matlab代码abs
通用汽车制造商
实现我们的“使用高斯混合模型的超像素分割”工作。
可以找到
GPU
上的并行实现，它运行速度非常快（GTX
1080
上的
320x240
图像大约为
1000FPS）。
引文
该方法已作为常规论文发表在
IEEE
Transactions
on
Image
Processing
中。
如果您根据我们的方法开发您的工作，当然，如果您引用我们的论文，我们将不胜感激。
新的bibtex如下。
@article{Ban18,
author
=
{Zhihua
Ban
and
Jianguo
Liu
and
Li
Cao},
journal
=
{IEEE
Transactions
on
Image
Processing},
title
=
{Superpixel
Segmentation
Using
Gaussian
Mixture
Model},
year
=
{2018},
volume
=
{27},
number
=
{8},
pages
=
{4105-4117},
doi
=
{10.1109/TIP.2018.2836306}
}
这项工
2023-03-08 16:09:14
1.63MB
1
针对获得训练数据集代价高昂问题，提出了一种用于图像显著性检测的弱监督新方法，在训练网络模型时仅使用图像级标签。方法分为两个阶段，在第一阶段，根据图像级标签训练分类模型，获得前景推断图；在第二阶段，对原图像进行超像素块处理，并与阶段一得到的前景推断图进行融合，从而细化显著对象边界。算法使用了现有的大型训练集和图像级标签，未使用像素级标签，从而减少了注释的工作量。在四个公共基准数据集上的实验结果表明，性能明显优于无监督的模型，与全监督模型相比也具有一定的优越性。
2022-12-08 14:49:26
1.06MB
1
用于光学图像与sar图像等超像素segmentation与classification，c++ 代码实现。
2022-11-28 16:01:18
15.07MB
1
由于SLIC0算法在分割时仅考虑图像的颜色、亮度、空间位置特征,没有考虑纹理特征,当分割具有繁杂纹理的自然图像时,其分割的超像素无法精准地符合区域或目标的边界或外轮廓,因此提出基于SLIC0融合纹理信息的超像素分割算法——SLIC0-t。首先利用光谱分析描述图像中区域的纹理特性,然后在分割中融合能够准确反映图像中目标轮廓或区域边界的纹理特征;其次在分割过程中,进一步优化SLIC0围绕种子像素搜索近邻像素的搜索策略,采用以各个种子点为中心,在以预期超像素邻接距离为半径的圆盘内搜索的搜索策略;最后通过在公共图像库BSDS500上进行连续不同大小超像素的分割实验验证,结果表明:在边界召回率方面,SLIC0-t算法明显稳定优越于SLIC0算法;在欠分割错误率方面,其与SLIC0算法基本相当,处于可接受范围内。
2022-11-13 20:03:39
423KB
1
本程序演示了以下论文中提出的LSC超像素分割方法：
陈建生，李正琴，黄波，线性光谱聚类超像素，IEEE图像处理学报，第26卷，第7期，3317-3330页，2017.
李正琴，陈建生，利用线性光谱聚类的超像素分割，IEEE计算机视觉与模式识别会议，2015年6月。
2017年6月20日
2022-10-25 12:51:30
390KB
1