-
公开(公告)号：CN118628734B
公开(公告)日：2025-05-16
申请号：CN202410663602.9
申请日：2024-05-27
Applicant: 哈尔滨理工大学
IPC: G06V10/26 , G06V10/764 , G06V20/70
Abstract: 本发明提出一种基于自适应分块与概率重分配的图像分割方法，属于图像分割技术领域。包括：S1.初始化高斯混合模型参数与每个像素的分割类别初始估计值；S2.对待分割图像使用固定形状的滑动窗口进行固定分块划分；S3.将待分割图像转换为灰度图像，计算每个像素邻域范围内的方差，生成每个像素的匹配度向量，选取匹配度向量中最小值的区域块与对应像素建立映射关系和像素‑块区域似然矩阵；S4、得到待分割图像的后验概率及本轮图像分割结果；S5.将待分割图像的后验概率按照像素与区域块的映射关系分配到区域块中的每个像素，对模型参数进行更新；S6.重复S2至S5，直至收敛。本发明有效提升整体分割的准确度和一致性。
-
公开(公告)号：CN104392458B
公开(公告)日：2017-02-22
申请号：CN201410766009.3
申请日：2014-12-12
Applicant: 哈尔滨理工大学
IPC: G06T7/10
Abstract: 基于空间限制邻域混合模型的图像分割方法，属于图像处理领域。为了解决目前在进行图像分割时，采用EM算法求取混合模型参数存在耦合性的问题。所述方法包括如下步骤：步骤一：根据独立混合模型建立空间限制邻域混合模型：首先，从独立混合模型的每个像素位置处，选择一个邻域，由邻域内的先验概率共同决定选择一个模型分量；然后，再由确定的模型分量生成每个像素位置对应邻域内的一组观测值；最后，根据确定的模型分量和生成的观测值，得到空间限制邻域混合模型的似然函数；步骤二：利用图像的像素的视觉观测值，求得空间限制邻域混合模型的模型参数；步骤三：利用所得的空间限制邻域混合模型的模型参数，获取分割后的图像。本发明用于图像分割。
-
公开(公告)号：CN105740867A
公开(公告)日：2016-07-06
申请号：CN201610052476.9
申请日：2016-01-26
Applicant: 哈尔滨理工大学
Abstract: 图像纹理窗口形状与尺度的选择方法，属于图像处理领域。为了解决采用固定纹理窗口提取纹理特征时存在边缘定位误差和纹理描述的冗余问题。所述选择方法包括：将待处理图像分成多个图像分块，对每个图像分块进行纹理窗口形状与尺度的选择，包括：对每个图像分块，建立图像生成的混合概率模型，每个纹理窗口对应混合概率模型的一个混合分量；采用期望最大化算法，求取混合概率模型参数的极大似然估计值，确定每个像素针对不同混合分量的后验概率；根据确定的每个像素针对不同混合分量的后验概率，按照最大后验概率对像素进行分类，每个类别形成一个纹理窗口，即：获得纹理窗口的形状与尺度。本发明应用于图像纹理的提取与描述领域。
-
公开(公告)号：CN106991676B
公开(公告)日：2019-09-24
申请号：CN201710221056.3
申请日：2017-04-06
Applicant: 哈尔滨理工大学
Abstract: 本发明提供一种减少迭代运算量、加快融合速度的局部相关的超像素融合方法，属于图像处理中的图像分割领域。本发明以像素为基本的融合单位，增强像素之间的局部相关性，通过像素间的交互进而实现超像素的融合。在像素的融合过程中，将超像素的划分作为先验指导信息，确保超像素内的像素具有相同的类别属性，在增加邻近像素之间相关性的同时，保持物体区域之间的边缘判别能力。通过超像素的融合，对每个融合区域获得语义特征空间，根据相关性进行相应融合；在对单像素的分类过程中，将其转换到不同的语义空间中，按照视觉侧重点的不同计算像素到聚类中心的距离，提高像素类别归属的可靠性。最后根据原始分辨率下的超像素的标记，实现超像素的融合。
-
公开(公告)号：CN109872339A
公开(公告)日：2019-06-11
申请号：CN201910053973.4
申请日：2019-01-21
Applicant: 哈尔滨理工大学
IPC: G06T7/12
Abstract: 为了解决邻近像素观测值共生似然函数模型，在图像的边缘区域可能导致的误分割问题，本发明提供一种局部相关的加权共生图像分割方法，属于图像处理领域。本发明包括：S1、构建局部相关的单像素宽、不同方向的邻域共生高斯混合模型；S2：获取待分割图像的分割权重：S21、利用待分割图像的像素视觉观测值，求取构建的邻域共生高斯混合模型的模型参数，以及获取不同方向邻域共生高斯混合模型的类别标注结果；S22、根据不同方向的类别标注结果，获取分割权重；S3、利用S22获取的权重，构建加权的局部相关邻域共生高斯混合模型，利用待分割图像的视觉观测值，获取该加权的局部相关邻域共生高斯混合模型的参数值，以及获取图像分割结果。
-
Patent Agency Ranking
公开(公告)号：CN105740867B
公开(公告)日：2018-11-09
申请号：CN201610052476.9
