导读:本文包含了全局信息模型论文开题报告文献综述及选题提纲参考文献，主要关键词:图像分割,活动轮廓模型,全局和局部信息,区域相似度
全局信息模型论文文献综述
邓丹君,倪波[1]（2019）在《结合全局和局部信息的区域相似度活动轮廓模型》一文中研究指出基于全局信息的CV(Chan-Vese)模型不能有效分割灰度不均匀的图像,而图像局部信息更能反映目标图像的特征。在CV模型的基础上融入目标的局部信息,并在目标函数中使用相对熵度量最小化轮廓内外区域的相似度,以提高图像分割准确度和抑制图像噪声。实验结果表明,此方法能够提高图像中灰度分布不均匀区域的目标分割精度,加快了收敛速度,并能准确定位目标对象的轮廓位置。(本文来源于《湖北理工学院学报》期刊2019年04期）
李万理,唐婧尧,薛云,胡晓晖,张涛[2]（2019）在《基于点互信息的全局词向量模型》一文中研究指出提出了一种基于点互信息的全局词向量训练模型。该模型为了避免GloVe词向量模型中使用条件概率刻画词语关系时所产生的缺点,使用了另一种相关信息——联合概率与边际概率乘积的比值——来刻画词语间的关系。为了验证模型的有效性,在相同条件下,利用GloVe模型和我们的模型训练词向量,然后使用这2种词向量分别进行了word analogy以及similarity的实验。实验表明,模型的准确率在word analogy的Semantic问题中比GloVe模型表现更好,分别在100维、200维、300维的词向量实验中,准确率提升了10.50%、4.43%、1.02%,而在similarity的实验中,模型准确率提升也达5%～6%。结果表明,模型可以更有效地捕捉词语的语义。(本文来源于《山东大学学报(理学版)》期刊2019年07期）
文威威,文贡坚,回丙伟,陈鼎新[3]（2019）在《结合全局与局部信息的点云目标识别模型库构建》一文中研究指出目的点云目标识别流程分为离线与在线阶段。离线阶段基于待识别目标的CAD模型构建一个模型库,在线基于近邻查找完成识别。本文针对离线阶段,提出一种新的模型库构建方法。方法首先将CAD模型置于一个二十面体中心,使用多个虚拟相机获取CAD模型在不同视角下的点云;然后将每个不同视角下的点云进行主成分分析并基于主成分分析的结果从多个选定的方向将点云切分为多个子部分,这些子部分包含点云的全局及局部信息;接着对每个子部分使用聚类算法获取其最大聚类,去除离群点;最后结合多种方式删减一些冗余聚类,减小模型库规模。结果在多个公开数据集上使用多种点云描述子进行对比实验,识别结果表明,相对于传统的模型库构建方法,基于本文方法进行识别正确率更高,在某些点云描述子上的识别正确率提升达到10%以上。结论通过将CAD模型在不同视角下点云的全局与局部信息都加入模型库中,本文提出的模型库构建方法可有效提高点云目标识别正确率,改善了场景目标发生遮挡时,近邻查找识别精度不高的问题。(本文来源于《中国图象图形学报》期刊2019年02期）
孟楚楚,赵立宏[4]（2019）在《结合梯度边缘信息改进的全局阈值法与GVF Snake模型的宫颈细胞图像分割》一文中研究指出主要对单个宫颈细胞中的细胞核与细胞质边缘进行精确提取。为了让GVF Snake模型提取出细胞图像边缘,首先需要得到初始轮廓。对于细胞质,通过Otsu法粗分割得到初始轮廓;对于细胞核,由于被分割物体与背景的相对大小差距过大时,Otsu法不能正确地进行分割,因此使用梯度边缘信息改进的全局阈值法粗分割得到细胞核初始轮廓。通过放置精确的初始轮廓,提高GVF Snake的效率和准确度。(本文来源于《智能计算机与应用》期刊2019年02期）
