导读:本文包含了物体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:物体识别,图像分割,随机回归森林,模型匹配
物体分割论文文献综述
左向梅,武亮[1]（2019）在《基于深度图像分割的场景物体识别与匹配》一文中研究指出场景物体识别与匹配是通过二维图像进行叁维场景分析的重要步骤。针对现有的叁维场景分析方法只是简单的将深度相机获取的图像点云数据进行配准得到原始场景的不足,通过对已进行图像语义分割的物体,利用一种改进的随机回归森林方法对物体区域进行识别,并与建立的数据库中模型匹配,根据深度信息将获得的叁维模型变换到场景中,实现场景物体的识别与匹配。通过拍摄的实验数据,验证了本方法的可行性。结果表明,本方法能够获得较好的识别与匹配结果。(本文来源于《工程技术研究》期刊2019年17期）
吴宪[2]（2019）在《基于对象分割的卫星图像中物体变化检测与识别算法研究》一文中研究指出遥感变化检测技术是以多源遥感数据为基础,以知识库为辅助对不同时段的目标、现象、过程状态的变化进行探测、识别及分析的计算机图像处理技术,包括多源数据的获取、原始数据预处理、变化信息提取及变化性质确定、变化信息后处理及检测精度评价等内容,其主要目的是通过判断目标是否发生变化,确定发生变化的区域,鉴定变化的类别,评价变化的时间和空间分布模式。随着机器学习以及深度学习的发展,以大数据为核心的深度学习算法已经从传统的自然图像处理,并逐渐扩展到遥感图像处理。本文结合机器学习及深度学习算法,对基于对象分割的卫星图像中物体变化检测和识别的算法开展深入研究,选题具有重要的意义和实用价值。本文将机器学习算法和深度学习算法相结合,以建筑物为研究对象,对卫星影像的建筑物变化检测和识别开展一系列研究,论文主要的研究内容和创新点包括以下几点:(1)对现有的遥感图像数据集进行分析,得到现有的数据集有物体变化检测和识别。针对遥感图像变化检测包含前后时相影像的特征,以前时相为参考,对后时相影像进行图像规定化。针对不同样本库分布不均衡、类间距离过近等问题,提出样本库均衡模块;为了解决样本量不足的问题,提出针对卫星图像的数据扩增算法。(2)针对从高分辨率遥感影像中识别出建筑物变化困难的问题,本文提出了一种基于堆栈降噪自编码器(Stacked Denoising Auto Encoders,SDAE)的建筑物变化检测方法。首先,对于遥感影像匹配误差,对不同时相同一场景图利用尺度不变特征变换(Scale-invariant feature transform,SIFT)算法提取出他们的特征点,进行图像对齐。然后,使用堆栈降噪自编码器提取图像的特征,并采用模糊C均值(Fuzzy C-means,FCM)算法获取发生变化的区域。算法检测效率高,能适应不同源影像的光谱差异。(3)根据建筑物空间特性具有一定规律性的特点,在U-net模型的基础上提出了一种新的模型Widenet(W-net)。并且针对建筑物集群分布和零散分布这两种情况造成的正样本和负样本分布不均衡问题,采用混合损失函数来解决训练数据的不平衡问题。连接两个U-net模型,将其命名为W-net,第一个U-net输出辅助信息,如建筑物拓扑和像素距离。第二个U-net通过将每个像素划分为建筑物或非建筑物来生成建筑物掩码。(4)针对遥感图像覆盖场景大,背景复杂,需要检测算法鲁棒性高,检测效率高,并且克服不同源影像间的光谱差异问题,本文结合上述提出的基于SDAE和FCM的无监督变化检测算法检测出变化区域,然后在变化区域的基础上利用W-net网络进行建筑物识别,结果表明,本文提出针对建筑物的变化检测算法可靠性高,检测速度快。(本文来源于《北京交通大学》期刊2019-06-01）
