导读:本文包含了前景分割论文开题报告文献综述及选题提纲参考文献，主要关键词:叁维重建,自动分割,图割算法,多视图
前景分割论文文献综述
朱正伟,张静,饶鹏,陈忻[1]（2019）在《一种用于叁维重建的多视图前景目标自动分割算法》一文中研究指出基于序列图像的叁维物体重建之前,从图像中分割前景目标可节约大量时间。但传统的分割算法需要通过用户输入来确定前、后景,而基于图像的叁维重建需要大量的图像,造成极大的人工浪费。为此提出一种用于叁维重建的多视图前景目标自动分割算法。对每个图像进行颜色一致性和几何一致性分析,确定前景和后景大致区域,得到初始输入,并以此构建能量方程。使用Graph Cut算法求解方程得到粗略分割结果;使用Matting细化分割边界,得到高质量的分割结果;使用分割后图片重建出物体叁维模型。实验结果表明,该算法可自动分割出多视图图像的前景目标,且具有极高的准确率和良好的边缘。将该算法用于叁维重建的前期图像处理,可大大提高叁维重建的速度。(本文来源于《计算机应用与软件》期刊2019年06期）
姚拓中,左文辉,安鹏,宋加涛[2]（2019）在《渐进式前景更新和区域关联的图像协同分割》一文中研究指出目的图像协同分割技术是通过多幅参考图像以实现前景目标与背景区域的分离,并已被广泛应用于图像分类和目标识别等领域中。不过,现有多数的图像协同分割算法只适用于背景变化较大且前景几乎不变的环境。为此,提出一种新的无监督协同分割算法。方法本文方法是无监督式的,在分级图像分割的基础上通过渐进式优化框架分别实现前景和背景模型的更新估计,同时结合图像内部和不同图像之间的分级区域相似度关联进一步增强上述模型估计的鲁棒性。该无监督的方法不需要进行预先样本学习,能够同时处理两幅或多幅图像且适用于同时存在多个前景目标的情况,并且能够较好地适应前景物体类的变化。结果通过基于iCoseg和MSRC图像集的实验证明,该算法无需图像间具有显着的前景和背景差异这一约束,与现有的经典方法相比更适用于前景变化剧烈以及同时存在多个前景目标等更为一般化的图像场景中。结论该方法通过对分级图像分割得到的超像素外观分布分别进行递归式估计来实现前景和背景的有效区分,并同时融合了图像内部以及不同图像区域之间的区域关联性来增加图像前景和背景分布估计的一致性。实验表明当前景变化显着时本文方法相比于现有方法具有更为鲁棒的表现。(本文来源于《中国图象图形学报》期刊2019年03期）
王秀蜜[3]（2019）在《基于改进随机游走和变换卷积神经网络的同类前景图像集分割研究》一文中研究指出图像分割是数字图像处理和计算机视觉中的一项重要研究,其任务是将图像中包含的前景物体提取出来,从而为图像检索、识别等相关视觉任务奠定了基础。现有的单幅前景分割算法通常基于用户交互展开,而图像集的前景分割算法多基于需大量标注图像训练的深度神经网络进行。虽然相关研究已取得了一定的进展,但由于图像内容的复杂性和多样性,对给定图像集进行前景分割仍是一个极具挑战性的问题。本文旨在研究同类前景图像集的前景分割技术,其基本策略是先交互式分割其中少量样本图像;再构建一种基于变换的卷积神经网络模型,用于学习同类前景之间的各种姿态变换。具体来说,本文研究的主要内容包括以下两方面:(1)融合局部和非局部特征关联的随机游走图像分割算法现有的基于图切割及随机游走的交互式图像分割算法,通常只关注单目标前景的分割,当图像中包含重复前景物体时,这些算法需要对每个目标进行多次交互标记,且分割效果通常欠佳。本文通过引入自然图像中的非局部性原理来改进传统的随机游走分割算法。非局部性原理指出自然图像中存在特征相近的非相邻区域,且这些区域可以相互表示。为此,我们对图像中的非相邻区域之间建立关联表示;进而构建非局部特征关联拉普拉斯矩阵,再与传统随机游走分割算法中构造的局部特征关联拉普拉斯矩阵相结合。利用局部和非局部的综合相关性指导最后的分割过程。.实验表明,传统的随机游走分割算法易在部分图像区域产生伪边界,结合了非局部特征关联的改进算法能够有效改善这一问题。且在分割重复目标时,只需对其中个别目标进行手动标定,减少了交互量。(2)基于变换卷积神经网络的同类前景图像集分割现有的卷积神经网络分割算法存在以下不足.