导读:本文包含了融合目标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:运动目标分割,MRF模型,多尺度信息融合,标记场
融合目标分割论文文献综述
师冬霞,夏平,雷帮军,任强[1]（2019）在《融合多尺度信息和MRF的序列图像运动目标分割》一文中研究指出提出融合小波域多尺度信息和MRF模型的序列图像运动目标分割算法。对视频每帧图像进行小波多分辨率分析,融合每一尺度的特征信息,在此基础上构建每一尺度MRF模型的特征场和标记场;标记场采用Potts模型建模,同一尺度观测特征场采用混合高斯模型建模,同标记的特征场采用高斯模型进行建模,相邻尺度间标记场用一阶Markov转移概率描述;最后,利用迭代条件模式(ICM)实现MRF模型中后验分布函数最优,完成运动目标分割。实验结果表明,该算法能较好的提取运动目标信息,在固定场景的视频监控中具有一定的适用价值。(本文来源于《信息通信》期刊2019年08期）
廖旋,缪君,储珺,张桂梅[2]（2019）在《融合分割先验的多图像目标语义分割》一文中研究指出目的在序列图像或多视角图像的目标分割中,传统的协同分割算法对复杂的多图像分割鲁棒性不强,而现有的深度学习算法在前景和背景存在较大歧义时容易导致目标分割错误和分割不一致。为此,提出一种基于深度特征的融合分割先验的多图像分割算法。方法首先,为了使模型更好地学习复杂场景下多视角图像的细节特征,通过融合浅层网络高分辨率的细节特征来改进PSPNet-50网络模型,减小随着网络的加深导致空间信息的丢失对分割边缘细节的影响。然后通过交互分割算法获取一至两幅图像的分割先验,将少量分割先验融合到新的模型中,通过网络的再学习来解决前景/背景的分割歧义以及多图像的分割一致性。最后通过构建全连接条件随机场模型,将深度卷积神经网络的识别能力和全连接条件随机场优化的定位精度耦合在一起,更好地处理边界定位问题。结果本文采用公共数据集的多图像集进行了分割测试。实验结果表明本文算法不但可以更好地分割出经过大量数据预训练过的目标类,而且对于没有预训练过的目标类,也能有效避免歧义的区域分割。本文算法不论是对前景与背景区别明显的较简单图像集,还是对前景与背景颜色相似的较复杂图像集,平均像素准确度(PA)和交并比(IOU)均大于95%。结论本文算法对各种场景的多图像分割都具有较强的鲁棒性,同时通过融入少量先验,使模型更有效地区分目标与背景,获得了分割目标的一致性。(本文来源于《中国图象图形学报》期刊2019年06期）
杨林[3]（2019）在《基于时空信息融合的视频目标分割算法研究》一文中研究指出视频目标分割是旨在从视频序列中将前景目标与背景区域分离的二值标记问题。视频目标分割的难点在于由于视频内容的丰富性,导致视频内容场景复杂。同时,由于视频往往包含了丰富的运动信息,从而引起物体之间存在遮挡、快速运动、形变等,给准确、稳定的目标分割任务带来了严重的挑战。近年来视频数据的大量积累,而人工处理的方式却要耗费大量人力财力,然而大多数现有的研究成果在质量和效率方面仍然存在严重的局限性,充分利用视频所包含的丰富的时空信息有利于解决视频目标分割中存在的问题,因此基于时空信息融合的视频目标分割算法研究具有很重要的理论意义和实际使用价值。本文对视频目标分割的多个研究角度分别进行了研究,形成由半监督单目标分割到无监督单目标分割,再到半监督多目标分割的研究路线。本文的主要研究工作总结如下:1、提出了基于时序连续性的自适应半监督视频目标分割算法。针对于半监督视频目标分割中,当物体发生较大的形变和位移时引起的分割不准确问题,提出了基于物体外观与运动变化度量的动态自适应分割算法,解决了半监督视频目标分割中网络不能很好的适应物体变化的难点,提高了分割的准确性。其次,为了解决使用CRF作后期优化处理耗时的问题,提出了轻量级的基于区域空间相关性的二值掩码离散点簇优化算法。