肖锋,芮挺,任桐炜,王东[3]（2019）在《全卷积语义分割与物体检测网络》一文中研究指出目的目前主流物体检测算法需要预先划定默认框,通过对默认框的筛选剔除得到物体框。为了保证足够的召回率,就必须要预设足够密集和多尺度的默认框,这就导致了图像中各个区域被重复检测,造成了极大的计算浪费。提出一种不需要划定默认框,实现完全端到端深度学习语义分割及物体检测的多任务深度学习模型(FCDN),使得检测模型能够在保证精度的同时提高检测速度。方法首先分析了被检测物体数量不可预知是目前主流物体检测算法需要预先划定默认框的原因,由于目前深度学习物体检测算法都是由图像分类模型拓展而来,被检测数量的无法预知导致无法设置检测模型的输出,为了保证召回率,必须要对足够密集和多尺度的默认框进行分类识别;物体检测任务需要物体的类别信息以实现对不同类物体的识别,也需要物体的边界信息以实现对各个物体的区分、定位;语义分割提取了丰富的物体类别信息,可以根据语义分割图识别物体的种类,同时采用语义分割的思想,设计模块提取图像中物体的边界关键点,结合语义分割图和边界关键点分布图,从而完成物体的识别和定位。结果为了验证基于语义分割思想的物体检测方法的可行性,训练模型并在VOC(visual object classes)2007 test数据集上进行测试,与目前主流物体检测算法进行性能对比,结果表明,利用新模型可以同时实现语义分割和物体检测任务,在训练样本相同的条件下训练后,其物体检测精度优于经典的物体检测模型;在算法的运行速度上,相比于FCN,减少了8ms,比较接近于YOLO(you only look once)等快速检测算法。结论本文提出了一种新的物体检测思路,不再以图像分类为检测基础,不需要对预设的密集且多尺度的默认框进行分类识别;实验结果表明充分利用语义分割提取的丰富信息,根据语义分割图和边界关键点完成物体检测的方法是可行的,该方法避免了对图像的重复检测和计算浪费;同时通过减少语义分割预测的像素点数量来提高检测效率,并通过实验验证简化后的语义分割结果仍足够进行物体检测任务。(本文来源于《中国图象图形学报》期刊2019年03期）
鲁荣荣,朱枫,吴清潇,崔芸阁,孔研自[4]（2019）在《一种板型物体混迭场景的快速分割算法》一文中研究指出针对多个板型物体混迭摆放的场景,提出了一种快速有效的分割算法。该算法充分利用有序点云的特点,将自顶向下以及自底向上的分割策略结合,根据叁维点的空间位置和法向量,利用随机采样一致性(RANSAC)算法从叁维点云数据中快速提取平面点集;然后将提取的平面点集所对应的图像坐标映射为二值图像,通过连通区域分析将其分割为多个连通的平面区域;接着利用"胶水"算法对这些区域进行快速合并,并对较大的弱连接连通区域进行断裂修正,得到最终的分割结果。实验结果表明:与区域生长算法相比,所提算法的分割结果更优,且算法效率大幅提升。(本文来源于《光学学报》期刊2019年04期）
陈昊天,郑阳,张钰桐,孙凤池,黄亚楼[5]（2019）在《基于物体间支撑语义关系的室内场景彩色深度图像分割》一文中研究指出场景理解是智能自主机器人领域的一个重要研究方向,而图像分割是场景理解的基础.但是,不完备的训练数据集,以及真实环境中的罕见情形,会导致在图像分割时存在先验知识不完备的情况,进而影响图像分割的效果.因此,提出在彩色深度(RGB–D)图像上使用抽象的支撑语义关系来解决多样的物体形态所面对的先验知识不完备问题.在先验知识不完备情况下,针对自底向上的图像分割过程中被过度分割出的物体块,首先对物体块间的支撑语义关系进行建模并计算其支撑概率,然后构造能够度量场景总体稳定性的能量函数,最后通过Swendsen-Wang割(SWC)随机图分割算法最小化该能量函数的值,将物体块间的支撑概率转化为强支撑语义关系并完成物体块合并,实现先验知识不完备情况下的图像分割.实验结果证明,结合支撑语义关系的图像分割能够在先验知识不完备的情况下,将同一物体被过度分割的部分重新合并起来,从而提升了图像分割的准确性.(本文来源于《控制理论与应用》期刊2019年04期）
