导读:本文包含了语义对象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:超像素分割,前景分割,图像视频分割,有向图
语义对象分割论文文献综述
罗冰[1]（2017）在《语义对象分割方法研究》一文中研究指出随着互联网及大数据多媒体的高速发展,如何从海量媒体数据中挖掘用户需求的有用数据已成为信息时代的迫切任务。这不仅涉及信息检索、数据挖掘等中低层技术手段,而且还关系到分析与理解等高层认知模型的构建。其中,图像视频语义分割作为多媒体数据分析与理解的关键步骤,不仅能够获取感兴趣的语义区域,而且能去除噪声数据的干扰,为多媒体的分析与理解提供了精准的数据描述。然而,由于图像视频内容的多义性,使得语义分割受到了巨大的挑战。因此,本文开展了对图像及视频的语义对象分割理论方面的研究。基于自然图像和视频数据场景复杂及目标先验获取困难等问题,本文以语义可挖掘性以及区域可判别性为主要目标,围绕中层语义特征的目标分割及人工交互高层语义的目标分割等问题展开了深入研究。具体的研究内容和创新点包括以下几个方面:第一,研究了基于图像颜色及目标轮廓的中层语义分割问题,针对复杂背景下的区域一致性衡量结合目标轮廓似然提出了一种基于最小生成树的快速非迭代的线性时间超像素分割方法。该方法不仅能提取高精度的超像素,并能生成具有局部视觉感知的中层语义区域。第二,针对特定类别的单目标对象在复杂背景下对象提取困难的问题进行了基于目标窗口的高层语义对象分割研究,考虑了将对象及部件检测作为辅助信息,提出了基于最小生成树的部件组合模型。通过刻画对象局部部件之间的关联性结合分割质量评价以获取完整准确的对象分割。所提出的方法能够在对象检测定位不精确及噪声干扰情况下,依然保持鲁棒的分割性能。第叁,针对多个前景对象外观先验获取的难题,进行了基于人工交互的多目标语义分割研究。提出了基于形式概念分析与凸形状先验的交互式多目标分割模型。该方法不需要特定对象外观先验的获取及更新过程,降低了模型的复杂度。引入的形式概念分析及凸形状先验,将传统的多变量标签优化转化为二值优化问题,极大的降低了计算量。该方法提出的非迭代的快速有效的交互式多目标分割,解决了传统方法模型复杂计算量大的问题。第四,针对视频序列运动模糊,场景复杂,光照变化,对象先验获取困难的问题,进行了基于视频复杂度感知特征的语义对象分割研究。提出了基于视频复杂度感知及部件分割传播模型的语义对象分割方法。前者针对视频背景提出了视频复杂度的一系列评价指标,有效捕获了简单背景下的视频帧。后者构建了基于部件的分割及传播模型,克服了由前景背景相似性及噪声引起的干扰问题。该方法解决了传统方法在复杂视频下对象先验获取的难题。第五,针对传统视频标注过程缺乏有效指导的问题,进行了基于视频区域全局一致性感知的语义对象分割研究。引入了全局一致性用于评价区域的标注可能性,同时引入区域采样来逼近样本空间的分割变化,为用户提供最可能是对象的标注区域,同时该区域的标注能够使得分割结果最大程度地改善。该模型解决了复杂视频中,多目标对象有效标注的问题。第六,针对传统分割方法场景单一,目标连续及尺度不变的假设不能适用于长视频序列场景多变,镜头切换和目标尺度变化等问题,进行了基于尺度感知目标检测的语义对象分割研究,提出了基于有向图的变化尺度目标检测模型,解决了长视频中场景变化,镜头切换和目标尺度变化情况下的对象分割问题。(本文来源于《电子科技大学》期刊2017-10-23）