在DAVIS、GYGO、Segtrack-v2以及VideoSD数据集上进行了对比实验,实验验证了本文提出算法的有效性,在分割准确度上优于当前主流方法,将精度提升到0.883。特别是针对于目标与给定第一帧发生了较大的外观或形状变化时,本文具有更好的鲁棒性。2、提出了基于外观与运动显着性的无监督视频显着目标分割算法。该算法以集成显着性检测模块生成候选显着区域作为辅助以分割出视频流中的显着物体。首先,针对于无监督视频显着物体分割对视频流信息利用不充分的问题,提出了新颖的基于外观和运动显着性的自成长视频显着目标分割算法,该方法与主流的分割方法不同,以网络自成长的方式,使视频流中的显着物体逐渐凸显。针对于多模型融合以及像素级的分割导致的物体区域丢失、区域不完整的问题,提出了基于轮廓约束的区域生成优化算法。算法在DAVIS单目标数据集上和主流的无监督视频目标分割算法进行了实验验证,分割精度达到0.706,优于大部分对比算法。同时,本文提出的算法可以通过替换性能更好的辅助模块来提升总体的分割性能,本文提出的算法比对比算法具有灵活性的优势。3、提出了基于半监督自适应网络的多目标视频目标分割方法。首先构建了基于半监督自适应视频分割的多目标分割框架。在半监督单目标分割的基础上,将视频多目标分割任务分解为多个单目标分割任务。针对于多目标分割存在区域遮挡、混淆等,而导致的重迭区域判别问题,提出了基于物体外观相似性度量算法对重迭区域分类。在DAVIS多目标分割数据集上进行了对比实验,实验结果表明本文提出的算法对于视频多目标分割是有效的,在DAVIS验证集上的分割精度达到0.643。本文包含图28幅,表9个,参考文献70篇。(本文来源于《北京交通大学》期刊2019-05-20）
江梅,孙飒爽,何东健,宋怀波[4]（2019）在《融合K-means聚类分割算法与凸壳原理的遮挡苹果目标识别与定位方法》一文中研究指出自然场景下苹果目标的精确识别与定位是智慧农业信息感知与获取领域的重要内容。为了解决自然场景下苹果目标识别与定位易受枝叶遮挡的问题,在K-means聚类分割算法的基础上,提出了基于凸壳原理的目标识别算法,并与基于去伪轮廓的目标识别算法和全轮廓拟合目标识别算法作了对比。基于凸壳原理的目标识别算法利用了苹果近似圆形的形状特性,结合K-means算法与最大类间方差算法将果实与背景分离,由凸壳原理得到果实目标的凸壳多边形,对凸壳多边形进行圆拟合,标定出果实位置。为验证算法有效性,对自然场景下的157幅苹果图像进行了测试,基于凸壳原理的目标识别算法、基于去伪轮廓的目标识别方法和全轮廓拟合目标识别方法的重迭率均值分别为83.7%、 79.5%和70.3%,假阳性率均值分别为2.9%、 1.7%和1.2%,假阴性率均值分别为16.3%、 20.5%和29.7%。结果表明,与上面两种对比算法相比较,基于凸壳原理的目标识别算法识别效果更好且无识别错误的情况,该算法可为自然环境下的果实识别与分割问题提供借鉴与参考。(本文来源于《智慧农业》期刊2019年02期）
王晓宇,杨帆,范海瑞,温洁,潘旭冉[5]（2019）在《融合改进FT显着性与Grabcut的图像目标分割算法》一文中研究指出针对目前复杂度较大的图像中目标分割速度较慢、显着性边界分割不明确等问题,提出了一种融合改进的FT(Frequency-tuned)显着性检测与Grabcut的图像分割算法。该算法首先通过改进基于频率调谐的FT显着性检测方法得到图像中显着性较高的区域,并利用SLIC(Simple Linear Iter-ative Clustering)算法对显着图进行预处理得到超像素图,能够有效改善边界的分割效果,然后通过以图论GraphCut算法为基础改进的Grabcut算法建立高斯混合模型。为了提高算法效率,通过聚类以超像素代替原像素,并反复迭代高斯混合模型(Gaussian Mixed Model,GMM)参数,最后利用最大流最小割算法得到最优目标分割结果。实验结果表明所提算法能够更准确更高效率地分割图像中的显着性目标,对高分辨率图像也有很好的适用效果,相比于其他算法在分割精度上提高10%左右,并具有较高的分割效率。(本文来源于《电讯技术》期刊2019年02期）