江宛谕[6]（2018）在《基于深度学习的物体检测分割》一文中研究指出随着信息社会的发展,尤其是人工智能在我们日常生活中的应用也变得越来越多,图像分割以及目标检测作为计算机视觉领域的两个基础问题,应用深度学习来解决这两个基础问题也变得越来越普遍。本文在MSCOCO的数据集上使用了多任务的卷积神经网络结构,分别对图像中的物体做分割,检测以及分类。最终取得了比较好的分割检测结果。(本文来源于《电子世界》期刊2018年15期）
周巧娣,刘松茹,蒋洁[7]（2018）在《基于LBP核密度估计的HEVC运动物体分割算法》一文中研究指出针对相对运动缓慢的目标物体在低分辨率视频中分割精度不高的问题,结合高效视频编码(HEVC)压缩码流信息,提出了一种基于局部二值模式(LBP)核密度的运动物体分割方法。首先从视频码流中得到初始运动矢量和块划分信息,初始运动矢量经预处理得到稳定的运动矢量,再利用块信息增强运动矢量区域的可信度,然后采用LBP对运动矢量区域进行特征提取,最后结合核密度估计方法进行背景建模,分割图像并得到运动目标物体。使用多个标准序列进行对比测试实验,结果表明,提出的算法有效提高了相对运动缓慢的目标物体在低分辨率视频图像中的分割精度,综合评价指标的平均值达到81.70%,相比于常用的视频分割方法有较大的提高;对于高分辨率视频图像,其综合评价指标的平均值也较高。(本文来源于《杭州电子科技大学学报(自然科学版)》期刊2018年03期）
李金东[8]（2018）在《基于似物性采样的语义物体检测与分割》一文中研究指出随着智能设备和社交媒体的飞速发展,互联网上的图像数据量爆炸式增长,因此通过计算机对这些数据进行自动地分析处理成为了非常迫切的需求。其中,图像物体检测和语义分割是计算机视觉领域的两个最基本的研究问题,学者们也已经进行了几十年的深入研究。物体检测技术的目标是用图像处理和模式识别的理论和方法来检测目标对象,确定这些物体的语义范畴,并标记物体在图像中的具体位置。语义分割描述了将图像的每个像素与类别标签关联的过程。语义分割是在像素级别理解图像,即我们希望为图像中的每个像素分配一个对象类。近年来,随着深度学习的快速兴起,在计算机视觉领域主要是卷积神经网络(ConvolutionalNeural Networks,CNN),检测和分割性能已经取得了一系列重大突破,在一些任务中甚至超过了人类视觉。这些基于(CNN的物体检测方法大都基于似物性采样,通过低层视觉特征快速提取似物性物体,然后通过CNN对其进行语义分类,然而现有的似物性采样方法定位不够准确,采样窗口也存在较大冗余。在语义分割方面,现有基于CNN的方法大都需要像素级的标注数据用于网络监督,而这种标注数据的获取非常耗时耗力。为此,本文通过研究以下内容来改进以上问题:1.提出了一种闭合轮廓显着性检测方法,并将其用于似物性采样窗口的定位精度修正。通过对采样窗口进行多尺度的放大,可以更好地将窗口中物体检测出来,得到显着性图后,只需简单地将其二值化就可以对其进行修正。最后,在利用显着性值之和对各个修正后的采样窗口进行排序输出似物性得分最高的窗口。通过在PASCAL VOC 2007测试数据集中的实验结果表明,现有的似物性采样方法经过修正后,定位精度都得到了较大幅度地提升,尤其是在高IoU下。2.对现有无监督似物性采样方式的有效性和生成能力进行了对比。通过现有的PASCAL VOC 2007公开数据集实验,对似物性采用重采样方法进行了对比性研究以及对取得最好精确度效果的方法进行说明。有了上述似物性采样窗口的重采样方法,非极大值抑制可以更好地去除采样出来的冗余窗口,有利于后续的物体检测任务。因此,可以取得高质量的似物性采样窗口和高速的检测效率。3.提出基于区域物体检测的一种简明语义分割方法,该方法仅仅在训练物体检测器时用到基于边界框级别的标注,在保证性能的同时对数据集的标注要求更低,因而还可以通过增加数据集规模进一步提升分割性能。在PASCAL VOC 2012验证数据集上实验结果表明,提出的方法可以和一些全监督学习方法相媲美,也可以在物体边缘处得到更加锐利的轮廓等细节。(本文来源于《扬州大学》期刊2018-04-01）