申请日：2016-01-26
Applicant: 哈尔滨理工大学
Abstract: 图像纹理窗口形状与尺度的选择方法，属于图像处理领域。为了解决采用固定纹理窗口提取纹理特征时存在边缘定位误差和纹理描述的冗余问题。所述选择方法包括：将待处理图像分成多个图像分块，对每个图像分块进行纹理窗口形状与尺度的选择，包括：对每个图像分块，建立图像生成的混合概率模型，每个纹理窗口对应混合概率模型的一个混合分量；采用期望最大化算法，求取混合概率模型参数的极大似然估计值，确定每个像素针对不同混合分量的后验概率；根据确定的每个像素针对不同混合分量的后验概率，按照最大后验概率对像素进行分类，每个类别形成一个纹理窗口，即：获得纹理窗口的形状与尺度。本发明应用于图像纹理的提取与描述领域。
-
公开(公告)号：CN119625312A
公开(公告)日：2025-03-14
申请号：CN202411751641.0
申请日：2024-12-02
Applicant: 哈尔滨理工大学
IPC: G06V10/26 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于原型网络的小样本图像语义分割方法，属于图像语义分割技术领域。解决了现有技术中传统的小样本图像语义分割方法因掩码平均池化操作导致的图像空间信息丢失过多的问题；本发明通过预训练的神经网络提取输入的支持图像和查询图像的特征，得到支持图像特征和查询图像特征，对指定的小样本图像语义分割数据集提取图片特征，通过KMeans算法生成广义类别标签；提取广义原型向量，通过广义原型向量对查询图像特征进行增强，得到最终的增强后的特征；引入分割模型，输入最终的增强后的特征进行解码，生成特征图像输入分类器，得到分割结果。本发明有效提升了小样本图像语义分割准确性，可以应用于小样本图像语义分割。
-
公开(公告)号：CN114140474A
公开(公告)日：2022-03-04
申请号：CN202111445897.5
申请日：2021-11-30
Applicant: 哈尔滨理工大学
IPC: G06T7/11 , G06N7/00 , G06T5/50 , G06K9/62 , G06V10/762
Abstract: 一种多尺度分块贝叶斯图像分割方法，解决如何降低ICM方法对噪声的敏感度，以及如何提高像素之间的局部相关性的问题，属于图像处理领域。本发明包括：对待分割图像采用多尺度分割模式，每个分割尺度对应一个层次，共进行L+1次分层，每个分块内像素观测值服从高斯分布：上层对图像采用大尺度、大分块的粗分辨率处理方式，随着层次的降低，分块的尺寸缩小，在每层分块交互混合的参数学习后，直接作为下一层参数学习的初始值，而位于区域边缘，划分不合理区域的参数学习，则交给下一层，通过重新划分的缩小尺度的分块完成，随着层数的降低，分割的边缘区域会逐步细化，第0层图像中每个分块的类别估计值最为分割结果输出。
-
公开(公告)号：CN106991676A
公开(公告)日：2017-07-28
申请号：CN201710221056.3
申请日：2017-04-06
Applicant: 哈尔滨理工大学
Abstract: 本发明提供一种减少迭代运算量、加快融合速度的局部相关的超像素融合方法，属于图像处理中的图像分割领域。本发明以像素为基本的融合单位，增强像素之间的局部相关性，通过像素间的交互进而实现超像素的融合。在像素的融合过程中，将超像素的划分作为先验指导信息，确保超像素内的像素具有相同的类别属性，在增加邻近像素之间相关性的同时，保持物体区域之间的边缘判别能力。通过超像素的融合，对每个融合区域获得语义特征空间，根据相关性进行相应融合；在对单像素的分类过程中，将其转换到不同的语义空间中，按照视觉侧重点的不同计算像素到聚类中心的距离，提高像素类别归属的可靠性。最后根据原始分辨率下的超像素的标记，实现超像素的融合。
-
公开(公告)号：CN118628734A
公开(公告)日：2024-09-10
申请号：CN202410663602.9
申请日：2024-05-27
Applicant: 哈尔滨理工大学
IPC: G06V10/26 , G06V10/764 , G06V20/70
Abstract: 本发明提出一种基于自适应分块与概率重分配的图像分割方法，属于图像分割技术领域。包括：S1.初始化高斯混合模型参数与每个像素的分割类别初始估计值；S2.对待分割图像使用固定形状的滑动窗口进行固定分块划分；S3.将待分割图像转换为灰度图像，计算每个像素邻域范围内的方差，生成每个像素的匹配度向量，选取匹配度向量中最小值的区域块与对应像素建立映射关系和像素‑块区域似然矩阵；S4、得到待分割图像的后验概率及本轮图像分割结果；S5.将待分割图像的后验概率按照像素与区域块的映射关系分配到区域块中的每个像素，对模型参数进行更新；S6.重复S2至S5，直至收敛。本发明有效提升整体分割的准确度和一致性。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.036 seconds)
