导读:本文包含了交互式分割论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:图像,表观,像素,桡骨,卷积,稠密,神经网络。
交互式分割论文文献综述
丁陈梅,王涛,孙权森[1]（2019）在《基于多尺度超像素和图割的交互式图像分割算法》一文中研究指出传统图割算法一般基于图像的局部关系构建分割模型,由于缺乏图像的结构层信息,导致它们较难分割包含噪声和纹理的图像。针对上述问题,论文提出一种基于多尺度超像素和图割的交互式图像分割算法。首先利用线性迭代聚类算法对图像进行多尺度预分割,用获取到的超像素代替像素构建加权图。然后通过融合多尺度超像素信息,基于小尺度超像素的局部近邻性约束克服过分割,基于大尺度超像素的长范围连通性约束克服欠分割,来进一步提高图像分割质量。最后通过实验验证了该算法的有效性。(本文来源于《计算机与数字工程》期刊2019年12期）
吴仲琦,郭建伟,肖俊,曾祥永,王颖[2]（2019）在《基于二次曲面拟合的机械模型交互式分割方法》一文中研究指出针对叁角网格全自动分割方法的自适应能力较差的问题,提出了一种基于二次曲面拟合的交互式半自动分割方法.首先采用变分方法对网格模型进行二次曲面拟合和分割,然后引入用户的交互信息来指导模型的分割,并配合迭代优化算法交替使用.具体地,算法包括以下3个步骤:基于random sample consensus (RANSAC)的初始化、迭代优化、交互式合并与切分.其中,初始化方法可以取得一个较好的划分结果,迭代优化可以提高算法的分割质量,而交互式合并与交互式切分步骤可以与迭代优化步骤交替使用,利用用户的主观先验知识对分割不够准确的地方进行局部操作,从而使得分割的效果更为准确、真实.通过比较不同算法对多个机械模型进行分割的效果,算法在收敛速度和拟合误差方面都有明显的优势,并且可以对具有不同特征的叁维机械模型以及带有噪声的模型进行准确、合理的分割.(本文来源于《计算机辅助设计与图形学学报》期刊2019年07期）
苟晓芳[3]（2019）在《交互式医学图像分割方法与应用研究》一文中研究指出医学图像分割技术提取目标区域进行后续的分析,在医学图像分析领域有着十分重要的地位。根据用户交互量可以分为:全手工勾画、全自动算法分割和交互式算法分割叁种。全手工勾画费时费力,主观差异大。全自动分割算法处理图像质量差的医学图像时,常难以得到足够准确和鲁棒的分割性能。且在手术引导等应用中,医生的输入必不可少。交互式图像分割技术采用用户输入引导分割,可得到更准确和鲁棒的分割性能,相比于全自动和全手工的分割方法,交互式图像分割技术兼顾了准确性和效率,在医学图像分割领域有着一定的优势和广泛的应用。一个好的交互式图像分割方法应该需要尽可能少的用户输入。本文研究了两个医学图像分割应用问题。在解决手前臂X线DR图像的尺桡骨分割问题时,利用尺桡骨的形状和方向等先验知识,自动定位种子点,将交互式分割方法转化为全自动分割。在研究3D医学图像分割问题时,采用基于层传播的弱交互式分割方法。本文的主要研究内容:(1)手前臂DR图像的尺桡骨分割。单能X线骨密度测量系统中需要准确分割手前臂DR图像的尺桡骨区域,用于骨密度计算,而评估骨量减少和骨质疏松。手前臂DR图像中骨边界邻近伪边界多,图像灰度不均质性严重等问题。受启于智能剪刀算法采用动态规划搜索最小代价路径,即搜索局部最优目标边界段,可减少多边界/伪边界干扰,且对全局灰度不均质不敏感。本文提出一个基于动态规划的手前臂DR图中的尺桡骨边界快速定位算法,采用一维动态规划从已定位的位于目标边界轮廓上的种子点出发,沿着水平和垂直方向,分别在已合成的水平和垂直代价图上追溯最小代价路径作为目标边界。使用37例带有医生勾画轮廓的样本量化评估,得到平均Dice相似性系数为94.49%,分割的轮廓与医生勾画的轮廓之间的平均绝对距离为5.04个像素,原图降采样率为0.7时的分割平均耗时1.54秒。