导读:本文包含了边界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:图像处理,畜牧业,自动盘点,决策树
边界分割论文文献综述
韩书庆,张建华,孔繁涛,张腾飞,吴海玲[1]（2019）在《基于边界脊线识别的群养猪黏连图像分割方法》一文中研究指出猪体图像的前景分割和黏连猪体的分离是实现群养猪数量自动盘点和猪只个体行为智能识别的关键。为实现群养猪黏连图像的自动分割,该文采用决策树分割算法提取视频图像帧的猪体前景区域,计算各连通区域的复杂度,根据复杂度确定黏连猪体区域,利用标记符控制的分水岭分割算法处理黏连猪体图像,检测待选的边界脊线,通过检验待选边界脊线的分割效果和形状特征(包括线性度和Harris拐点数目),识别出猪体黏连分割线,实现黏连猪体的分离。结果表明,决策树分割算法(decision-tree-based segmentation model,DTSM)能够有效地去除复杂背景,前景分割效果良好。黏连猪体分离结果显示,基于边界脊线识别的黏连猪体分离准确率达到了89.4%,并较好地保留了猪体轮廓。通过计算分割后猪体连通区域的中心点,并对中心点进行德洛内剖分,初步实现了猪只的定位和栏内分布的可视化。6 min的监控视频处理结果显示,该文方法各帧图像的盘点平均误差为0.58,盘点准确率为98.33%,能够正确统计出栏内猪只数量。该研究可为实现基于监控视频的群养猪自动盘点和个体行为识别提供新的技术手段。(本文来源于《农业工程学报》期刊2019年18期）
刘玉照[2]（2019）在《财产起源与村落边界——征地拆迁补偿分配和村改居中集体资产的分割》一文中研究指出最近几年,伴随着大规模的城市化和征地拆迁,由征地拆迁补偿分配和村改居过程中集体资产分割而引发的矛盾和冲突越来越多,并由此导致了多起大规模的群体性事件,在舆论界和学术界引起了越来越多的关注。综观最近几年被舆论界广泛关注的因集体资产分割而导致的矛盾冲突和群(本文来源于《国家治理》期刊2019年27期）
谌华,郭伟,闫敬文[3]（2019）在《综合边界和纹理信息的合成孔径雷达图像目标分割》一文中研究指出目的针对传统Grab Cut算法需要人工交互操作,无法实现合成孔径雷达(SAR)图像的自动分割,且方式单一(仅利用边界或纹理信息中的一种)的问题,提出一种综合利用边界和纹理信息的改进Grab Cut算法,实现对SAR图像目标的自动分割。方法首先将其他格式的彩色或灰度SAR图像转化为24 bit的位图,采用图形理论对整幅SAR图像建模,根据最大流算法找到描述图的能量函数最小的割集,从而分割出目标区域;然后采用中值滤波抑制相干噪声;最后通过邻域生长算法滤除图像斑点和小目标的干扰,从而达到目标边界的连接,实现自动对SAR图像中的目标进行分割。结果在64位Window 7环境下采用MATLAB R2014处理平台,对楼房、车库、大树、汽车群等4幅分辨率不同的SAR图像进行目标分割实验,特征目标被自动分割出来,耗时分别为1. 69 s、1. 58 s、1. 84 s和3. 09 s,相比Mean-shift和Otsu算法,平均计算效率分别提升150%和3%,并且图像中的背景杂波、目标阴影和干扰小目标均被有效去除。结论综合利用边界和纹理信息能够有效抑制相干噪声,去除图像斑点和小目标的干扰,从而达到目标边界的连接,实现对SAR图像目标的自动分割。实验结果表明,本文算法可以满足工程化应用要求,自适应性强,分割精度高,且具有较好的鲁棒性。(本文来源于《中国图象图形学报》期刊2019年06期）
宋小娜,芮挺,王新晴[4]（2019）在《结合语义边界信息的道路环境语义分割方法》一文中研究指出语义分割是实现道路语义环境解释的重要方法,深度学习语义分割由于卷积、池化及反卷积的作用使分割边界模糊、不连续以及小目标漏分错分,影响了分割效果,降低了分割精度。针对上述问题,提出了一种结合语义边界信息的新的语义分割方法,首先在语义分割深度模型中构建了一个语义边界检测子网,利用网络中的特征共享层将语义边界检测子网络学习到的语义边界信息传递给语义分割网络;然后结合语义边界检测任务和语义分割任务定义了新的模型代价函数,同时完成语义边界检测和语义分割两个任务,提升语义分割网络对物体边界的描述能力,提高语义分割质量。最后在Cityscapes数据集上进行一系列实验证明,结合语义边界信息的语义分割方法在准确率上比已有的语义分割网络SegNet提升了2.9%,比ENet提升了1.3%。所提方法可以改善语义分割中出现的分割不连续、物体边界不清晰、小目标错分漏分、分割精度不高等问题。(本文来源于《计算机应用》期刊2019年09期）