陈天堂[2]（2012）在《语义对象分割方法研究》一文中研究指出普通图像中往往存在着多个物体对象,而我们特别对其中能够代表图像内容、具有语义信息的对象感兴趣。这时,需要将语义对象进行分割与提取,语义对象分割技术因此应运而生,并日益发展成为图像分割的一个重要分支,在图像编辑、视频编码及安全监控等多个领域得到广泛的应用。传统的语义对象分割方法通常需要对图像样本进行学习,训练出分类器,利用分类器对图像中的语义对象进行检测,然后根据检测结果进行分割。由于分割过程依赖于检测,这种方法得到的分割结果将直接受到分类器性能的影响。而目前流行的语义对象分割方法则是,利用用户交互或图像中自身具有的特性,发掘出图像中隐含的语义信息,利用语义信息去指导语义对象的分割；这种方案由于采用类似监督的思想,往往能得到更加精细的分割结果。本文主要研究第二种方案下的语义对象分割算法,具体是图像共分割与低景深图像分割。在分析热门的基于图的图像分割方法的基础上,文章提出了两种新的语义对象分割方法：一、根据归一化割的推导思路,提出基于谱的图像共分割方法。该方法首先为图像对建立图模型,构建分割代价函数；然后引入矩阵,将最小化代价函数问题转化为特征分解问题；最后,利用谱聚类思想实现共分割。二、结合幅度谱分析与graph cut,提出基于图像幅度谱的低景深图像分割方法。该方法首先对低景深图像的幅度谱进行分析,得出幅度谱分解模型。然后在此基础上,计算能检测对焦对象的对焦图。最后,二值化对焦图以得到初始分割结果,再使用graph cut进行边界优化,完成分割。实验表明,本文提出的方法能够准确分割出图像中的语义对象,具有分割精度高、效率快等特点。(本文来源于《电子科技大学》期刊2012-05-10）
江岩,张文俊,赵锟,吴瑞敏[3]（2011）在《运用多级对象语义框架的彩色图像分割》一文中研究指出提出了一种运用多级语义框架的彩色图像分割方法。通过用户交互,不仅可以分割出多区域对象,还可以对用户定义的该对象的子对象进行识别,并给出它们之间的语义关系,从而反馈修正先前的分割结果,使结果更准确。实验测试了不同种类的图片和视频序列帧。各级分割结果与语义关系可有效应用于后续的基于图像、视频对象或部分对象的编辑应用。(本文来源于《电视技术》期刊2011年11期）
朱仲杰,王玉儿,蒋刚毅,梁丰[4]（2009）在《基于FMM的图像建模与语义对象分割》一文中研究指出提出一种基于有限混合模型(FMM)的图像自动建模与语义分割方法。算法采用分水岭算法进行预分割,以给FMM模型设定合适的初始参数。同时针对传统EM算法的不足,对其分类结果自动执行合并与分裂操作以获得最佳分类数并跳出局部极值点。实验结果显示新方法能获得较精确的具有良好视觉感知的语义分割结果。(本文来源于《电路与系统学报》期刊2009年06期）
韩忠民[5]（2009）在《语义对象分割的若干方法研究》一文中研究指出语义对象分割的应用领域相当宽泛,包括视频编码、视频监控、图象和视频编辑、图象和视频检索、人机交互、图象理解以及对象识别等,这些应用系统性能的优劣在很大程度上取决于语义对象分割结果的好坏,因此语义对象分割具有非常重要的研究意义和应用价值。在经典的视频对象分割研究基础上,近几年来对于图象和视频中对象分割的研究已逐步聚焦在对显着对象的自动分割和基于视觉关注度的感兴趣语义对象的提取,并取得了不少成果,但仍有值得改善之处。本文的研究主要属于这一领域,对其中的方法或算法作了改进。此外,对运动对象可能存在的运动阴影也作了较深入的研究,取得了较好的结果。本文的主要工作包括:第一,为了准确地从彩色图象中提取出视觉上显着的对象,提出了一种基于区域显着性比值的显着对象自动提取方法。首先用核密度估计方法把输入图象分割成不同的区域,并通过高斯图象金字塔计算输入图象的多分辨率对比度特征,生成一个具有尺度不变性的显着性图;然后计算每个区域组合与其补集的区域显着性及其比值;最后通过找出这个比值的最大值从而提取出显着对象。该方法能够有效地从彩色图象中提取出符合人类视觉关注的多个显着对象。