GrabCut -Interactive Foreground Extraction using Iterated Graph Cuts 图像处理中最nB的分割方法

matlab分时代码动态模式分解（DMD）用于视频中的前景检测 由J.Barhydt 1 华盛顿大学华盛顿州西雅图市98195 概述： 动态模式分解（DMD）已经成为分解非线性系统以对基本动力学建模的不可思议的价值工具。 DMD提供的模式集与其他降维方法不同，例如奇异值分解（SVD）和主成分分析（PCA），因为DMD提供了基础模式的振荡时间分辨率，因此每个模式都包含时空信息。 振荡行为在许多物理系统中均会出现，从而使DMD分析具有更大的“捕获”这些动力学的能力。 在本文中，假设背景比移动和变化的前景具有更多的固定时间动态，则使用DMD将视频流中的前景与背景分离。 1-此报告使用扩展的Yale Faces B数据库： 简介与概述 ================================= 前景检测是人类（以及许多动物）可以很自然地完成的任务。 看过电影《侏罗纪公园》的任何人都可以证明霸王龙检测前景的能力很弱。 从某种意义上说，DMD方法的功能将非常相似。 通过将视频分解为基本的时空模式，DMD方法允许人们“挑选”具有最低振荡频率的模式，从而构成低等级的“背景”。 在具有静态背景的

前景分离很不错的书籍，一本书几乎可以全面了解该方向的所有论文，很适合初学者认真学习！！

许多最新的显着性检测算法都依赖于border.prior，但是这些算法只是将图像周围的边界假定为背景区域。 在这里，我们提出了一种快速有效的显着目标检测算法。 首先，提出了一种新的方法，即利用哈里斯角的凸包对前景物体进行近似定位。 在此基础上，我们将不同区域的显着性值分为两部分，并生成相应的提示贴图（前景和背景），这些提示贴图被组合为凸包先验贴图。 然后，提出了一种基于到凸包中心的距离的新先验来代替该先验中心。 最后，将凸包先验图和凸包中心偏图合并为显着图，然后对其进行优化以获得最终结果。 与现有的18种算法相比，并在多个数据集上进行了测试，该算法在准确性和查全率方面表现良好。

service前台运行，去除常驻通知栏