陈星,王艳,吴漩[5]（2018）在《结合全局信息的局部图像灰度拟合模型》一文中研究指出针对局部图像拟合(LIF)模型对初始轮廓大小、形状和位置敏感的问题,提出一个结合全局信息的局部图像灰度拟合模型。首先,构造了一个基于全局图像信息的全局项;其次,将该全局项与LIF模型中的局部项线性组合;最后,得到了一个以偏微分方程形式存在的图像分割模型。数值实现采用有限差分法,同时采用高斯滤波器正则化水平集函数以确保水平集函数的光滑作用。在分割实验中,当选取不同的初始轮廓时,该模型均能得到正确的分割结果,且分割时间仅为LIF模型的20%到50%。实验结果表明,所提模型既对演化曲线初始轮廓的大小、形状和位置都不敏感,又能够有效地分割灰度不均图像,且分割速度较快。此外,在无初始轮廓的情形下,该模型能快速分割一些真实图像和人造图像。(本文来源于《计算机应用》期刊2018年12期）
刘晨,池涛,李丙春,张宗虎[6]（2018）在《结合全局信息的LIF模型图像分割方法》一文中研究指出针对LIF模型对初始轮廓敏感,CV模型对初始轮廓具有较强的鲁棒性,并且2种模型对噪声污染的图像不能取得令人满意结果的问题,在原先模型能量函数基础上,构造新的能量拟合项,增强对噪声的抗噪性.采用新的CV模型,使用图像全局信息得到粗分割结果.以粗分割轮廓作为新的LIF模型的零水平集,利用图像局部信息得到精确分割结果.同时使用一种新的边缘检测算子,重新定义边缘停止函数,进一步提高了模型的抗噪性.实验结果表明,它比CV模型、LIF模型、Chen模型和Qi模型更具优势,具有更强的抗噪性.(本文来源于《东北师大学报(自然科学版)》期刊2018年02期）
赵丽科,郑顺义,魏海涛,桂力[7]（2018）在《结合全局与局部信息的主动轮廓分割模型》一文中研究指出针对传统的基于区域的主动轮廓模型在分割灰度不均匀图像和噪声图像存在效果不佳的问题,提出结合全局项与局部项的主动轮廓分割模型。全局项由CV(Chan-Vese)模型的保真项构成,局部项的构建考虑局部区域信息的同时引入反映图像灰度特性的局部熵信息。依据图像灰度的特点,选择合理的全局项和局部项参数,并加入正则项保证曲线在演化过程中保持平滑,保障分割结果的可靠性。通过变分水平集方法最小化能量泛函,依据梯度下降流迭代更新水平集,完成曲线演化。采用模拟图像和实际图像进行实验分析,结果表明,所提出的结合全局项和局部项的主动轮廓模型可以高效地分割噪声严重以及灰度分布不均匀的图像。(本文来源于《国防科技大学学报》期刊2018年01期）
舒秀[8]（2017）在《基于全局与局部信息和分裂Bregman方法图像分割模型及应用》一文中研究指出图像分割是图像处理的一项基本任务和重要部分,也是计算机视觉领域的一个基本预备性步骤。现存的分割方法有很多,例如边缘检测方法、阈值分割方法和区域增长方法等,而目前最为普遍且成功的分割方法是活动轮廓模型。虽然传统的活动轮廓模型已经取得了不错的结果,但是它们都存在一些问题:如无法处理强度非均匀的图像,对初始轮廓线敏感,对噪声不具有鲁棒性和收敛速度慢导致分割时间过长等。而且这些模型都是非凸的,极小化的过程中会导致局部极小解。为了解决非凸性的问题,我们将全局凸分割方法的思想引入到新的分割模型中。这些经典的活动轮廓模型极小化能量泛函时都采用梯度下降法,而梯度下降法收敛速度缓慢。因此我们应用分裂Bregman方法极小化能量泛函,从而得到快速分割模型。对于人脑磁共振(magnetic resonance,简称MR)图像,采用自动结合局部和全局信息的活动轮廓模型对其分割,得到人脑轮廓的同时,并对该图像进行特征提取。对于真实、合成和医学图像,除了考虑全局和局部信息,全局凸分割方法和分裂Bregman方法等,还考虑全局信息的邻域信息。对于医学MR图像,考虑偏磁场信息,得到分割结果的同时对图像进行校正。本文介绍了如下几个分割模型。自动结合局部和全局信息的活动轮廓模型(An Improved Active Contour Model Combining Local and Global Information Dynamically,简称GCLGIF模型),已经成功地分割了一些图像强度不均匀的真实和合成图像,而且与传统的活动轮廓模型相比,在准确性,鲁棒性和快速性上都有所提高。