第二,对于视频序列中感兴趣运动对象的分割问题,提出了一种结合有选择的视觉关注度和马尔可夫随机场(Markov Random Field)的分割方法。首先把灰度级为256的输入图象转换成8个灰度级波段的图象,进而根据象素在相邻两帧的灰度级波段是否发生变化提取出运动特征;接着利用连通成分标记算法并结合运动特征以获得运动区域;然后提取出这些运动区域的形状特征并且和预先定义的感兴趣对象的形状特征进行比较,从而得到初始的运动对象分割结果;最后把每个象素的状态沿着时间的记录作为MRF的能量函数,通过能量最小化获得最终更为精确的运动对象分割结果。本方法能够有效地把场景中的运动象素和背景象素区别开,提高了对象分割的准确性。第叁,对于视频对象分割中运动阴影消除的问题,提出了一种结合色度、亮度和边缘信息的方法。首先使用结合核密度估计和边缘信息的分割方法获得初始对象分割结果及其中运动对象的边缘,然后提取输入视频帧的色度和亮度信息以得到可能的运动阴影区域,最后利用阴影区域生长方法将运动阴影区域和运动对象区分开。对室内外视频序列的实验结果表明,该方法具有良好的消除运动阴影的性能。(本文来源于《上海大学》期刊2009-07-01）
刘志,张兆杨[6]（2007）在《语义对象分割技术综述》一文中研究指出语义对象分割是各种基于内容的多媒体应用领域中的一项关键技术,是近10年来图像与视频处理领域的一个研究热点.从实际应用的角度出发,介绍了叁类具有应用价值的语义对象分割方法,即实时的自动对象分割、非实时的交互式对象分割以及针对具体应用的基于先验知识的对象分割.在分析了各类语义对象分割技术的利弊后,指出了语义对象分割技术的进一步研究应该结合高层语义信息来扩大其适用范围,并展望了目前刚刚起步的基于视觉关注度的语义对象分割方法.(本文来源于《上海大学学报(自然科学版)》期刊2007年04期）
汤志平,杨树堂,李建华[7]（2007）在《一种多层次语义视频对象分割算法》一文中研究指出提出一种基于高斯马尔可夫随机场及规则化图划分的多层次语义视频对象分割算法,其主要特点是将视频序列帧中对象的分割看成是“内容树”结构中复合结点的形成过程.首先使用高斯-马尔可夫模型来进行视频帧内的最优标记场标定,然后引入规则化图划分准则进行过分割区域的合并,得到具有语义意义的视频对象.实验表明,本分割算法具有较高的准确性,误差的均值为11.375%,标准方差为0.94%.(本文来源于《上海交通大学学报》期刊2007年01期）
徐驰,徐燕凌[8]（2006）在《基于对象语义的图像分割和分类方法》一文中研究指出提出一种基于对象语义的图像分割和分类方法.建立多层级区域生长算法HRGSeg对图像进行分割,从而去除“弱对象语义”细节,降低过度分割的影响.在此基础上,提取颜色、边缘、纹理等低层次特征作为特征向量,并利用支持向量机建立样本训练机制,实现低层次特征向高层对象语义的映射.实验中,采用层次化分类机制,取得了较理想的结果.(本文来源于《重庆大学学报(自然科学版)》期刊2006年08期）
任和,梅林,吴立德[9]（2003）在《在MPEG视频上的语义视频对象分割改进算法》一文中研究指出随着MPEG 4 ,MPEG 7等标准的提出 ,如何提取语义视频对象已成为当前视频压缩和检索领域共同的研究课题 特别是MPEG - 7对视频对象的形状检索提出了具体要求 针对顾创等人的WaterShed算法不能很好处理现有MPEG 1视频数据的缺陷 ,提出改进算法 ,从而能够在MPEG视频流中提取到具有光滑轮廓的语义视频对象 算法主要有以下两点改进 :提出将类成员数作为分类算法的参数 ;在压缩域和解码后的图像上先后进行两次分割 实验结果表明 ,改进算法在鲁棒性和分割结果精度上比原算法有较大的改进 ,其分割结果可用于轮廓检索和重要视频对象检索(本文来源于《计算机研究与发展》期刊2003年03期）
