积分商城

最新搜索： lksmc08 ME32 vs20 SM470 mfc 单片机
您现在的位置是：首页 > 技术资料 > 基于内容的图像分割方法综述
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于内容的图像分割方法综述

更新时间：2019-12-23 23:47:24 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：图像分割 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

图像分割是指将图像分成若干具有相似性质的区域的过程,是许多图像处理任务的预处理步骤.近年来,国内外学者主要研究基于图像内容的分割算法.在广泛调研大量文献和最新成果的基础上,将图像分割算法分为基于图论的方法、基于像素聚类的方法和语义分割方法这3种类型并分别加以介绍.对每类方法所包含的典型算法,尤其是最近几年利用深度网络技术的语义图像分割方法的基本思想、优缺点进行了分析、对比和总结.介绍了图像分割常用的基准数据集和算法评价标准,并用实验对各种图像分割算法进行对比.最后进行总结,并对未来可能的发展趋势加以展望.


部分文件列表

文件名 大小
基于内容的图像分割方法综述.pdf 2M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
软件学报 ISSN 1000-9825, CODEN RUXUEW  
Journal of Software,2017,28(1):160−183 [doi: 10.13328/j.cnki.jos.005136]  
©中国科学院软件研究所版权所有.  
E-mail:  
Tel: +86-10-62562563  
基于内容的图像分割方法综述∗  
1,2,3  
1,2  
1,2,4  
1,2  
1,2  
1,2  
姜
枫
,
顾
庆
,
郝慧珍  
,
李
娜
,
郭延文  
,
陈道蓄  
1(计算机软件新技术国家重点实验室(南京大学),江苏 南京 210023)  
2(南京大学 计算机科学与技术系,江苏 南京 210023)  
3(南京理工大学泰州科技学院 移动互联网学院,江苏 泰州 225300)  
4(南京工程学院 通信工程系,江苏 南京 211167)  
通讯作者: 顾庆, E-mail:  
摘
要: 图像分割是指将图像分成若干具有相似性质的区域的过程,是许多图像处理任务的预处理步骤.近年来,  
国内外学者主要研究基于图像内容的分割算法.在广泛调研大量文献和最新成果的基础上,将图像分割算法分为基  
于图论的方法、基于像素聚类的方法和语义分割方法这 3 种类型并分别加以介绍.对每类方法所包含的典型算法,  
尤其是最近几年利用深度网络技术的语义图像分割方法的基本思想、优缺点进行了分析、对比和总结.介绍了图像  
分割常用的基准数据集和算法评价标准,并用实验对各种图像分割算法进行对比.最后进行总结,并对未来可能的发  
展趋势加以展望.  
关键词: 图像分割;图论;聚类;语义分割;深度神经网络  
中图法分类号: TP391  
中文引用格式: 姜枫,顾庆,郝慧珍,李娜,郭延文,陈道蓄.基于内容的图像分割方法综述.软件学报,2017,28(1):160−183. http://  
英文引用格式: Jiang F, Gu Q, Hao HZ, Li N, Guo YW, Chen DX. Survey on content-based image segmentation methods. Ruan  
Jian Xue Bao/Journal of Software, 2017,28(1):160−
Survey on Content-Based Image Segmentation Methods  
JIANG Feng1,2,3  
,
GU Qing1,2  
,
HAO Hui-Zhen1,2,4  
,
Li Na1,2  
,
GUO Yan-Wen1,2  
,
CHEN Dao-Xu1,2  
1(State Key Laboratory for Novel Software Technology (Nanjing University), Nanjing 210023, China)  
2(Department of Computer Science and Technology, Nanjing University, Nanjing 210023, China)  
3(College of Mobile Internet, Taizhou Institute of Science & Technology, Nanjing University of Science and Technology, Taizhou 225300,  
China)  
4(Department of Communication Engineering, Nanjing Institute of Technology, Nanjing 211167, China)  
Abstract: Image segmentation is the process of dividing the image into a number of regions with similar properties, and it’s the  
preprocessing step for many image processing tasks. In recent years, domestic and foreign scholars mainly focus on the content-based  
image segmentation algorithms. Based on extensive research on the existing literatures and the latest achievements, this paper categorizes  
image segmentation algorithms into three types: graph theory based method, pixel clustering based method and semantic segmentation  