· 1)通常需要提取图像的多级特征图来完成分割,对相似前景之间的几何相关性关注较少;2)模型的训练通常需要大量带有标注的训练集。相关研究表明对图像前景几何特性的预判能够有效提高图像前景匹配和识别率。鉴于此,我们构建了一个对前景姿态变换预判的卷积神经网络分割模型。特点是,训练时的输入是一个4通道图像,前3个通道为原始图像,旨在用来提取各种可用于分割的图像特征;第4个通道为变换掩码,用于估算待分割目标图像前景与训练图像前景之间姿态变化。变换掩码由训练样本的标注图像进行多次仿射和薄板样条变换得到。测试时,假定待测试目标前景的姿态可以由训练样本的前景姿态变化得到,将测试图像与训练样本的标注结合,由网络自动估算样本图像与测试图像之间的姿态变化并输出最终的分割结果。在仿真实验和10组蝴蝶图像数据集上的分割精度统计及实验对比显示,本文方法能够用少量训练样本完成对较大同类前景图像的有效分割。(本文来源于《安徽大学》期刊2019-03-01）
陈亚当,郝川艳[4]（2018）在《动态双边网格实现的视频前景分割算法》一文中研究指出针对视频前景分割技术中前/背景颜色相似、物体遮挡、数据冗余等难点,提出用双边网格的数据结构形式来实现视频前景分割.首先为视频数据构造一个高维的映射空间;然后根据标签数据为空间中每一个节点计算相应的分割值,并采用图割算法进行分割;最后把高维特征空间中的结果降维到当前对应的视频帧中,完成分割.采用DAVIS数据对算法进行实验结果的表明,通过对分割结果的定性分析与定量对比,证明该算法切实可行,并能有效地解决上述问题.(本文来源于《计算机辅助设计与图形学学报》期刊2018年11期）
吴冠辰,詹煜,邓捷[5]（2018）在《一种基于全连接CRF的前景-背景分割方法》一文中研究指出像素级的前景-背景分割通常被当做一个基于条件随机场的能量最小化问题,但是基于的只是局部连接的条件随机场,全连接的条件随机场因为复杂度高而不被采用。通过使用均值场近似技术将邻居节点间的约束转换成低通滤波操作,虽然简化了全连接条件随机场的计算,但也丢失了大量的相关性信息。为了克服这种信息丢失,对临近的像素间的二元约束进行保持,只将空间距离较远的像素间的二元约束转换成低通滤波,并添加了局部的光滑项进行分割边缘约束,然后使用图割算法对最后的能量函数进行优化。实验结果显示,算法由于充分利用了全局约束信息,对具有复杂边缘、细小枝状边缘、凹陷边缘的物体具有较好的分割效果。(本文来源于《四川理工学院学报(自然科学版)》期刊2018年04期）
丁亚峰[6]（2018）在《古建筑照片的前景分割和匹配算法研究》一文中研究指出随着虚拟现实技术的发展及在各个领域的应用普及,叁维重建技术的重要性越来越凸显。基于照片的叁维重建技术是一种重要的方法和手段,它根据单幅或两幅图像的数据恢复出空间点的叁维坐标,重建出叁维场景的几何信息和准确数据。重建出的叁维场景,不单单可以应用于可视化和虚拟漫游,还可以保存并记录复杂的大规模的场景中的真实物体。基于照片序列的叁维点云重建的方法可以应用在文化遗产保护领域,还可以应用在航空航天、人工智能、面部修复和室内场景设计等方面。然而基于照片的叁维重建技术在重建场景或者物体时,难免会出现重建质量和时间效率的问题。本文旨在研究叁维点云重建过程中图像预处理和特征点匹配的相关理论与技术,针对图像预处理阶段中的前景分割算法和特征点匹配过程中去除误匹配方面展开研究:1.提出了一种基于分水岭分割的前景分割算法。现有的前景分割算法大多是基于GMM的前景和背景的分离,而本文算法是在分水岭分割算法的基础上,结合形态学重构和区域相似性度量的思想,首先把彩色图像转化成二值化图像,然后对二值化图像进行形态学重构,消除图像的背景信息。接着利用分水岭算法对古建筑边界分割出轮廓线,再根据区域相似性度量的原则合并过度分割区域,最后利用前景区域分割出前景分割图像。实验仿真结果表明,本文算法可以降低分水岭的过度分割,尤其是在古建筑照片的前景分割具有一定高效性和准确性。2.提出一种基于对极几何约束的RANSAC算法的去除误匹配方法。通过分析SIFT算法,特征描述符的度量方式,RANSAC算法等缺点,从而改进特征点匹配过程去除误匹配点方法。