陈韩锋,戚飞虎[10]（2002）在《结合多种语义信息的半自动视频对象分割》一文中研究指出本文提出了一种半自动视频对象分割方法.该方法结合了多种视频语义信息,来提高分割的效率和分割方法的通用性.在视频的初始帧中用半自动绘制的多边形初始化目标对象区域;然后在后续帧中自动跟踪对象区域,对于一般性对象采用基于后向块匹配的像素对应方法进行跟踪;针对平移运动的刚体对象和变化很缓慢的对象本文提出了专门的跟踪方法;最后利用一种基于同等组的模板修正方法来修正每一帧的分割模板.利用本文的方法获得了精确稳定的实验结果.(本文来源于《电子学报》期刊2002年S1期）
语义对象分割论文开题报告
（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：
普通图像中往往存在着多个物体对象,而我们特别对其中能够代表图像内容、具有语义信息的对象感兴趣。这时,需要将语义对象进行分割与提取,语义对象分割技术因此应运而生,并日益发展成为图像分割的一个重要分支,在图像编辑、视频编码及安全监控等多个领域得到广泛的应用。传统的语义对象分割方法通常需要对图像样本进行学习,训练出分类器,利用分类器对图像中的语义对象进行检测,然后根据检测结果进行分割。由于分割过程依赖于检测,这种方法得到的分割结果将直接受到分类器性能的影响。而目前流行的语义对象分割方法则是,利用用户交互或图像中自身具有的特性,发掘出图像中隐含的语义信息,利用语义信息去指导语义对象的分割；这种方案由于采用类似监督的思想,往往能得到更加精细的分割结果。本文主要研究第二种方案下的语义对象分割算法,具体是图像共分割与低景深图像分割。在分析热门的基于图的图像分割方法的基础上,文章提出了两种新的语义对象分割方法：一、根据归一化割的推导思路,提出基于谱的图像共分割方法。该方法首先为图像对建立图模型,构建分割代价函数；然后引入矩阵,将最小化代价函数问题转化为特征分解问题；最后,利用谱聚类思想实现共分割。二、结合幅度谱分析与graph cut,提出基于图像幅度谱的低景深图像分割方法。该方法首先对低景深图像的幅度谱进行分析,得出幅度谱分解模型。然后在此基础上,计算能检测对焦对象的对焦图。最后,二值化对焦图以得到初始分割结果,再使用graph cut进行边界优化,完成分割。实验表明,本文提出的方法能够准确分割出图像中的语义对象,具有分割精度高、效率快等特点。
（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。
语义对象分割论文参考文献
[1].罗冰.语义对象分割方法研究[D].电子科技大学.2017
[2].陈天堂.语义对象分割方法研究[D].电子科技大学.2012
[3].江岩,张文俊,赵锟,吴瑞敏.运用多级对象语义框架的彩色图像分割[J].电视技术.2011
[4].朱仲杰,王玉儿,蒋刚毅,梁丰.基于FMM的图像建模与语义对象分割[J].电路与系统学报.2009
[5].韩忠民.语义对象分割的若干方法研究[D].上海大学.2009
[6].刘志,张兆杨.语义对象分割技术综述[J].上海大学学报(自然科学版).2007
[7].汤志平,杨树堂,李建华.一种多层次语义视频对象分割算法[J].上海交通大学学报.2007
[8].徐驰,徐燕凌.基于对象语义的图像分割和分类方法[J].重庆大学学报(自然科学版).2006
[9].任和,梅林,吴立德.在MPEG视频上的语义视频对象分割改进算法[J].计算机研究与发展.2003
[10].陈韩锋,戚飞虎.结合多种语义信息的半自动视频对象分割[J].电子学报.2002