导读:本文包含了图像区域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:图像去雾,天空区域分割,多尺度融合,L0梯度最小化
图像区域分割论文文献综述
潘健鸿,高银[1]（2019）在《基于天空区域分割和多尺度融合的单幅雾天图像复原算法》一文中研究指出传统的暗原色理论相关算法在处理带有天空区域的雾天图像时易出现亮度损失和光晕现象。针对这一问题,该文提出一种基于空区域分割和多尺度融合的单幅雾天图像复原算法。该方法首先对图像进行缩放,根据雾天图像的特性分割天空区域,获取全局大气背景光;根据散射模型获取初步的透射率图像,运用L0梯度最小化方法获取优化的透射率图像;最后运用多尺度融合的方法对不同曝光度的图像进行融合,获取最终的去雾图像。主观观察和客观评价表明,在整体和细节方面,该算法比现有暗原色算法及其改进算法处理效果更好。(本文来源于《南京理工大学学报》期刊2019年05期）
罗会兰,卢飞,孔繁胜[2]（2019）在《基于区域与深度残差网络的图像语义分割》一文中研究指出该文提出了一种结合区域和深度残差网络的语义分割模型。基于区域的语义分割方法使用多尺度提取相互重迭的区域,可识别多种尺度的目标并得到精细的物体分割边界。基于全卷积网络的方法使用卷积神经网络(CNN)自主学习特征,可以针对逐像素分类任务进行端到端训练,但是这种方法通常会产生粗糙的分割边界。该文将两种方法的优点结合起来:首先使用区域生成网络在图像中生成候选区域,然后将图像通过带扩张卷积的深度残差网络进行特征提取得到特征图,结合候选区域以及特征图得到区域的特征,并将其映射到区域中每个像素上;最后使用全局平均池化层进行逐像素分类。该文还使用了多模型融合的方法,在相同的网络模型中设置不同的输入进行训练得到多个模型,然后在分类层进行特征融合,得到最终的分割结果。在SIFT FLOW和PASCAL Context数据集上的实验结果表明该文方法具有较高的平均准确率。(本文来源于《电子与信息学报》期刊2019年11期）
胡绍海,王敏茜[3]（2019）在《基于区域检测分割的运动模糊图像复原》一文中研究指出空间变化的运动模糊图像复原是当今图像处理领域的热点问题之一,而运动模糊区域检测更是其中的重点和难点.针对以往运动模糊区域检测算法的精确度较低的问题,提出基于检测分割的单帧运动模糊图像盲复原算法.结合多尺度感知和闭合型图分割,实现两步模糊区域检测.将检测到的模糊区域外延后进行复原,再将其去除外延部分并与清晰区域拼接,得到最终的复原结果.实验结果表明:本文算法不但显着提高了模糊区域检测精度,也有效提高了图像复原质量.同时,具有一定的普遍性,可以适用于自然场景下的多种空间变化的运动模糊图像.(本文来源于《北京交通大学学报》期刊2019年05期）
华尉然,童强[4]（2019）在《基于暗区域分割的夜间灰度图像增强》一文中研究指出随着现代大量图像处理算法的发展,灰度图像常常被用作各种算法的预处理,而在夜间,灰度图像往往由于光线不足等原因导致图像亮度、清晰度低,场景中的事物轮廓不能很好地体现出来。为了提高夜间灰度图像的清晰度,提出了一种夜间灰度图像增强算法,先找出图像中的大量暗连通区域,对暗区域做忽略处理,对非暗区域实现伽马灰度变换。结果表明,该算法能得到较好的夜间图像增强效果,并能清晰表现出夜间场景中事物轮廓。(本文来源于《湖北师范大学学报(自然科学版)》期刊2019年03期）
刘伟[5]（2019）在《基于区域分割的伪彩色医学影像图像分析及实现》一文中研究指出本文对医学影像图像伪彩色增强算法的叁种数学模型进行了理论分析,采用仿真平台对基于区域分割的伪彩色增强医学影像图像进行设计、实现和研究.理论计算和数值仿真均表明理论分析的正确性.(本文来源于《中央民族大学学报(自然科学版)》期刊2019年03期）
樊书辰,水鹏朗[6]（2019）在《形态学边缘信息引导的区域合并合成孔径雷达图像分割算法》一文中研究指出针对基于区域合并的合成孔径雷达(SAR)图像分割中,初始分割过度碎片化影响后续区域合并效率和质量的问题,提出了利用形态学边缘信息引导的区域合并(MEI-RCBLP)SAR图像分割算法。首先利用高斯和伽马函数赋权的加权中值滤波构造各向异性形态学方向比率算子,提取图像的边缘强度映射来表征边缘响应的强弱,并对边缘强度映射进行阈值化处理和分水岭变换得到高质量的初始分割;然后利用现有的相对公共边界长度惩罚区域合并技术,迭代地合并初始分割中最相似的相邻区域,直到满足合并终止条件,输出最终的分割结果。实验结果表明,相比利用统计区域生长、MISP超像素和均值比边缘信息引导的分割算法,所提出的MEI-RCBLP算法显着改善了初始分割质量,在保证最终分割质量的前提下初始分割区域数目减少了25%以上,同时最终的分割结果在不同的性能评价指标上总体优于上述对比算法。(本文来源于《西安交通大学学报》期刊2019年10期）