提出的算法能高效、准确和鲁棒的分割尺桡骨。(2)3D医学图像交互分割。放射组学研究中存在大量需要准确标注感兴趣区的3D医学图像,为减轻医生勾画负担,本文采用基于层传播的3D交互分割方法,使用FC-DenseNet交互分割2D图像,首层的交互由用户输入,后续层的用户输入由上个相邻层的分割结果膨胀腐蚀操作后获得。其只需用户选定一个2D图像层勾画,大大减少了用户交互量。本文应用提出的方法解决3D MRI脑部图像中的脑肿瘤分割问题,得到了较有希望的结果。(本文来源于《南方医科大学》期刊2019-05-01）
瞿绍军,李乔良,陈明,谭煌[4]（2018）在《融合超像素和伪流算法的交互式图像分割》一文中研究指出超像素有利于提取图像的局部结构特征,大幅度减小后续处理计算复杂度.针对SSNCuts当图片中目标和背景颜色相似,目标较小以及目标中间含有背景区域的时候,分割效果不好;标记种子点的时候,经常无法预测分割的结果,标记非常费时费力.本文提出了一种新的基于超像素和伪流算法的交互式的图像分割方法:首先由用户交互引入目标和背景的先验信息;然后使用均值漂移将图像过分割为超像素,再使用Bhattacharyya系数来计算两个超像素区域之间的相似度,并建立超像素顶点之间的关系矩阵;最后利用伪流算法进行超像素分割,并将超像素分割结果转换到原始图像得到最终分割.在图像分割公开测试库上进行实验,验证了提出方法的准确性和分割效率更高.(本文来源于《小型微型计算机系统》期刊2018年12期）
彭自立[5]（2018）在《用于交互式图像分割的自适应表观分离》一文中研究指出现今社会处于数据爆炸的时代,其中,图像数据更是数量惊人。为了对图像数据进行分析并获得进一步理解,图像分割是不可或缺的一步。正因为其重要性,大量新的图像分割算法层出迭现。图像分割的目的是把图像中与现实世界相关的物体(即目标)分割出来。然而,由于图像分辨率的扩大、图像包含的内容越来越丰富,人们对图像分割算法的性能和有效性提出了更高的要求。现实世界中的很多图像可能是纷繁复杂的,全自动图像分割算法的结果经常无法反映出用户领会的图像中的物体,因此,通过用户干预——指定某些像素属于目标、某些像素属于背景,融入对图像内容高层的理解的交互式图像分割成了更好的选择。虽然目前出现了很多基于深度学习的语义分割算法,但这些方法大多需要大量的特定尺寸大小的分割结果样本、高性能的硬件资源作为其进行学习的前提条件,它们还需要精巧地设计神经网络的架构并进行相关训练和调优,才能实现精度并不太高的分割。本文关注的是不依赖于特定数据集的交互式图像分割算法,它无需事先分割好的真值图像(仅作为评估分割精度的参照),却能够根据人的主观感受将目标精准、高效地分割出来。通过本文的算法得到的分割结果,可直接用于医疗诊断、目标识别或跟踪等工作,也可直接作为进行深度学习语义分割所需的样本标记数据。本文提出了用于交互式图像分割的表观分离模型,并研究了该模型分别应用于稠密条件随机场(Dense CRF)框架和图割(Graph-Cut)框架的图像分割算法,进而发现并解决了基于这两个框架的传统算法(DenseCut算法和OneCut算法)存在的问题,本人所提出的算法无需多次迭代优化过程,从而实现了高效、准确的前景-背景分割。主要创新点包括:1.提出了一种新颖的用于交互式图像分割的表观分离模型。该模型通过结合图像前景-背景的颜色特征差异和对应的测地线距离差异信息,减少甚至消除了来自背景的杂乱干扰,获得良好的初始软分割结果,为实现最终准确的分割迈出了一大步。现实世界中存在大量前景-背景杂乱或者表观相似的图像,加之受到光线、纹理、模糊等条件的干扰,普通的图像分割算法几乎无法获得令人满意的分割结果。