曹风云,胡玉娟,王浩,施培蓓[9]（2018）在《融合T节点线索的图像物体分割》一文中研究指出目的图像分割是计算机视觉、数字图像处理等应用领域首要解决的关键问题。针对现有的单幅图像物体分割算法广泛存在的过分割和过合并现象,提出基于图像T型节点线索的图像物体分割算法。方法首先,利用L0梯度最小化方法平滑目标图像,剔除细小纹理的干扰;其次,基于Graph-based分割算法对平滑后图像进行适度分割,得到粗糙分割结果;最后,借助于图像中广泛存在的T型节点线索对初始分割块进行区域合并得到最终优化分割结果。结果将本文算法分别与Grabcut算法及Graph-based算法在不同场景类型下进行了实验与对比。实验结果显示,Grabcut算法需要人工定位边界且一次只能分割单个物体,Graph-based算法综合类内相似度和类间差异性,可以有效保持图像边界,但无法有效控制分割块数量,且分割结果对阈值参数过分依赖,极易导致过分割和过合并现象。本文方法在降低过分割和过合并现象、边界定位精确性和分割准确率方面获得明显改进,几组不同类型的图片分割准确率平均值达到91.16%,明显由于其他算法。处理图像尺寸800×600像素的图像平均耗时3.5 s,较之其他算法略有增加。结论与各种算法对比结果表明,该算法可有效解决过分割和过合并问题,对比实验结果验证了该方法的有效性,能够取得具有一定语义的图像物体分割结果。(本文来源于《中国图象图形学报》期刊2018年03期）
陈颖[10]（2018）在《物流场景中基于RGBD信息的物体分割》一文中研究指出物体分割是物流场景中机器人分拣的基础性问题。传统机器人分拣作业中,分拣对象为具有已知CAD模型或纹理模型的刚性物体。但是物流分拣场景中物流快件具有纹理模型未知、形状未知且存在重迭堆放等特点,难以用传统的预定义CAD模型匹配算法或纹理匹配算法完成分割。为此本文研究物流场景下基于RGBD信息的物体分割算法,按单视角物体分割和位姿估计、多视角融合分割和动态场景融合分割叁方面展开。本文的主要研究成果如下:1.提出了改进点云方向相似性特征和面元关系描述的深度图分割算法。针对物体在颜色、纹理相似的情况下基于颜色信息分割存在较大误差的问题,本文提取物体稳定几何信息完成分割。相对于传统基于点云法向量夹角区域增长算法,本文一方面在此基础上通过点云局部特征(点云和邻域点云夹角的均值)、全局特征(点云法向量和该点与视点连线夹角)和欧氏距离特征相似性完成物体面元分割;另一方面通过计算面元之间的凹凸关系和连接关系构建图模型,完成面元合并从而实现物体分割。实验结果表明该算法在OSD数据集上精度达到91.3%。2.提出了多视角下建立全局分割模型进行体素模型更新的分割算法。本文使用RGBD SLAM框架进行多视角下的相机位姿估计,由于估计结果存在一定误差,所以真实世界中的同一点在不同视角下的像素位置存在奇异性。因此本文建立全局分割模型用于存储在不同视角下的像素点标签值,并通过多次观察完成标签值更新,从而完成体素模型下的多视角物体分割。实验结果表面在本文标注数据集上,多视角分割精度可达96.84%,相较于单视角分割精度91.31%有了 5.53%提升。3.提出了融合颜色、亮度、深度的背景建模和前景提取融合分割方法。传统的背景建模方法,如GMM和codebook等,使用RGB信息完成背景建模,易受光照、阴影等情况影响,本文在此基础上提出融合颜色失真、亮度失真和深度失真的背景建模算法。由于物流分拣场景中往往只会发生局部变化,全局分割会相对耗时,所以本文融合了前景区域的分割结果和背景静态区域的分割结果,从而快速完成场景融合分割。实验结果表明该算法在SMB数据集上的平均精度有94.79%,并且图像单帧分割速度从单视角下的1.27fps提升到了 11.9fps。(本文来源于《浙江大学》期刊2018-03-01）
物体分割论文开题报告
（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：