王晓松,杨刚[6]（2018）在《一种融合聚类和分类算法的树木图像多目标优化分割方法》一文中研究指出【目的】结合树木图像颜色和纹理特征,融合聚类和分类算法对树木图像进行多目标优化分割,从而提高自然背景下树木图像分割的准确性。【方法】首先,利用MSCC框架理论,解决聚类和分类目标函数同时依赖于聚类中心的问题。然后,分别选定聚类性能评价指标函数和分类性能评价指标函数。最后,采用多目标进化优化方法——NSGA-Ⅱ算法进行优化,得到Pareto前端最优解集,并通过计算聚类有效性指数I的最大值,寻找最优解决方案。选择具有代表性的法国梧桐、侧柏、松树和杏树等自然背景下拍摄的4幅图像作为样本。分别采用Kmeans、Fuzzy C-means、对聚类目标函数进行单目标优化,采用MOPSO方法进行多目标优化,以及NSGA-Ⅱ方法进行多目标优化等5种方法对样本图像进行分割比较。【结果】在聚类中心数量相同、种群大小相同、遗传代数相同的条件下,指数I的值表明本文提出的分割方法优势显着。对于4类不同样本图像分割的指数I值进行对比可知,以HF指数为单目标函数进行遗传优化的结果优于单一使用K-means和FCM算法; MOPSO多目标优化方法分割结果优于单目标优化结果;基于NSGA-Ⅱ优化的多目标函数分割结果又优于MOPSO多目标优化结果。【结论】融合聚类和分类算法构建聚类性能评价指标函数和分类评价性能指标函数,并采用非支配排序遗传算法对多目标函数进行优化,能更好地保留树木图像的颜色和纹理特征,分割准确率显着提高。(本文来源于《北京林业大学学报》期刊2018年12期）
李宗民,徐希云,刘玉杰,李华[7]（2018）在《条件随机场像素建模与深度特征融合的目标区域分割算法》一文中研究指出针对已有的基于深度神经网络的目标区域分割算法在目标边界分割效果中存在的问题,提出融合图像像素信息与图像语义信息的目标区域分割算法.首先通过加入注意力模块的深度神经网络提取图像语义级别的信息,得到图像语义级别的全局特征;然后利用条件随机场模型对图像局部区域进行像素级别建模,得到图像的局部细节特征;最后综合利用图像的局部细节特征和图像的全局特征,得到目标区域的分割结果.实验结果表明,与已有的算法相比,该算法能够更好地分割出目标的边界区域,抑制边界区域分割粗糙的问题,得到较准确的目标分割区域.(本文来源于《计算机辅助设计与图形学学报》期刊2018年06期）
刘松涛,刘振兴,姜宁[8]（2018）在《基于融合显着图和高效子窗口搜索的红外目标分割》一文中研究指出为了快速精确地分割红外图像目标,提出一种基于融合显着图和高效子窗口搜索的红外目标分割方法.在获取图像超像素的基础上,提取每个区域增强的Sigma特征,并考虑邻域对比度、背景对比度、空间距离和区域大小的影响,构建局部显着图,接着利用全局核密度估计构建全局显着图,然后融合局部和全局显着图实现图像显着性检测,最后应用高效子窗口搜索方法检测和筛选目标,实现红外目标分割.实验结果表明,新方法的显着图结果目标区域一致高亮且边缘清晰,背景杂波抑制效果好,可实现快速精确的目标分割.(本文来源于《自动化学报》期刊2018年12期）
曾成,李世其,刘世平,付艳[9]（2016）在《融合注视点预测和流形学习的显着性目标分割》一文中研究指出针对现有显着性分割算法在图像背景复杂时先验知识不够健壮的问题,提出一种融合注视点预测和流形学习的显着性目标分割算法,能有效地对复杂场景中的显着性目标进行分割.该算法通过引入注视点先验知识和提取超像素分割图,预测并粗分割场景中的显着性目标;为了进一步提高显着性分割的性能,利用色彩模型(CIE-Lab)空间的颜色对比度表示超像素的特征;通过基于流形学习的方法对粗分割区域进行显着性优化,提高了分割精度.实验结果表明:在处理复杂图像集过程中,相比其他分割算法,该算法性能提高了21.8%,并且在不同环境下的显着性目标分割的鲁棒性更好.(本文来源于《华中科技大学学报(自然科学版)》期刊2016年10期）