杨玉成,张乾[5]（2019）在《基于弱边界增强结构森林的舌苔图像分割》一文中研究指出针对结构森林分割医学图像存在弱边界的问题,提出了一种弱边界增强结构森林的舌苔图像分割方法。充分利用舌苔图像RGB颜色空间的G值对图像进行分割,在RGB颜色空间中采用线性插值算法对G进行增强,同时将图像转换为灰度图来提高舌苔与其周边皮肤的对比度,突显弱边界信息,并将其均衡化处理,进一步增强图像对比度。采用自适应算法对图像进行缩放使舌苔的弱边界得到再次增强,使用结构森林算法对增强后的舌苔图像进行分割。通过在国际公开数据集TongeImage Dataset-master舌苔图像上进行实验,表明能有效提高图像的分割质量。(本文来源于《计算机与网络》期刊2019年08期）
华梅芳[6]（2019）在《基于种子生长及边界约束的弱监督图像语义分割算法研究》一文中研究指出人工智能越来越贴近人们的日常生活,图像语义分割作为计算机视觉的基础任务,被广泛应用于自动驾驶、机器人视觉感知、服装分类及地质分析等领域。传统深度学习下图像语义分割多采用全监督模式,而逐像素标记训练数据的成本十分高昂,因而研究者们将目光转向了被认为更具有潜在应用价值的弱监督图像语义分割算法研究。现有弱监督图像语义分割算法中,以基于种子生长及边界约束原则的分割思路较为直观,故本文以此为基准,对SEC(seed expand and constraint)模型的各个阶段做出优化工作如下。(1)提出在SEC模型的种子生长过程中引入多种先验约束包括抑制约束、前景约束及背景约束,构建MPCSEC(multiple priori constraint SEC)模型,以改善目标物体种子生长过度或种子生长不足的问题,使种子的扩张更为合理。(2)提出增加图像预处理层,通过图像自适应对比度增强、图像仿射变换的预处理操作,优化训练数据的质量和数量,使得模型的学习聚焦于目标物体的显性区分特征,同时丰富模型对数据学习的角度,以改善SEC模型初始种子提取存在的间断、稀疏问题。(3)将(1)和(2)的优化工作整合,构建更为强大的MSOSEC(multiple stage optimization SEC)模型,实现对SEC的进一步整体优化。(4)对MSOSEC模型进行裁剪及微调处理,获得更为精简且高效的弱监督图像语义分割模型,满足算法未来落地于移动化、实时化应用的需求。此外,本文通过实验验证了各项优化工作的有效性,实验结果显示基于本文最终整合优化的MSOSEC模型,语义分割的准确率相较现有SEC模型提升3.8%。而裁剪优化处理后,MSOSEC模型的整体精度损失为0.3%,同时参数量下降16.5%,单张图片的平均分割时长减少25%。本文算法基于图像级类标签,实现了图像的语义分割,且宏观层面上分割的结果表现也更为清晰、规整。(本文来源于《华南理工大学》期刊2019-04-15）
刘佳伟[7]（2019）在《基于深度卷积网络和边界优化的图像语义分割研究》一文中研究指出图像语义分割作为计算机视觉的一个热门研究领域,在视频检测、自动驾驶、人机交互等多种技术中都有着广泛的应用。随着深度学习的方法应用于计算机视觉的各种任务,研究者发现深度卷积网络在图像语义分割任务中取得了优秀的结果,这归功于卷积网络中各种卷积核提取了丰富的特征,然而由于深度卷积网络中普遍存在的反卷积操作使得最后的分割结果中物体边界的预测精度较低。为了提高图像语义分割的精度,本文针对深度卷积网络的边界分割精度低的不足,提出了基于聚类算法的深度卷积网络和基于边界映射模块的深度卷积网络,并且在语义分割数据库上验证了提出方法的有效性。本文的主要工作和贡献包括:1)提出基于聚类算法的深度卷积网络,提出的网络结构为并行结构,深度卷积网络具有强大的提取物体特征的能力,而聚类算法能够得到清晰的物体边界,为了结合两种方法的优势,本文的算法定义了新的得分函数,使得聚类算法分割的物体边界可以补充深度卷积网络的分割结果,从而提高了最终的语义分割精度。同时并行结构使得该算法具有较强的泛化能力,能够应用多种深度卷积网络和聚类算法,本文选取了叁种常见的深度卷积网络,在两个标准的语义分割数据库PASCAL VOC 2012和Cityscapes上进行了实验,验证了该方法在提高语义分割精度方面的有效性。此外,本文在原始测试图像的基础上增加了噪声实验,验证了该方法在噪声情况下的鲁棒性。2)提出基于边界映射的深度卷积网络,该算法在深度卷积网络的基础上设计了新的边界优化模块,该模块在深度卷积网络提取出的特征图上提取出新的边界特征图并给出物体边界的分割结果。深度卷积网络得到初步分割结果,边界优化模块得到物体边界的分割结果,最终结果由两部分结果相加后再进行归一化得到,这样可以优化物体边界的分割结果,从而提高语义分割的精度。算法重新构建了用于训练边界优化模块的真值,定义了新的损失函数,介绍了训练方法。在PASCAL VOC 2012和Cityscapes上的实验都取得了良好的效果,该方法不仅提高了物体边界的分割精度,而且预测时间小于基于聚类算法的深度卷积网络。(本文来源于《华东师范大学》期刊2019-03-12）
