素的结合有效的减少了分割算法的时间。首先,通过一种结合改进超像素的流形排序算法来得到显著性图,并进一步得到目标的矩形框,然后用改进的超像素来构建Grab Cut图割模型,最后,进行参数迭代估计从而得到分割图像。实验表明,本文提出的方法在保证Grab Cut算法精度的前提下,实现了自动分割,并有效的减少了分割时间。