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。

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。

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.

基于双目视觉的纸箱尺寸测量立体匹配方法研究

针对智能仓库物资自动化出入库流程,对于储存于纸箱中物资的出入库,需进行纸箱尺寸测量、纸箱拆解、物资倾倒、物资拣选等任务,因此首先应对纸箱进行无人化尺寸测量,提出自适应GrabCut的SGBM改进算法,实现纸箱尺寸自动测量。该方法首先完成双目相机的标定,利用NLM算法对采集的图片进行去噪处理,完成纸箱图片的立体校正,采用NCC、SGBM、AD-Census三种立体匹配算法得到纸箱的视差图,在分析其效果的基础上,提出基于模板匹配自适应GrabCut的SGBM改进算法用于纸箱立体匹配并得到其尺寸信息。实验结果表明,改进算法可以实现纸箱尺寸信息的精确测量,尺寸误差小于10mm,满足实际的生产要求。

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。

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。

改进的GrabCut算法木材表面缺陷图像分割试验

试验采用传统GrabCut算法和改进的GrabCut算法,针对单目标、多目标、复杂背景下多目标的木材表面缺陷图像进行多组对比实验。结果表明:改进后的GrabCut算法,针对木材表面的缺陷图像分割进行了优化,能有效改进传统GrabCut算法中的欠分割和过分割、易受区域凹凸纹理的干扰等缺点,而且分割各类木材表面缺陷图像时都能取得较好的效果。说明改进后的GrabCut算法具有其优势和可行性。

基于GrabCut的肝脏CT影像分割技术研究与实现

针对基于灰度的肝脏分割方法对于噪声敏感,对低对比度图像鲁棒性不高且不能对分割结果进行微调的问题,基于GrabCut算法使用Python语言实现了一种半自动肝脏分割方法。实验表明该方法仅仅需要简单的交互即可实现对肝脏的精确分割,具有较高使用价值。

Grabcut算法在无人机影像船舶目标识别的应用

近年来,基于无人机的海上探测与侦察技术获得了迅速发展,利用无人机进行海上船舶目标的识别已经成为一项热点研究,基于图像的目标识别也是其中的重点和难点。传统的图像分割包括边缘检测、聚类分割等,本文结合Grabcut算法和卷积神经网络技术,开发一种新型船舶影响目标识别技术,在提高图像目标识别效率的基础上也提高了目标识别的精度,具有实际应用价值。

基于SLIC的GrabCut减小姿态搜索空间算法

针对人体的高自由度导致姿态估计过程中搜索空间过大的问题,提出一种基于简单线性迭代聚类(SLIC)超像素算法的Grab Cut减小姿态空间算法。运用SLIC算法对图像进行超像素分割,以超像素作为s-t图中的节点构建图模型,利用超像素区域的颜色特征平均值作为该区域内每个像素的特征值,分别为前景和背景超像素建立混合高斯模型,迭代更新高斯参数,运用最小割算法完成前景提取,并在得到的前景区域中进行后续的姿态估计。实验结果表明,基于SLIC的Grab Cut与基于Grab Cut的减小搜索空间算法在运行时间和姿态估计准确度上均有较大程度提升。

基于显著性的Grabcut图像分割方法

传统Grabcut算法需要人工交互,在图像前景和背景颜色相似时容易产生错误分割的问题。为此,结合显著性测量和Grabcut算法,提出一种新的图像分割方法。改良显著性的度量方法以获得较好的显著图,进而将显著图转换成约束项加入到Grabcut的区域项中,从而提高区域项的可靠性,利用显著图代替人工交互初始化Grabcut,实现Grabcut自动分割,并减少其在图像前景和背景颜色相似时的错误分割。实验结果表明,与传统的Grabcut算法和显著性检测方法相比,该方法可以获得较好的图像分割结果。

基于GrabCut改进算法的服装图像检索方法

为了消除服装图像背景的影响,针对目前的GrabCut算法存在对图像局部像素值的变化敏感、时间开销大、边缘不准确等问题,提出了改进的GrabCut算法。在改进算法中,通过对梯度图像使用多尺度分水岭去噪增强了图像的边缘信息,减少了后续处理的计算量;通过采取熵惩罚因子最优能量函数减少了检索图像的有效信息丢失。将改进后的GrabCut算法引入基于内容的服装图像检索系统中,实验结果表明与同类方法相比,所提方法在检索显示准确性以及检索的平均查准率和查全率方面均有明显的提升。

