基于深度学习的图像抠图技术

图像抠图(image matting)技术是图像编辑技术的基础,广泛应用于影视后期制作和日常生活.基于深度学习的图像抠图网络,通过输入的原图和三元图来估计每个像素的α值.在原下、上采样的图像抠图技术基础上,针对抠图数据集图像差异较大容易造成网络收敛较慢的问题,在每个卷积层后加入了批量标准化(batch normalization,BN)层,对输入数据进行归一化操作,加快模型收敛速度,同时参数更新方向更符合数据集整体特性;针对抠图任务需要更关注物体边缘部分的特点,使用可变形卷积(deformable convolution)层替换普通卷积层.可变形卷积层会根据不同输入数据自适应学习卷积核形状,有效扩大感受野范围,在细节部分有更好的预测效果.     

基于深度学习的图像抠图技术

图像抠图(image matting)技术是图像编辑技术的基础, 广泛应用于影视后期制作和日常生活. 基于深度学习的图像抠图网络, 通过输入的原图和三元图来估计每个像素的 $\alpha$ 值. 在原下、上采样的图像抠图技术基础上, 针对抠图数据集图像差异较大容易造成网络收敛较慢的问题, 在每个卷积层后加入了批量标准化(batch normalization, BN)层, 对输入数据进行归一化操作, 加快模型收敛速度, 同时参数更新方向更符合数据集整体特性; 针对抠图任务需要更关注物体边缘部分的特点, 使用可变形卷积(deformable convolution)层替换普通卷积层. 可变形卷积层会根据不同输入数据自适应学习卷积核形状, 有效扩大感受野范围, 在细节部分有更好的预测效果.     

图像抠图与copy-paste结合的数据增强方法

提出一种基于图像抠图与copy-paste结合的数据增强方法(matting-paste),采用图像抠图法获取单个垃圾实例的准确轮廓,并对单个实例进行旋转和亮度变换.根据物体轮廓信息,把实例粘贴到背景图上,无需额外的人工标注即可生成新的带有标注的数据,从而提高数据集的多样性和复杂性.结果表明：数据集扩充后的mask比数据集扩充前的识别精度提高了0.039,matting-paste能在已有数据集上有效地扩充数据,进一步提高模型的识别精度.     

结合Kinect深度图的快速视频抠图算法

现有视频抠图算法主要存在人机交互繁琐、计算复杂度高的问题,为此,该文提出了一种利用Kinect深度图的新的快速视频抠图算法。首先结合彩色图信息改进区域生长算法,估计出三色图(原始图像被3种颜色标记出前景、背景和未知区域)以避免深度图中遮挡区域的影响。其次,提出前景和背景样本点集二次筛选机制,保证估计精度的同时大幅降低计算复杂度。最后,采用深度、彩色和置信度图对抠图结果进行加权滤波,减少不透明度图像中低置信度的像素点和不平滑区域。实验结果证明了该算法精度高、速度快且交互简单。     

结合形态学运算的谱抠图声纳图像分割法

针对数字抠图与图像分割之间的联系,提出一种结合形态学运算的谱抠图声纳彩色图像分割法。首先通过形态学中的顶帽(top-hat)变换和底帽(bottom-hat)变换去除声纳图像中阴影的影响和背景的不均匀性,并进行图像增强;其次,将数字抠图中的alpha值考虑到图像分割中,通过全局平均迭代阈值法获取阈值,对抠图所获alpha图像进行阈值处理得出分割结果;最后,与多种现有的分割方法进行仿真对比实验,实验结果证明了本文分割方法的有效性。     

指纹图像的分割算法

图像分割是指纹图像预处理中的重要步骤，单独使用常用的方差法和方向法，效果往往不是很好，但它们各有所长．优缺点互补．本文介绍了一种基于方差法和方向法的合成分割算法，实验结果验证了此方法的有效性．     

图像分割技术研究

对传统的图像分割方法和近年来出现的一些新方法进行了综述,并分析了每类分割方法的特点,探讨了图像分割技术的未来发展方向。     

文档图像分割技术研究

在文档图像分析处理中,分割技术十分必要.本文介绍了目前文档图像分割算法中常用的特征和方式,并对针中文文档图像给出了一种分割方法.该方法首先利用Sobel算子粗略检测出文字边缘区域,利用形态学膨胀方法扩展该区域,接着进行了两次颜色聚类分析,最后根据中文字符的特征进行了一系列启发式处理,很好地分割出了文字区域.     