于是我们对该模型进一步整理和分析,为了对人脑轮廓和病变同时进行分割,我们用该模型的多区形式分割人脑MR图像。多区形式分割人脑MR图像不仅能得到人脑轮廓,还能得到病变的轮廓。基于全局信息和局部信息,引入了全局信息的邻域信息和边缘检测函数,并考虑了全局凸分割方法和分裂Bregman方法,我们提出了一个新的基于局部和全局及其邻域信息的分割模型(Inhomogeneous Image Segmentation Model Incorporating Neighbor-Based Intensity Fitting Information,简称NLGIF模型)。考虑了以上的众多因素,定义一个能量泛函,应用分裂Bregman方法极小化该能量泛函。NLGIF模型能够分割更加普遍的强度不均匀的图像,不仅能提高分割模型的准确性和对初始轮廓线的选取和噪声的鲁棒性,还能快速分割图像。因此,NLGIF模型是一个高效而鲁棒的分割模型。基于偏磁场信息和分裂Bregman方法,提出了新的偏磁场校正分割模型(An Improved Active Contour Model Incorporating Bias Field Correction,简称BFC模型)用于分割医学MR图像。BFC模型不仅可以得到了分割结果,同时还得到了偏磁场校正图像。定义能量泛函时,包含偏磁场信息,应用分裂Bregman方法极小化能量泛函。进行数值实验并将BFC模型与其他模型对比。实验结果也表明,新模型对初始轮廓线和噪声都具有鲁棒性,而且分割更准确,也更快速。叁个快速图像分割模型中,GCLGIF模型主要被应用于一些人脑MR图像,得到了分割结果,并对图像进行了特征提取;我们提出的NLGIF模型用来分割一些合成、真实和医学图像,不仅得到了准确的结果,而且在鲁棒性上有所提高。我们提出的BFC模型用来分割合成和医学MR图像,得到分割结果的同时还得到了偏磁场校正图像。以上模型均取得了很好的分割结果,证明了这些模型的有效性。此外我们将实验结果与其他模型进行比较,证明这些新模型优越性,主要包括图像分割的结果更加准确,对噪声和初始轮廓线选取的更不敏感,分裂Bregman方法的应用保证了算法的快速收敛从而节约了分割时间。(本文来源于《哈尔滨工业大学》期刊2017-12-01）
张陈[9]（2017）在《融合局部和全局信息的活动轮廓分割模型研究》一文中研究指出图像分割是从图像中提取感兴趣的区域或轮廓,它是图像识别和理解的关键步骤,也是图像处理领域基本而重要的一个研究方向。迄今为止,图像分割的方法已有许多种,其中基于变分水平集方法的图像分割已展现了其优越性,而基于区域的活动轮廓模型又是其中研究的热门方向之一。本文就该类方法展开研究,它主要使用图像的区域信息,并运用水平集方法和变分法理论,将分割问题转化为求解一个关于水平集函数的偏微分方程问题。尽管该方法已有不少成功的应用,但依旧有一些问题亟待解决,如分割结果依赖于初始轮廓的选取、对非同质图像(即灰度分布不均匀图像)分割结果不理想等。另一方面,图像的全局信息能提高模型的抗噪能力,并减少对初始轮廓选取的依赖性,而图像的局部信息能增强模型对非同质图像的分割本领。基于此,将局部信息和全局信息结合起来进行分割模型的构建比仅考虑局部信息或全局信息更为有利。本学位论文的主要工作如下:1.提出一种融合全局信息的局部图像拟合(LIF)分割模型。新模型的构造基于已有的LIF模型,而该模型仅仅考虑了图像的局部信息,使得分割结果常常依赖于初始轮廓的选取,并且对含噪声的图像其分割结果也不理想。针对该问题,本文融合一个简化的全局数据拟合项,并结合局部数据拟合项,构建了一个综合考虑图像全局信息和局部信息的分割模型。最后通过实验论证了新提出模型能有效减少对初始轮廓的依赖性以及增加对噪声的鲁棒性。2.提出一种改进的符号压力函数的活动轮廓分割模型。