本文提出的表观分离模型充分利用了颜色信息、边信息,借助用户提供的空间位置信息,加入了人类高层的图像理解,实现前景-背景表观分离,使得对这样复杂的图像得以较准确的分割。2.提出结合表观分离模型与Dense CRF框架的精准图像分割算法。基于Dense CRF框架的经典算法,如DenseCut算法,存在多达7个需人为指定数值的参数,这或者需要复杂的参数学习,或者需要耗时的信息统计,且都依赖于特定的数据集。此外,它们可能需要多次均值场推断进行迭代优化才能获得满意的分割结果。且对于表观杂乱或者前景与背景颜色特征相似程度较高的图像,涂鸦交互方式的DenseCut往往需要大量的用户交互工作量。本文算法可根据待分割图像的特性,对每个图像自适应地设置并微调Dense CRF框架中的相关参数,将所提出的表观分离模型应用于该框架,经过一次均值场推断即可获得较准确的分割结果,且降低了用户涂鸦交互工作量。在叁个着名的数据集上进行分割实验表明,加入本文提出的表观分离模型后的DenseCut改进算法,在分割精度上优于、在分割时间上接近或者小于近几年的五个交互式分割算法。3.提出结合表观分离、表观交迭惩罚与Graph-Cut框架的快速图像分割算法。基于表观交迭的一次图割(OneCut)算法规避了经典GrabCut算法需多次迭代图割的弊端,大大提高了分割效率。然而经过大量实验可发现OneCut算法容易出现大量孤立点的问题,且孤立点数目在一定条件下与表观交迭惩罚项的权重成正相关。将本文提出的表观分离模型和表观交迭信息合理融入到高效的图割框架中,提出合理的表观交迭惩罚权重方案,缓解了OneCut算法倾向于出现孤立点的问题,提高了其分割精度、降低了用户的涂鸦交互工作量。在叁个国际公认的数据集上的分割实验,展示了本文的方法对OneCut算法的改进,同时与其他叁个最新的交互式图像分割算法在效率和精度上进行了比较,本文算法实现了它们中的最高精度,且算法高效、可行。(本文来源于《湖南师范大学》期刊2018-12-01）
胡静,陈志泊,张荣国,杨猛[6]（2018）在《基于鲁棒随机游走的交互式植物叶片分割》一文中研究指出受背景、阴影和反射等不同成像环境影响,固定模型难以解决植物叶片分割问题.针对此情况,文中提出基于鲁棒随机游走的交互式植物叶片分割方法,采用交互式策略对用户指定像素先验信息进行传播,通过鲁棒随机游走算法实现植物叶片分割.首先,基于随机游走算法构建成对像素的关系,建立一个超像素一致性约束模型,促使分割图像边缘更光滑.然后,通过人机交互获取指定像素先验信息.最后,利用对数似然比预测像素属于背景的概率,并用于指导标签传播.在宽松受控和非受控环境植物叶片图像上的实验表明,文中方法可以更好地得到光滑、鲁棒的植物叶片分割图.(本文来源于《模式识别与人工智能》期刊2018年10期）
王栋,唐晶磊[7]（2018）在《一种改进的One-Cut交互式图像分割算法》一文中研究指出GrabCut算法作为一种典型的交互式彩色图像分割算法,是计算机图像领域中的重要技术手段。然而随着大数据时代的到来,图像数据种类和数量都呈指数级增长,显着地增加了图像分割的任务量,对图像分割效率提出了更高的要求。针对GrabCut算法图像分割效率及精度低的问题,提出了一种改进的One-Cut交互式图像分割算法。首先采用One-Cut的L_1距离项构建能量函数避免GrabCut算法所面临的NP-hard问题。然后改进能量函数中表观重迭惩罚项,并结合颜色直方图加速技术,优化网络图结构,显着降低网络图的复杂度,从而提高图像分割的效率及精度。实验结果表明,改进后的One-Cut图像分割算法显着提升了图像分割效率,提高了分割精度,得到了较好分割结果。(本文来源于《计算机工程与科学》期刊2018年06期）