由于SIFT算法生成的少量特征描述符的方向不是唯一的,因此会生成错乱的特征点匹配。特征描述符因为受光照,拍摄角度的问题,也会出现孤立特征描述符,无法做到特征点匹配。本文根据特征点错乱匹配,首先改进特征描述符的度量方式,把欧式距离的相似性度量变换成单应性匹配的度量。对RANSAC算法校正的特征点匹配,加入对极几何约束的思想校正错误的匹配点对,保留正确的匹配点对。实验仿真结果表明,本文算法对前景分割后古建筑图像做特征点匹配,减少特征点匹配的时间和提高算法的效率。(本文来源于《河南大学》期刊2018-06-01）
张晶晶[7]（2018）在《面向步态识别的显着前景分割》一文中研究指出生物特征技术发展,使得计算机可以通过提取步态特征进行步态识别和步态异常检测。但是监控视频里人群之间的相互遮挡会给前景实例分割和跟踪带来很大困难,现有运动目标提取方法无法针对单个目标分割,而通用人体实例分割方法需要大量的训练数据,且仍然存在分割不完整和误分割等问题。而现有技术之所以无法很好地解决这个问题,是因为方法中没有考虑到每个独立的目标在视频下会具有运动的连续性和时空结构的一致性,所以利用这些特性本文提出了面向步态识别的显着前景分割算法。本文主要包括以下几部分内容:首先,介绍了面向步态识别的显着前景分割算法研究中涉及的相关理论工作。主要从运动目标提取、光流场计算、显着性检测、超像素分割和步态识别这五个方面进行简单介绍,说明了这些理论在我们后续工作的适用性和本文中具体使用的算法。其次,针对前人没有考虑视频中移动目标的运动趋势和显着性差异的问题,本文提出了基于运动持续性和显着性结构约束显着前景分割的步态识别算法。本文将视频序列中运动目标的运动持续性和显着性结构一致性引入,实现基于此两者约束的一种将光流聚类、显着性检测相结合的显着前景分割方法。对于运动连续性,我们提出基于光流区域聚类的前景目标概率计算策略,即基于光流特征对区域进行聚类并以区域面积大小为权重计算前景概率,对于显着性结构一致性,则利用显着性检测结果,获得显着性最强的前景目标区域;最后,利用能量最小化模型对具有完整轮廓的显着目标前景进行像素级别上的能量约束优化,从而实现显着目标前景分割,并在此基础上实现步态识别。最后,针对前面所述方法中的显着型结构约束中,没有具体的考虑人体结构的独有特征,提出了基于粗轮廓多特征组合投票显着前景分割算法,并结合基于块的纹理梯度统计自阴影去除方法,更好的完成步态识别。为了提取更准确的运动区域,减除自阴影的影响,在这里本文还提出了一种基于块的纹理梯度统计自阴影去除方法,可以很大程度上去除运动目标脚底阴影区域。人体结构特征如头、四肢、躯干的相对位置,各部分颜色纹理特征保持相对稳定变化较少等,其中,基于粗轮廓多特征组合投票是针对人体轮廓内时空一致性的约束特征,以超像素分割得到的超像素块为基本单位,在时间上,以超像素块的纹理特征用学习到的模板对待分割区域进行投票;在空间上,以超像素块的相邻区域特征用学习到的模板对待分割区域进行投票,这样来获得与模板最相近的目标区域。将这两个方法与前面的运动连续性和显着性结构约束相结合,再进行步态识别,实验结果表明,基于粗轮廓多特征组合投票显着前景分割的步态识别得到了更好的识别效果。(本文来源于《安徽大学》期刊2018-04-01）
李忠海,杨超,梁书浩[8]（2018）在《基于前景判别超像素分割的目标检测跟踪算法》一文中研究指出为改进由目标尺度变化和遮挡情况引起检测不准确的问题。提出在贝叶斯概率下,结合强分类器与超像素分割跟踪方法。利用HOG特征进行AdaBoost目标前景判别,确定搜素区域;在训练阶段,采用SLIC分割与MeanShift聚类形成超像素,计算置信值构造判别外观模型;在跟踪阶段,结合超像素特征池,生成模板直方图与置信图,候选样本采样,生成候选样本置信值,建立生成型外观模型;结合观测模型与运动模型,计算最大后验估计,确定跟踪目标。实验表明,前景判别超像素跟踪算法,能有效地解决目标尺寸变化和遮挡问题。(本文来源于《火力与指挥控制》期刊2018年02期）
