公开(公告)号：CN114140474B

公开(公告)日：2022-06-28

申请号：CN202111445897.5

申请日：2021-11-30

Applicant: 哈尔滨理工大学

Inventor： 于林森 ,  殷旭 ,  李文昊

IPC: G06T7/11 ,  G06N7/00 ,  G06T5/50 ,  G06K9/62 ,  G06V10/762 ,  G06V10/26

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：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

Inventor： 于林森 ,  殷旭 ,  李文昊

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。