任志淼[7]（2019）在《基于全卷积神经网络和动态自适应区域生长法的红外图像目标分割方法》一文中研究指出复杂背景下的红外图像往往由于噪声较多、背景区域重迭、目标与背景对比度较差等因素,在对目标区域分割时会造成过分割或欠分割。针对此现象,提出了一种将全卷积神经网络和动态自适应区域生长法相结合的红外分割算法。首先利用全卷积神经网络对目标区域在像素级别进行特征提取,通过神经网络强大的自学习能力获得目标区域的粗分割结果;然后根据粗分割结果,对其取外接最小面积矩形框,并根据矩形框位置在原始图像上确定目标区域,并以此矩形区域进行动态自适应区域生长,形成第二次分割结果。最后融合全卷积网络(FCN)的粗分割结果和区域生长分割结果,实现目标区域的最终分割和提取。仿真实验表明,该方法能有效利用FCN对红外图像复杂背景的消除能力,而区域生长法对分割细节的敏感也同时弥补了FCN分割精度的不足,取得了较好的分割效果。(本文来源于《半导体光电》期刊2019年04期）
王媛媛[8]（2019）在《图像区域分割算法综述及比较》一文中研究指出图像分割技术是计算机视觉领域中对图像进行分析和模式识别的基础,无论在理论研究还是实际应用中都得到了人们的广泛重视。本文对图像分割算法进行了综述,并对基于区域的分割算法进行了分类论述,具体介绍了阈值分割、区域生长与合并、基于分类器和聚类的区域分割叁大类算法,并在此基础上提出了区域分割算法的评价标准。(本文来源于《产业与科技论坛》期刊2019年13期）
范群贞,吴浩,林真[9]（2019）在《基于形态学和区域生长法的医学图像分割》一文中研究指出图像分割技术是图像理解和图像识别的前提,分割效果的好坏将直接关系到后续图像的分析、处理。基于区域生长算法是一种比较有效的医学图像分割方法。为了提高分割质量,利用数学形态学的基本运算对生长结果进行修正,填充区域生长后的小孔洞噪声;最后通过实验,证明该方法分割效果理想。(本文来源于《机电技术》期刊2019年03期）
熊辉,孙书会[10]（2019）在《基于目标区域约束的人体手臂运动轨迹图像分割》一文中研究指出针对传统分割方法存在分割完整性不足、分割耗时较长以及分割精度较差的问题,提出基于目标区域约束的人体手臂运动轨迹图像分割方法.采取多阈值分割方法,对目标区域约束阈值进行设定,根据阈值取值,得出图像阈值分割曲面图.通过对比巴氏距离系数描述轨迹目标区域与候选目标区域之间的相似度,根据Mean Shift检索邻域范围内密度评估的极大值,迭代上述过程,不断更新运动轨迹目标,根据图像轨迹目标跟踪结果,利用目标区域约束法实现图像分割.结果表明,利用该方法后图像分割区域较为完整,耗时较短,分割精度明显提高.(本文来源于《沈阳工业大学学报》期刊2019年04期）
图像区域分割论文开题报告
（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：
该文提出了一种结合区域和深度残差网络的语义分割模型。基于区域的语义分割方法使用多尺度提取相互重迭的区域,可识别多种尺度的目标并得到精细的物体分割边界。基于全卷积网络的方法使用卷积神经网络(CNN)自主学习特征,可以针对逐像素分类任务进行端到端训练,但是这种方法通常会产生粗糙的分割边界。该文将两种方法的优点结合起来:首先使用区域生成网络在图像中生成候选区域,然后将图像通过带扩张卷积的深度残差网络进行特征提取得到特征图,结合候选区域以及特征图得到区域的特征,并将其映射到区域中每个像素上;最后使用全局平均池化层进行逐像素分类。该文还使用了多模型融合的方法,在相同的网络模型中设置不同的输入进行训练得到多个模型,然后在分类层进行特征融合,得到最终的分割结果。在SIFT FLOW和PASCAL Context数据集上的实验结果表明该文方法具有较高的平均准确率。
（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。
图像区域分割论文参考文献
[1].潘健鸿,高银.基于天空区域分割和多尺度融合的单幅雾天图像复原算法[J].南京理工大学学报.2019
[2].罗会兰,卢飞,孔繁胜.基于区域与深度残差网络的图像语义分割[J].电子与信息学报.2019
[3].胡绍海,王敏茜.基于区域检测分割的运动模糊图像复原[J].北京交通大学学报.2019
[4].华尉然,童强.基于暗区域分割的夜间灰度图像增强[J].湖北师范大学学报(自然科学版).2019
[5].刘伟.基于区域分割的伪彩色医学影像图像分析及实现[J].中央民族大学学报(自然科学版).2019
[6].樊书辰,水鹏朗.形态学边缘信息引导的区域合并合成孔径雷达图像分割算法[J].西安交通大学学报.2019
[7].任志淼.基于全卷积神经网络和动态自适应区域生长法的红外图像目标分割方法[J].半导体光电.2019
[8].王媛媛.图像区域分割算法综述及比较[J].产业与科技论坛.2019
[9].范群贞,吴浩,林真.基于形态学和区域生长法的医学图像分割[J].机电技术.2019
[10].熊辉,孙书会.基于目标区域约束的人体手臂运动轨迹图像分割[J].沈阳工业大学学报.2019