基于GrabCut算法的玉米病害图像识别方法研究

GrabCut算法是一种交互式操作少、分割精度高的图像分割方法,但是对于前背景颜色相近或低对比度的区域时难以准确分割前景区域。鉴于此,在实现GrabCut算法的自动分割的基础上,融合基于显著性的SLIC算法来对玉米病害图像进行更好的目标识别和图像分割。以玉米小斑病、大斑病和灰斑病三种病害的图像作为样本,采用融合显著信息的GrabCut算法与相同样本数量和条件下的One-Cut算法和SLIC算法进行试验和对比分析。试验表明,同其他两种算法相比,本文算法对于试验中玉米的三种病害具有更好的分割精度,对于玉米的叶鞘、茎和叶片部分的图像丢失率能够保持在1%以下,分别为0.899%、0.229%和0.914%,对于玉米病害部分能够进行有效地提取,具有较好的分割效果,对于玉米小斑病、大斑病和灰斑病的识别率上能够达到91.67%、86.36%和72.00%,同时通过训练模式进行验证,识别率分别能够达到87.2%、82.4%和83.6%,拒识率分别为4.5%、6.7%和6.3%。

基于改进GrabCut的绝缘子缺陷检测

为有效检测复杂环境下绝缘子的掉串故障,提出一种基于改进GrabCut的绝缘子缺陷检测方法。将图像的位置信息与显著性信息融入GrabCut模型,通过位置信息初始化GrabCut模型实现图像自动分割,显著性信息参与约束的混合高斯模型,改善图像的分割效果,采用形态学处理法进行故障定位,提升复杂环境下对故障的辨识能力。实验结果表明,该方法在复杂背景下具有良好的分割效果,能有效检测故障绝缘子,具有较强的鲁棒性。

一种改进的基于SLIC的自适应GrabCut算法

图像分割是对图像进行分析的关键步骤,是图像识别和计算机视觉至关重要的预处理过程,也是计算机视觉的基础技术之一。计算复杂度是判断图像分割算法好坏的重要标准,降低算法复杂度是当前图像分割领域的主要任务之一。针对GrabCut算法计算复杂度高、耗时长等缺点,提出了一种改进的基于简单线性迭代聚类(SLIC)的自适应GrabCut算法。通过激光雷达获取用户交互信息,采用阈值法得到包含目标的外截矩形框,并将其设为感兴趣区域,然后采用SLIC算法对感兴趣区域作预处理,最终构建精简的GraphCut网络图并进行图像分割。试验结果证明,该算法缩小了SLIC预处理的图像区域,减少了图的节点数,降低了错误率,提高了目标边缘信息提取的精确度。

结合显著性的GrabCut及在骨髓细胞图像分割中的应用

针对传统GrabCut算法需要用户交互缺点,提出一种基于上下文感知显著性的GrabCut的改进的图像分割算法.首先用上下文感知得到待分割图像的显著图,然后由二值化的显著图确定GrabCut算法的初始化区域,再通过迭代使能量函数最小化分割出目标,算法应用于骨髓细胞图像分割上.实验结果表明,此算法能避免以往细胞分割算法如支持向量机、K-Means等参数调整问题,总体误差率较低,自动化程度高,鲁棒性强.

背景自适应的GrabCut图像分割算法

图割用于图像分割需用户交互,基于激光雷达传感器,提出了阈值法得到目标的外截矩形,再映射到图像完成交互.针对GrabCut算法耗时、对局部噪声敏感和在复杂背景提取边缘不理想等缺点,提出了背景自适应的GrabCut算法,即在确定背景像素中选取可能目标像素邻近的一部分像素作为背景像素,使背景变得简单,尤其适用于前景像素在整幅图中所占比例较小和在目标像素周围的背景相对简单的情况.实验结果表明,所提算法与GrabCut算法相比,减少了图的节点数,降低了错误率,有效的提高了运行效率,提取的目标边缘信息更加完整、平滑.