翟德超,范亚男,周亚男[8]（2019）在《融入边界特征的遥感影像多尺度分割》一文中研究指出以往的遥感影像多尺度分割方法对边界特征分析运用较少,为此提出了融入边界特征的多尺度加权聚合遥感影像分割方法(edge-incorporated multi-scale image segmentation by weighted aggregation,EIMSSWA)。首先,检测影像梯度特征生成边界图;然后,在基元合并过程中计算相邻基元间公共边界的多种统计特征,并将其同基元的其他区域特征相结合,优化基元间的相似性度量,提高影像多尺度分割结果的精度;最后,通过e Cognition软件的多尺度分割、基于加权聚合的影像分割(segmentation by weighted aggregation,SWA)和EIMSSWA等3组实验来验证方法的分割精度。结果表明,EIMSSWA方法能够取得更高精度、更合理的影像分割结果。(本文来源于《国土资源遥感》期刊2019年03期）
杨晓文,曹山海,韩燮[9]（2019）在《基于边界特征的叁维模型分割》一文中研究指出点云分割是叁维模型检索、分类及重建的基础,为解决点云分割算法存在鲁棒性差、过分割和欠分割问题,提出一种基于边界特征的点云模型分割算法。将点云模型过分割为弱凸区域,利用巴氏距离判断相邻区域的相似性进行区域合并,采用改进的形状直径函数进行最终合并。由主流评价方法及实验证明,大多数模型可以取得良好的分割效果。(本文来源于《计算机工程与应用》期刊2019年04期）
王振华,何婉雯,孙婧琦,曲念毅,黄冬梅[10]（2019）在《改进水平集模型的海岛边界快速分割方法研究》一文中研究指出海岛是海洋开发和利用的一个重要载体。海岛边界的快速分割方法研究具有重要的科学价值和战略意义。遥感技术由于具有远距离对地观测的特点,为研究海岛提供了重要的数据资源。鉴于遥感数据波段数多、实时性强和面积覆盖广等特点,提出了一种海岛边界快速分割模型。该模型分为两方面:基于K均值聚类算法实现海岛边界的粗分割;将海岛边界的粗分割结果作为输入,基于水平集方法实现海岛边界优化。以福建省福州海域某两个海岛的边界分割为例,将改进模型与传统的Chan-Vese模型、测地活动轮廓模型和二值化高斯滤波水平集模型进行比较,结果表明:改进模型的计算耗时和迭代次数较传统分割模型至少降低了50%;改进模型的海岛边界结果精度更加逼近目视解译分割结果。由此可见,改进模型有效地解决了传统分割模型效率低、过分割等现象,为海岛普查等提供了一种快速分割方法。(本文来源于《计算机科学与探索》期刊2019年07期）
边界分割论文开题报告
（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：
最近几年,伴随着大规模的城市化和征地拆迁,由征地拆迁补偿分配和村改居过程中集体资产分割而引发的矛盾和冲突越来越多,并由此导致了多起大规模的群体性事件,在舆论界和学术界引起了越来越多的关注。综观最近几年被舆论界广泛关注的因集体资产分割而导致的矛盾冲突和群
（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。
边界分割论文参考文献
[1].韩书庆,张建华,孔繁涛,张腾飞,吴海玲.基于边界脊线识别的群养猪黏连图像分割方法[J].农业工程学报.2019
[2].刘玉照.财产起源与村落边界——征地拆迁补偿分配和村改居中集体资产的分割[J].国家治理.2019
[3].谌华,郭伟,闫敬文.综合边界和纹理信息的合成孔径雷达图像目标分割[J].中国图象图形学报.2019
[4].宋小娜,芮挺,王新晴.结合语义边界信息的道路环境语义分割方法[J].计算机应用.2019
[5].杨玉成,张乾.基于弱边界增强结构森林的舌苔图像分割[J].计算机与网络.2019
[6].华梅芳.基于种子生长及边界约束的弱监督图像语义分割算法研究[D].华南理工大学.2019
[7].刘佳伟.基于深度卷积网络和边界优化的图像语义分割研究[D].华东师范大学.2019
[8].翟德超,范亚男,周亚男.融入边界特征的遥感影像多尺度分割[J].国土资源遥感.2019
[9].杨晓文,曹山海,韩燮.基于边界特征的叁维模型分割[J].计算机工程与应用.2019
[10].王振华,何婉雯,孙婧琦,曲念毅,黄冬梅.改进水平集模型的海岛边界快速分割方法研究[J].计算机科学与探索.2019