秦悦[8]（2018）在《交互式立体图像分割及修复算法研究》一文中研究指出目前,3D技术日益普及,立体相机、摄像机设备日益增多。立体图像的编辑和处理需求也随之增加。交互式立体图像分割和修复是其中的重要需求,在立体图像编辑、3D影视后期处理等领域具有极高的应用价值。交互式立体图像分割允许用户在任意视图上简单勾勒前、背景,通过算法实现目标物智能提取。用户可通过增加前、背景线索优化分割结果。衡量交互式分割算法的主要指标是所需交互量的多少。立体图像修复即修复去除前景后留在立体图像上的空洞。衡量立体图像修复的主要指标是有无修复痕迹和深度感知一致性。现有立体图像交互式分割和智能修复技术在智能化程度和视觉修复效果方面尚存在很大提升空间。所以本文旨在研究性能更加优越的交互式立体图像分割和修复算法。现有交互式立体图像分割方法通常对颜色和梯度等信息进行建模,在图割理论框架下通过优化求解分割结果。此类方法忽略或没有充分探索立体图像的深度线索在分割中的作用,智能化程度有限,即需要较多用户交互才能得到较为满意的结果。另一方面,现有立体图像修复技术,多是在基于样例的修复上进行改进,未考虑到整体图像的语义信息。近年来,也出现了基于神经网络的修复方法,能够考虑全局语义信息,但仅仅在单幅图像上有所研究,尚无针对立体图像修复的算法。本文的主要工作和主要创新点如下:(1)针对立体图像分割任务,通过分析颜色、视差等可用线索在分割中起到的作用,提出了混合颜色和深度线索的交互式立体图像分割算法。该算法在现有基于颜色线索分割的算法基础上,线性混合了深度/视差线索指导分割,并通过实验证明了:在相同交互量的情况下,该算法相较其它算法准确率有所提升。(2)针对立体图像分割任务,充分探索不同类型的先验线索对于不同图像,甚至同一图像不同区域而言的重要性。提出并论证了在交互式立体图像分割中,不同的图像、不同的待分割区域、不同的像素,需要不同的先验线索更好的指导分割这一理论。并根据这一理论提出了自适应先验模型的交互式立体图像分割算法,该算法能为每个像素选择最优的先验模型指导分割。实验证明:在相同交互量的情况下,与其它算法相比,所提出算法分割效果最优。(3)在现有的基于卷积神经网络的单幅图像修复的理论基础上,充分探索了立体图像的特性,深入研究了保证立体图像修复后左、右视图的视差一致性方法。提出了基于卷积神经网络的立体图像修复算法,该算法通过特别设计的网络架构以及损失函数,保证立体图像修复前后的视觉感知和视差感知一致性。通过实验对比说明了:相较于其他算法,该算法在视觉感知和立体一致性方面,表现更加良好。(本文来源于《北京工业大学》期刊2018-05-01）
郑庆庆,吴谨,朱磊,邓慧萍[9]（2018）在《交互式图像分割实验系统开发》一文中研究指出以"交互式图像分割算法的实验系统开发"为例,介绍了如何在传统的图像处理实验中引入新的内容、开展创新性实验。利用Matlab的图形用户界面设计,开发相应的实验教学系统,该系统主要包括lazy Snapping、Grab Cut以及改进的Grab Cut 3种图像分割算法,不仅能够加深学生对基于图割的图像分割的基本原理的理解,而且能够让学生更好地掌握交互式图像分割的实现步骤以及各种算法的优势和局限性。该系统操作简单方便,在实际实验教学应用中取得了良好的效果。(本文来源于《实验技术与管理》期刊2018年04期）
石小龙[10]（2018）在《基于超像素和图割的交互式图像分割技术研究》一文中研究指出图像分割是通过对不同特征的像素点进行标记,将图像分割为互不重迭的多个区域的技术。基于图割的GrabCut算法结合了图割理论和高斯混合模型,用户通过简易的交互就能得到良好的分割效果,因此在图像分割领域得到了广泛的应用。在大数据背景下,待处理图像数量的增多以及复杂度的增高,使GrabCut算法分割效率降低、分割精准度变差等问题逐渐显露出来。