薛萍[9]（2017）在《基于超像素特征表示的图像前景背景分割算法》一文中研究指出图像前景背景分割是图像处理中的关键技术,文中提出了基于超像素分类的二值分割算法。对于输入图像,首先采用超像素分割算法,将图像分割成多个保留边缘的封闭区域,即超像素;对每一块超像素,考虑颜色和纹理,构造一种对光照和颜色较为鲁棒的特征,来消除同种物体在光照和颜色差异下的影响;用所得特征训练分类器,判断每块超像素属于前景或背景;最后将超像素分类结果作为初值用图分割的方法进行修正,得到最终的二值分割结果。实验结果显示算法能较好的完成前景背景分割的任务。此外,本算法易于和现有的分类算法相结合,具有较强的可移植性。(本文来源于《西安科技大学学报》期刊2017年05期）
潘成伟,张建国,陈毅松,汪国平[10]（2017）在《利用一致性检验的多图像中前景物体的自动分割》一文中研究指出图像中前景物体的分割具有十分广泛的应用,传统的方法需要借助一定的人工交互来获得前景物体的初始区域,但对于多图像数据集,这种人工交互的方式是十分烦琐的.为此提出一种基于一致性检验的多图像自动前景物体分割的方法.首先借助一定的叁维场景的先验知识在多幅图像之间进行视图转换;然后对图像中的每个像素进行一致性分析,得到初始的前、背景标记结果;最后基于这个初始的标记结果构建相应的能量方程,并进行迭代优化,最终得到前景物体的精确轮廓.实验结果表明,该方法能够准确地检测出图像中前景物体的位置以及提取其轮廓,并能够利用分割的结果进行准确的叁维重建.(本文来源于《计算机辅助设计与图形学学报》期刊2017年06期）
前景分割论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的图像协同分割技术是通过多幅参考图像以实现前景目标与背景区域的分离,并已被广泛应用于图像分类和目标识别等领域中。不过,现有多数的图像协同分割算法只适用于背景变化较大且前景几乎不变的环境。为此,提出一种新的无监督协同分割算法。方法本文方法是无监督式的,在分级图像分割的基础上通过渐进式优化框架分别实现前景和背景模型的更新估计,同时结合图像内部和不同图像之间的分级区域相似度关联进一步增强上述模型估计的鲁棒性。该无监督的方法不需要进行预先样本学习,能够同时处理两幅或多幅图像且适用于同时存在多个前景目标的情况,并且能够较好地适应前景物体类的变化。结果通过基于iCoseg和MSRC图像集的实验证明,该算法无需图像间具有显着的前景和背景差异这一约束,与现有的经典方法相比更适用于前景变化剧烈以及同时存在多个前景目标等更为一般化的图像场景中。结论该方法通过对分级图像分割得到的超像素外观分布分别进行递归式估计来实现前景和背景的有效区分,并同时融合了图像内部以及不同图像区域之间的区域关联性来增加图像前景和背景分布估计的一致性。实验表明当前景变化显着时本文方法相比于现有方法具有更为鲁棒的表现。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
前景分割论文参考文献
[1].朱正伟,张静,饶鹏,陈忻.一种用于叁维重建的多视图前景目标自动分割算法[J].计算机应用与软件.2019
[2].姚拓中,左文辉,安鹏,宋加涛.渐进式前景更新和区域关联的图像协同分割[J].中国图象图形学报.2019
[3].王秀蜜.基于改进随机游走和变换卷积神经网络的同类前景图像集分割研究[D].安徽大学.2019
[4].陈亚当,郝川艳.动态双边网格实现的视频前景分割算法[J].计算机辅助设计与图形学学报.2018
[5].吴冠辰,詹煜,邓捷.一种基于全连接CRF的前景-背景分割方法[J].四川理工学院学报(自然科学版).2018
[6].丁亚峰.古建筑照片的前景分割和匹配算法研究[D].河南大学.2018
[7].张晶晶.面向步态识别的显着前景分割[D].安徽大学.2018
[8].李忠海,杨超,梁书浩.基于前景判别超像素分割的目标检测跟踪算法[J].火力与指挥控制.2018
[9].薛萍.基于超像素特征表示的图像前景背景分割算法[J].西安科技大学学报.2017
[10].潘成伟,张建国,陈毅松,汪国平.利用一致性检验的多图像中前景物体的自动分割[J].计算机辅助设计与图形学学报.2017