视觉显著目标的自适应分割与动态网格生成算法研究

ArticleObjectiveMethodComments视觉显著目标的自适应分割背景是基于视觉注意模型和最大熵分割算法针对复杂背景下的显著目标分割问题。目的是提出一种自适应显著目标分割方法以便快速准确地从场景图像中检测出显著目标。试验用的方法是通过颜色、强度、方向和局部能量等特征通道获取图像的显著图并根据显著图中像素灰度的强弱构建不同的目标检测蒙板将每个蒙板作用于原图像作为预分割的结果再计算每个预分割图像的熵。最后利用最大熵准则估计图像目标熵根据预分割图像的熵和目标熵判断选取最优显著目标分割图像。这篇文章的结论是作者提出的自适应显著目标分割方法能够有效地从复杂背景中分离出显著目标并实现了在复杂背景下对显著目标的有效准确检测。该方法通过结合视觉注意模型和最大熵分割算法利用颜色、强度、方向和局部能量等特征来生成显著图并根据显著图中像素灰度的强弱构建目标检测蒙板最后利用最大熵准则估计图像中目标熵选取最优显著目标分割图像。自适应分割的动态网格生成算法随着三维扫描技术的进步和三维扫描场景复杂化的粗糙网格组成并含有相应细节信息的网格结构为了便于大规模网格数据的实时显示、传输及后续操作需要研究相应的解决方法其中多层次细节模型是一种重要的解决方案。该算法的目的是实现对网格模型的自适应分割并保持模型的细节特征。该算法基于半边数据结构进行初始化并进行二次误差测度的计算和模型边界边的确定。 根据模型的包围盒、曲面尖锐特征以及空间分割算法将网格分解为若干个可以在内存中单独处理的曲面。 利用二次误差测度考察各分割曲面的尖锐特征并构造垂直于最大主曲率的分割平面对曲面进行自适应分割。 利用半边折叠简化算法对每个分割曲面进行简化并建立网格动态层次结构。该算法是一种基于半边数据结构的动态网格自适应分割生成算法。 该算法能够根据曲面尖锐特征对网格模型进行自适应分割并保持模型的细节特征。 实验结果表明该算法具有高效可靠的特点能够减少模型简化误差。基于改进型PCNN的不规则图像自适应分割算法研究计算机视觉技术的发展使得基于图像模式识别的诊断和分析技术得到广泛应用图像分割方法的正确与否直接影响图像分析与处理的结果。解决不规则图像成分复杂、特征形状无法采用经典模型拟合等问题提出基于改进型PCNN的自适应分割算法。在原有PCNN模型基础上对神经元反馈输入函数和动态阈值函数进行修正并采用多级输出模型实现对不规则图像的分割。 通过大量仿真实验验证算法的性能和鲁棒性。基于改进型PCNN的不规则图像自适应分割算法能够实现对不规则图像的分割具有较好的鲁棒性。鲁棒性是指算法或系统对于输入数据的变化、噪声、干扰等外部因素的抵抗能力。在图像分割中鲁棒性表示算法对于不同类型的图像、不同光照条件、噪声等因素的适应能力。一个具有较好鲁棒性的算法能够在面对这些变化时仍能保持较稳定的分割结果而不会受到外部因素的干扰而产生较大的误差或失效。鲁棒性是评价图像分割算法性能的重要指标之一。