新模型的符号压力函数引入Fourier域分数阶微分信息作为局部信息,并结合图像全局信息,使其值在-1和1之间变化,有效控制演化曲线的收缩和扩张。由于分数阶微分信息具有保存和增强低频信息的性质,提出的分割模型将有利于非同质图像的分割。最后通过实验论证了新提出模型较其它模型在合成图像及真实图像上的表现更优秀。3.提出一种结合局部和全局能量拟合的自适应活动轮廓分割模型。新模型利用差值图像的能量拟合作为模型的局部项,该差值图像通过分数阶梯度模图像构造,能扩大前景和背景的差异。同时,新模型选用着名的Chan-Vese模型中的能量拟合作为模型的全局项,并通过一个自适应权值来调整局部项和全局项所占比重。最后通过实验论证了新提出模型能获得更理想的分割结果且所需时间更少。(本文来源于《深圳大学》期刊2017-06-30）
吴宜平,沈明[10]（2016）在《融入全局信息的局部拟合的活动轮廓模型》一文中研究指出提出一种结合局部和全局灰度信息的图像分割模型.该模型通过引入新的控制参数,降低了局部拟合项在局部二值拟合的活动轮廓模型(LBF模型)中的主导作用,同时增加了全局信息在模型中的辅助作用,从而改进了局部二元拟合项.实验结果表明,改进的模型不仅能分割灰度不均的图像,而且提高了轮廓初始化的灵活性.针对一些合成和真实的图像,改进的模型减轻了对轮廓初始化位置、大小及噪声的敏感性,同时加快了曲线的演化速度,减少了CPU时间.(本文来源于《福州大学学报(自然科学版)》期刊2016年03期）
全局信息模型论文开题报告
（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：
提出了一种基于点互信息的全局词向量训练模型。该模型为了避免GloVe词向量模型中使用条件概率刻画词语关系时所产生的缺点,使用了另一种相关信息——联合概率与边际概率乘积的比值——来刻画词语间的关系。为了验证模型的有效性,在相同条件下,利用GloVe模型和我们的模型训练词向量,然后使用这2种词向量分别进行了word analogy以及similarity的实验。实验表明,模型的准确率在word analogy的Semantic问题中比GloVe模型表现更好,分别在100维、200维、300维的词向量实验中,准确率提升了10.50%、4.43%、1.02%,而在similarity的实验中,模型准确率提升也达5%～6%。结果表明,模型可以更有效地捕捉词语的语义。
（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。
全局信息模型论文参考文献
[1].邓丹君,倪波.结合全局和局部信息的区域相似度活动轮廓模型[J].湖北理工学院学报.2019
[2].李万理,唐婧尧,薛云,胡晓晖,张涛.基于点互信息的全局词向量模型[J].山东大学学报(理学版).2019
[3].文威威,文贡坚,回丙伟,陈鼎新.结合全局与局部信息的点云目标识别模型库构建[J].中国图象图形学报.2019
[4].孟楚楚,赵立宏.结合梯度边缘信息改进的全局阈值法与GVFSnake模型的宫颈细胞图像分割[J].智能计算机与应用.2019
[5].陈星,王艳,吴漩.结合全局信息的局部图像灰度拟合模型[J].计算机应用.2018
[6].刘晨,池涛,李丙春,张宗虎.结合全局信息的LIF模型图像分割方法[J].东北师大学报(自然科学版).2018
[7].赵丽科,郑顺义,魏海涛,桂力.结合全局与局部信息的主动轮廓分割模型[J].国防科技大学学报.2018
[8].舒秀.基于全局与局部信息和分裂Bregman方法图像分割模型及应用[D].哈尔滨工业大学.2017
[9].张陈.融合局部和全局信息的活动轮廓分割模型研究[D].深圳大学.2017
[10].吴宜平,沈明.融入全局信息的局部拟合的活动轮廓模型[J].福州大学学报(自然科学版).2016