为了解决上述问题,本文对基于超像素和GrabCut算法的图像分割框架进行了研究,主要从以下几个方面进行改进:针对GrabCut算法在分割背景较复杂或细节丰富的图像时,存在用户手动初始化GrabCut算法困难、计算效率不理想的问题,提出了一种结合显着性和改进超像素的GrabCut图像分割算法。首先,对简单线性迭代聚类算法(Simple Linear Iterative Clustering,SLIC)进行改进,将梯度影响因子引入超像素距离公式中,并改进SLIC算法合并小区域的步骤。然后,用改进的SLIC算法和流形排序算法生成显着图,并通过对显着图阈值分割初始化GrabCut算法。最后,用改进的SLIC算法生成的超像素构建GrabCut网络流图模型,并用最大流/最小割算法分割。实验结果表明,改进的GrabCut算法实现了自动分割的功能,在保证原算法精度的同时减少了分割时间。针对GrabCut算法在分割前景与背景颜色相近或存在阴影的图像时,存在分割精度不高的问题,提出了一种融合深度信息的GrabCut自动图像分割算法,改进的算法在结合显着性和超像素的GrabCut算法的基础上进行。首先,对深度图进行处理,并利用融入深度信息的显着图初始化GrabCut算法。然后,将深度信息和显着性信息通过自适应权重结合到GrabCut的颜色模型中,从而改进GrabCut算法的能量公式。实验结果表明,融合深度信息改进的GrabCut算法可以有效分割复杂图片,具有更高的分割精准度。(本文来源于《重庆邮电大学》期刊2018-03-20）
交互式分割论文开题报告
（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：
针对叁角网格全自动分割方法的自适应能力较差的问题,提出了一种基于二次曲面拟合的交互式半自动分割方法.首先采用变分方法对网格模型进行二次曲面拟合和分割,然后引入用户的交互信息来指导模型的分割,并配合迭代优化算法交替使用.具体地,算法包括以下3个步骤:基于random sample consensus (RANSAC)的初始化、迭代优化、交互式合并与切分.其中,初始化方法可以取得一个较好的划分结果,迭代优化可以提高算法的分割质量,而交互式合并与交互式切分步骤可以与迭代优化步骤交替使用,利用用户的主观先验知识对分割不够准确的地方进行局部操作,从而使得分割的效果更为准确、真实.通过比较不同算法对多个机械模型进行分割的效果,算法在收敛速度和拟合误差方面都有明显的优势,并且可以对具有不同特征的叁维机械模型以及带有噪声的模型进行准确、合理的分割.
（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。
交互式分割论文参考文献
[1].丁陈梅,王涛,孙权森.基于多尺度超像素和图割的交互式图像分割算法[J].计算机与数字工程.2019
[2].吴仲琦,郭建伟,肖俊,曾祥永,王颖.基于二次曲面拟合的机械模型交互式分割方法[J].计算机辅助设计与图形学学报.2019
[3].苟晓芳.交互式医学图像分割方法与应用研究[D].南方医科大学.2019
[4].瞿绍军,李乔良,陈明,谭煌.融合超像素和伪流算法的交互式图像分割[J].小型微型计算机系统.2018
[5].彭自立.用于交互式图像分割的自适应表观分离[D].湖南师范大学.2018
[6].胡静,陈志泊,张荣国,杨猛.基于鲁棒随机游走的交互式植物叶片分割[J].模式识别与人工智能.2018
[7].王栋,唐晶磊.一种改进的One-Cut交互式图像分割算法[J].计算机工程与科学.2018
[8].秦悦.交互式立体图像分割及修复算法研究[D].北京工业大学.2018
[9].郑庆庆,吴谨,朱磊,邓慧萍.交互式图像分割实验系统开发[J].实验技术与管理.2018
[10].石小龙.基于超像素和图割的交互式图像分割技术研究[D].重庆邮电大学.2018
论文知识图