method. The basic ideas, advantage and disadvantage of typical algorithms belong to each category, especially the most recent image  
∗ 基金项目: 国家自然科学基金(61373012, 91218302, 61321491, 61373059); 江苏省高校自然科学研究项目(15KJB520016); 江  
苏省自然科学基金(BK20150016)  
Foundation item: National Natural Science Foundation of China (61373012, 91218302, 61321491, 61373059); Natural Science  
Foundation of the Higher Education Institutions of Jiangsu Province, China (15KJB520016); Natural Science Foundation of Jiangsu  
Province (BK20150016)  
收稿时间: 2016-06-16; 修改时间: 2016-09-07; 采用时间: 2016-09-29; jos 在线出版时间: 2016-11-04  
CNKI 网络优先出版: 2016-11-04 14:29:23, http://www.cnki.net/kcms/detail/11.2560.TP.20161104.1429.001.html  
姜枫 等:基于内容的图像分割方法综述  
161  
semantic segmentation algorithms based on deep neural network are analyzed, compared and summarized. Furthermore, the paper  
introduces the datasets which are commonly used as benchmark in image segmentation and evaluation criteria for algorithms, and  
compares several image segmentation algorithms with experiments as well. Finally, some potential future research work is discussed.  
Key words: image segmentation; graph theory; clustering; semantic segmentation; deep neural network  
图像分割是指根据一定的相似性准则将图像划分成不同区域的过程,是计算机视觉、图像处理等领域的基  
础性问题之一,是图像分类、场景解析、物体检测、图像 3D 重构等任务的预处理.其研究从 20 世纪 60 年代开  
始,至今仍然是研究的热点之一,并且被广泛应用于医学影像分析、交通控制、气象预测、地质勘探、人脸与  
指纹识别等诸多领域.  
图像分割的任务是将一幅图像划分为互不相交的连通区域,其数学定义为:令集合 R 表示整个图像区域,图  
N
像分割就是将 R 分成一组连通的非空子集(子区域){R1,R2,…,RN},使 i=1 Ri = R,Ri ∪ Rj = ∅(i ≠ j), 并存在判断区  
∪
域一致性的逻辑谓词 P(·),使得 P(Ri)=True,P(Ri∪Rj)=False,i≠j.  
传统的图像分割方法主要包括阈值法[1]、边界检测法[2]、区域法[3]等,这些方法的实现原理有所不同,但基  
本都是利用图像的低级语义,包括图像像素的颜色、纹理和形状等信息[4],遇到复杂场景时实际分割效果不尽  
理想.  
如何有效地利用图像自身包含的内容信息,结合图像中级、高级语义提升图像分割效果,成为近年来研究  
的热点.这类方法可以认为是基于内容的图像分割,亦即:不是简单地将图像分割归为边界检测或区域查找,而  
是利用图像或区域的内容信息,例如特征相似性、图像语义等,来确定图像中的区域划分.  
图像的中级语义是指将具有相似特征的相邻像素构成的图像块所具有的像素以外的附加信息,如图像块  
的粗糙度、对比度、方向度、紧凑度等,以此辅助图像分割并提升效果.2000 年左右,研究人员将图论的理论和  
方法引入图像分割问题.其原理是将待分割图像映射为带权无向图,根据图的顶点以及边的信息构造代价函数  
并加以优化,将图像分割问题转换为图的顶点标注问题,标号相同的顶点所对应的像素属于同一个图像块,这些  
图像块称为超像素(superpixel)[5].另一种思路是借鉴无监督(unsupervised)学习的思想,根据图像中单个像素的  
信息以及像素之间的相互关系,利用数据挖掘中的聚类算法,将具有相似特征的相邻像素归并到同一个超像素.  
图像的高级语义是指图像或图像区域所包含的对象或实体的类别等语义信息,高级语义下的图像分割称  
为语义分割(semantic segmentation).图像语义分割是指能够将图像中前景和背景分离,并识别出每个前景目标  
的类别,其数学定义为:对于图像 R={p|i=1,2,…,M},语义分割就是要指定每个区域(或像素)的类别,即,确定 F:R→  
CL,其中,CL={c1,c2,…,cK}为预设的 K 个类别,相当于给每个像素赋予一个语义标号.例如:针对室内场景的语义  
分割,其目标是给定一个室内场景,例如家居场景的图像,将其分割为地板、桌子、椅子、画像、柜橱等区域.如  
图 1 所示[6],左图为原始图像,右图为分割效果图,用不同颜色表示不同语义的对象.  
Fig.1 Image semantic segmentation  
图 1 图像语义分割  
语义分割算法利用有监督(supervised)机器学习技术,实现时需要以大量标注图像作为样本进行训练.然而,  
对图像进行像素级(pixel-wise)标注是一件相当费时费力的工作,因此,这样的强标注样本比较难以获得.最近出  
现了一类可以利用具有弱标注图像样本,如图像级(image-level)标注或边界框(bounding box)标注样本进行弱监  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号