张雷,李成龙,汤进,高思晗[10]（2015）在《融合外观和运动特征的在线目标分割》一文中研究指出目的视频中的目标分割是计算机视觉领域的一个重要课题,有着极大的研究和应用价值。为此提出一种融合外观和运动特征的在线自动式目标分割方法。方法首先,融合外观和运动特征进行目标点估计,结合上一帧的外观模型估计出当前帧的外观模型。其次,以超像素为节点构建马尔可夫随机场模型,结合外观模型和位置先验把分割问题转化为能量最小化问题,并通过Graph Cut进行优化求解。结果最后,在两个数据集上与5种标准方法进行了对比分析,同时评估了本文方法的组成成分。本文算法在精度上至少比其他的目标分割算法提升了44.8%,且具有较高的分割效率。结论本文通过融合外观与运动特征实现在线的目标分割,取得较好的分割结果,且该方法在复杂场景中也具有较好的鲁棒性。(本文来源于《中国图象图形学报》期刊2015年10期）
融合目标分割论文开题报告
（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：
目的在序列图像或多视角图像的目标分割中,传统的协同分割算法对复杂的多图像分割鲁棒性不强,而现有的深度学习算法在前景和背景存在较大歧义时容易导致目标分割错误和分割不一致。为此,提出一种基于深度特征的融合分割先验的多图像分割算法。方法首先,为了使模型更好地学习复杂场景下多视角图像的细节特征,通过融合浅层网络高分辨率的细节特征来改进PSPNet-50网络模型,减小随着网络的加深导致空间信息的丢失对分割边缘细节的影响。然后通过交互分割算法获取一至两幅图像的分割先验,将少量分割先验融合到新的模型中,通过网络的再学习来解决前景/背景的分割歧义以及多图像的分割一致性。最后通过构建全连接条件随机场模型,将深度卷积神经网络的识别能力和全连接条件随机场优化的定位精度耦合在一起,更好地处理边界定位问题。结果本文采用公共数据集的多图像集进行了分割测试。实验结果表明本文算法不但可以更好地分割出经过大量数据预训练过的目标类,而且对于没有预训练过的目标类,也能有效避免歧义的区域分割。本文算法不论是对前景与背景区别明显的较简单图像集,还是对前景与背景颜色相似的较复杂图像集,平均像素准确度(PA)和交并比(IOU)均大于95%。结论本文算法对各种场景的多图像分割都具有较强的鲁棒性,同时通过融入少量先验,使模型更有效地区分目标与背景,获得了分割目标的一致性。
（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。
融合目标分割论文参考文献
[1].师冬霞,夏平,雷帮军,任强.融合多尺度信息和MRF的序列图像运动目标分割[J].信息通信.2019
[2].廖旋,缪君,储珺,张桂梅.融合分割先验的多图像目标语义分割[J].中国图象图形学报.2019
[3].杨林.基于时空信息融合的视频目标分割算法研究[D].北京交通大学.2019
[4].江梅,孙飒爽,何东健,宋怀波.融合K-means聚类分割算法与凸壳原理的遮挡苹果目标识别与定位方法[J].智慧农业.2019
[5].王晓宇,杨帆,范海瑞,温洁,潘旭冉.融合改进FT显着性与Grabcut的图像目标分割算法[J].电讯技术.2019
[6].王晓松,杨刚.一种融合聚类和分类算法的树木图像多目标优化分割方法[J].北京林业大学学报.2018
[7].李宗民,徐希云,刘玉杰,李华.条件随机场像素建模与深度特征融合的目标区域分割算法[J].计算机辅助设计与图形学学报.2018
[8].刘松涛,刘振兴,姜宁.基于融合显着图和高效子窗口搜索的红外目标分割[J].自动化学报.2018
[9].曾成,李世其,刘世平,付艳.融合注视点预测和流形学习的显着性目标分割[J].华中科技大学学报(自然科学版).2016
[10].张雷,李成龙,汤进,高思晗.融合外观和运动特征的在线目标分割[J].中国图象图形学报.2015