图像分割是计算机视觉中的一个基本问题。 尽管进行了多年的研究,但是通用图像分割仍然是一项非常具有挑战性的任务,因为分割本质上是不适当的。 在不同的分割方案中,图论的分割方案在实际应用中具有几个良好的特点。 它将图像元素显式地组织成数学上合理的结构,并使问题的表述更加灵活,计算效率更高。 在本文中,我们对图像分割的图论方法进行了系统的调查,其中的问题是根据将图划分为几个子图来建模的,以便每个子图代表图像中有意义的感兴趣对象。 这些方法按照统一的符号分为五类:基于最小生成树的方法,具有成本函数的基于图割的方法,基于马尔可夫随机场模型的基于图割的方法,基于最短路径的方法以及其他不属于该方法的方法这些课程中的任何一个。 我们为每种方法类别提供了动机和详细的技术说明。 定量评估是通过使用五个指标进行的-概率兰德(PR)指数,归一化概率兰德(NPR)指数,信息变化(VI),全局一致性误差(GCE)和边界位移误差(BDE)-在某些代表性自动装置上和交互式细分方法。
2021-03-02 19:06:03 2.92MB Image segmentation; Graph theoretical
1
Graph-based reasoning model for multiple relation extraction.pdf
2021-03-02 14:02:46 662KB 知识图谱
1
软件介绍: GetData Graph Digitizer能够帮助你精确地取出数据。数据取点,数据图形绘制,图片图形取点,论文科研等必用。1 首先file open image2 点击xmin一步步设定xy最小值3 选择取点4 输出数据,并最终保存到一定的格式(xls等格式)
2021-02-24 17:51:48 1.95MB 其他资源
1
小秋SLAM笔记
2021-02-23 19:12:04 3.15MB 小秋SLAM笔记
Graph-Cut算法是图像及视频中经典且有效的前景和背景分离算法,针对其计算量较大导致实时性不佳、前景和背景颜色相似时分割结果易出现shrinking bias现象的问题,提出一种改进算法.该算法利用Mean-Shift技术对图像进行预处理,将原图像表示成基于区域的、而不是基于像素的图结构,预处理结果还可应用于后续的前景和背景颜色分布估计过程,使得计算量大大下降;在能量函数中引入了具有自适应权值调节功能的连通性约束项,有效地改善了shrinking bias现象,提高了分割结果的精确性.实验结果表明,文中算法具有良好的实时交互性,且分割效果更加稳定和精确.
1
由于目前大多数交互式Graph-Cut分割算法很难达到精确分割且实时交互的效果.对此,提出一种基于局部颜色模型的改进算法.该算法利用Mean-Shift预分割,建立基于局部颜色模型的交互式分割框架,并将像素级的Graph-Cut算法转化为基于区域的算法进行快速求解.预分割之后的区域保持了原有图像的结构,不仅提高了采用局部颜色模型估计分布的准确性,而且基于区域Graph-Cut的算法明显降低了计算的复杂度.实验结果表明,改进后的算法不仅保证了分割的精确性,而且还达到了实时交互.
1
graph-shoe-prices:用Python绘制著名鞋子的成本和售价的图表
2021-02-19 21:07:56 7.28MB Python
1
边缘化Consistent Node Removal and Edge Sparsification for Graph-based SLAM.pdf
2021-02-19 20:09:09 363KB slam
1
图论应用
2021-02-19 13:16:40 10.48MB 图论;算法
1
J.A. Bondy和U.S.R. Murty著的《Graph Theory with Application》(Elsevier,1976)是图论教材中的经典,时至今日,仍不失为初学者较好的入门书。还记得兰州交通大学的张忠辅教授说过,国内第一届图论学会就是把大家集中起来学习邦迪的《Graph Theory with Application》,由此可见这本书对国内图论届的影响是如此之大。
2021-02-19 13:11:30 7.96MB 图论
1