遥感变化检测技术是以多源遥感数据为基础,以知识库为辅助对不同时段的目标、现象、过程状态的变化进行探测、识别及分析的计算机图像处理技术,包括多源数据的获取、原始数据预处理、变化信息提取及变化性质确定、变化信息后处理及检测精度评价等内容,其主要目的是通过判断目标是否发生变化,确定发生变化的区域,鉴定变化的类别,评价变化的时间和空间分布模式。随着机器学习以及深度学习的发展,以大数据为核心的深度学习算法已经从传统的自然图像处理,并逐渐扩展到遥感图像处理。本文结合机器学习及深度学习算法,对基于对象分割的卫星图像中物体变化检测和识别的算法开展深入研究,选题具有重要的意义和实用价值。本文将机器学习算法和深度学习算法相结合,以建筑物为研究对象,对卫星影像的建筑物变化检测和识别开展一系列研究,论文主要的研究内容和创新点包括以下几点:(1)对现有的遥感图像数据集进行分析,得到现有的数据集有物体变化检测和识别。针对遥感图像变化检测包含前后时相影像的特征,以前时相为参考,对后时相影像进行图像规定化。针对不同样本库分布不均衡、类间距离过近等问题,提出样本库均衡模块;为了解决样本量不足的问题,提出针对卫星图像的数据扩增算法。(2)针对从高分辨率遥感影像中识别出建筑物变化困难的问题,本文提出了一种基于堆栈降噪自编码器(Stacked Denoising Auto Encoders,SDAE)的建筑物变化检测方法。首先,对于遥感影像匹配误差,对不同时相同一场景图利用尺度不变特征变换(Scale-invariant feature transform,SIFT)算法提取出他们的特征点,进行图像对齐。然后,使用堆栈降噪自编码器提取图像的特征,并采用模糊C均值(Fuzzy C-means,FCM)算法获取发生变化的区域。算法检测效率高,能适应不同源影像的光谱差异。(3)根据建筑物空间特性具有一定规律性的特点,在U-net模型的基础上提出了一种新的模型Widenet(W-net)。并且针对建筑物集群分布和零散分布这两种情况造成的正样本和负样本分布不均衡问题,采用混合损失函数来解决训练数据的不平衡问题。连接两个U-net模型,将其命名为W-net,第一个U-net输出辅助信息,如建筑物拓扑和像素距离。第二个U-net通过将每个像素划分为建筑物或非建筑物来生成建筑物掩码。(4)针对遥感图像覆盖场景大,背景复杂,需要检测算法鲁棒性高,检测效率高,并且克服不同源影像间的光谱差异问题,本文结合上述提出的基于SDAE和FCM的无监督变化检测算法检测出变化区域,然后在变化区域的基础上利用W-net网络进行建筑物识别,结果表明,本文提出针对建筑物的变化检测算法可靠性高,检测速度快。
（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。
物体分割论文参考文献
[1].左向梅,武亮.基于深度图像分割的场景物体识别与匹配[J].工程技术研究.2019
[2].吴宪.基于对象分割的卫星图像中物体变化检测与识别算法研究[D].北京交通大学.2019
[3].肖锋,芮挺,任桐炜,王东.全卷积语义分割与物体检测网络[J].中国图象图形学报.2019
[4].鲁荣荣,朱枫,吴清潇,崔芸阁,孔研自.一种板型物体混迭场景的快速分割算法[J].光学学报.2019
[5].陈昊天,郑阳,张钰桐,孙凤池,黄亚楼.基于物体间支撑语义关系的室内场景彩色深度图像分割[J].控制理论与应用.2019
[6].江宛谕.基于深度学习的物体检测分割[J].电子世界.2018
[7].周巧娣,刘松茹,蒋洁.基于LBP核密度估计的HEVC运动物体分割算法[J].杭州电子科技大学学报(自然科学版).2018
[8].李金东.基于似物性采样的语义物体检测与分割[D].扬州大学.2018
[9].曹风云,胡玉娟,王浩,施培蓓.融合T节点线索的图像物体分割[J].中国图象图形学报.2018
[10].陈颖.物流场景中基于RGBD信息的物体分割[D].浙江大学.2018