面向快速成形的骨体断层图像分割算法研究

通过分析面向快速成形的骨体断层图像固有的特性，利用灰度特性对图像自动阈值分割．先对图像原始直方图进行移动平均修匀，再对其进行高斯函数的卷积运算以消除噪声点，通过有限次循环，获得平滑曲线。对卷积后的直方图作二次指数平滑处理，求得平滑信号的局部极值，即可确定最终的阈值．实验表明：该方法能快速、有效地分割骨体图像．     

自然图像抠图方法讨论

自然图像抠图是一种把图像的前景部分从背景中分离出来的技术,它通过用户交互,指定图像中的少量部分前景和背景区域,并根据这些线索按照一定的判定逻辑自动、准确地分离出所有的前景物体.文章对若干代表性的抠图技术进行简要的介绍,同时对这几种技术的局限性以及发展方向做了简要的讨论.     

一种实时的自动抠图方法研究

图像的抠图是图像处理的一个基本问题,其本质是一个欠定的问题.目前流行的大部分抠图方法都需要用户进行交互操作,例如用户需提供三分图或者前背景的草图等.文中提出一种实时的自动抠图的方法,首先输入左右两幅图像,利用实时立体视觉方法生成深度图.接着根据深度图,通过阈值分割,得到比较粗糙的三分图.再利用粗糙的三分图来指导闭合形式...     

基于图像熵的快速Chan-Vese模型分割算法

提出了基于图像熵的快速Chan-Vese模型分割算法.该算法利用实时图像熵自适应计算模型能量函数中的拟合参数以提高分割速度,并通过检测熵在曲线形变过程中的变化来判定曲线演化的稳定态.实验表明.针对含噪严重、目标模糊且边缘不连续的红外图像目标检测,所提出的分割算法可以取得精确、高效的分割结果.     

图像过渡区直接提取与分割快速算法

以往的过渡区直接提取与分割算法速度较慢,抗噪性差.提出将一种局部复杂度参数用于图像过渡区提取与分割算法,实验结果表明,算法运算速度快,抗噪性好,且不存在小样本问题,易于硬件实现.     

基于直方图偏差约束的快速模糊C均值图像分割法

为了解决传统模糊C均值（FCM）聚类分割算法计算耗时的问题，提出了在直方图偏差约束条件下的快速FCM图像分割算法．通过对原始图像重新采样以减小FCM算法数据处理的数量，利用平滑后归一化直方图的距离偏差作为约束条件来计算合适的采样率，以控制重新采样产生的图像失真，得到满足正确分割所需要的阈值，并在采样率计算中采用黄金分割法搜索满足约束条件的采样率．实验结果表明，在保持传统FCM聚类算法分割效果的前提下，所提算法的分割时间分别仅为传统的FCM、二维熵、Otsu等算法的3．0%～11.2%、9.2%～30．2%和15.0%～52．0%.     

颅骨图像的阈值分割算法研究

针对颅骨CT图像中灰度值范围变化较大的特点,阐述了两种图像的分割方法,一种是基于边缘信息的分割,一种是基于区域信息的图像分割,提出了在颅骨CT图像分割中采用基于区域的阈值分割算法,并通过软件编程实验证明了它具有算法简单、识别效果好、效率高的特点．     

顺序统计滤波能量驱动的鲁棒快速图像分割

为了提升图像分割的速度与初始轮廓和参数鲁棒性,提出了一种基于有序统计滤波能量驱动的鲁棒主动轮廓模型。首先用顺序统计滤波的边力函数来代替传统的数据拟合,进一步引入边力函数能量泛函快速自适应地吸引曲线向目标的边界演化。为了有效地调节水平集函数,利用优化后的长度项对曲线进行平滑和缩短,并通过标准梯度下降法将能量泛函最小化。最后实验结果表明提出的方法能够更加快速、准确地分割图像,并且对初始轮廓和参数具有较强的鲁棒性。