精华内容
下载资源
问答
  • 交互式图像分割

    2018-01-19 13:18:24
    交互式图像分割 啦啦啦 交互式图像分割 啦啦啦
  • 交互式图像分割.zip

    2020-03-02 23:58:51
    这是我自己整理的交互式图像分割的一些好的论文的合集,论文中的方法从以前的传统图像处理方法到深度学习,对应的是我的一篇博客,里面有详细的论文清单,有需要的自取。
  • 通过内核传播进行交互式图像分割
  • 基于集成学习的交互式图像分割
  • 交互式图像分割的扩散可能性
  • 交互式图像分割、图像实例分割代码合集(持续更新中...) 这里记录一下上一个月(202104)跑通的交互式图像分割、图像实例分割的代码的过程。 实验环境 windows 10 (20H2) VS Community 2017 (15.9.36) Matlab 2018b ...
  • 交互式图像分割程序的matlab源代码-图像分割.rar 选取读入一份彩色图像,在运行Untitled.m程序时:先用鼠标交互的选取一个颜色区域作为你要与其他色彩分割的目标,,鼠标选取好后,按ENTER健后出现进行分割出现...
  • 交互式图像分割的局部偏差判别聚类方法
  • 自动涂抹模拟,用于交互式图像分割评估
  • 通过成对似然学习进行交互式图像分割
  • SegmentIt 是一种交互式图像分割工具,允许在分水岭方法(标记分水岭和分层分水岭)之间来回切换,以便用户可以探索两者的优势。
  • 行业分类-设备装置-一种交互式图像分割方法.zip
  • 提出了基于边缘提取的交互式图像分割算法,该算法将图像映射为无向图,使用拉普拉斯零交叉点、边缘强度和动态轨迹长度构造能量模型,并为无向图中的边赋予能量代价。根据能量代价,引入角点信息,在交互得到的控制点...
  • 通过基于图的流形排序进行鲁棒的交互式图像分割
  • Geodesic Star Convexity for Interactive Image Segmentation 牛津大学研究的一种效果极好的交互式图像分割算法
  • 一种基于图像交互式对的分割算法,原理和区域生长类似,通过不断合并区域,达到最终分割效果。
  • 交互式图像分割——算法与系统,grab cut ,Scribble,Trimap算法介绍
  • 交互式图像分割算法的研究与应用,很有用,写的很好,大家可以看一看
  • 交互式图像分割必读论文合集

    千次阅读 2020-03-03 11:24:37
    因为最近在做视频和图像分割方面的毕业设计,因此整理了交互式图像分割的一些好的论文,从最初的传统图像处理技术到现在的深度学习方法,欢迎同样做这方面毕设的朋友们和我多多交流。 下载链接: Interactive ...

      因为最近在做视频和图像分割方面的毕业设计,因此整理了交互式图像分割的一些好的论文,从最初的传统图像处理技术到现在的深度学习方法,欢迎同样做这方面毕设的朋友们和我多多交流。

    下载链接:https://download.csdn.net/download/weixin_39626452/12206607

    Interactive Segmentation文献

     [1] Rother C, Kolmogorov V, Blake A. "GrabCut": interactive foreground extraction using iterated graph cuts[J]. ACM Transactions on Graphics (TOG), 2004,23(3):309-314.

     [2] Lempitsky V, Kohli P, Rother C, et al. Image segmentation with a bounding box prior[C]//2009 IEEE 12th international conference on computer vision. IEEE, 2009:277-284.

     [3] Wu J, Zhao Y, Zhu J, et al. MILCut: A Sweeping Line Multiple Instance Learning Paradigm for Interactive Image Segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2014:256-263.

     [4] Boykov Y Y, Jolly M P. Interactive graph cuts for optimal boundary & region segmentation of objects in N-D images[C]//Proceedings eighth IEEE international conference on computer vision. ICCV 2001. IEEE, 2001:105-112.

     [5] Li Y, Sun J, Tang C, et al. Lazy Snapping[J]. ACM Transactions on Graphics (ToG), 2004,23(3):303-308.

     [6] Grady L. Random Walks for Image Segmentation[J]. IEEE transactions on pattern analysis and machine intelligence, 2006,28(11):1768-1783.

     [7] Gulshan V, Rother C, Criminisi A, et al. Geodesic star convexity for interactive image segmentation[C]//2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE, 2010:3129-3136.

     [8] Kim T H, Lee K M, Lee S U. Nonparametric higher-order learning for interactive segmentation[C]//2010 IEEE computer society conference on computer vision and pattern recognition. IEEE, 2010:3201-3208.

     [9] Subr K, Paris S, Soler C, et al. Accurate Binary Image Selection from Inaccurate User Input[J]. Computer Graphics Forum, 2013,32(2pt1):41-50.

    [10] Bai J, Wu X. Error-tolerant Scribbles Based Interactive Image Segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2014:392-399.

    [11] Xu N, Price B, Cohen S, et al. Deep Interactive Object Selection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016:373-381.

    [12] Feng J, Price B, Cohen S, et al. Interactive Segmentation on RGBD Images via Cue Selection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2016:156-164.

    [13] Lin D, Dai J, Jia J, et al. ScribbleSup: Scribble-Supervised Convolutional Networks for Semantic Segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016:3159-3167.

    [14] Liew J, Wei Y, Xiong W, et al. Regional Interactive Image Segmentation Networks[C]//2017 IEEE international conference on computer vision (ICCV). IEEE, 2017:2746-2754.

    [15] Maninis K, Caelles S, Pont-Tuset J, et al. Deep Extreme Cut: From Extreme Points to Object Segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017:616-625.

    [16] Li Z, Labs Q C I, Vladlen K. Interactive Image Segmentation with Latent Diversity[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018:577-585.

    [17] Acuna D, Ling H, Kar A, et al. Efficient Interactive Annotation of Segmentation Datasets with Polygon-RNN[C]//Proceedings of the IEEE conference on Computer Vision and Pattern Recognition. 2018:859-868.

    [18] Jang W, Kim C. Interactive Image Segmentation via Backpropagating Refinement Scheme[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019:5297-5306.

    [19] Sofiiuk K, Petrov I, Barinova O, et al. f-BRS: Rethinking Backpropagating Refinement for Interactive Segmentation[J]. arXiv preprint arXiv:2001.10331, 2020.

    展开全文
  • 基于图切算法的交互式图像分割技术,讲述了如何grabcut与graphcuts的算法原理
  • 提出了一种交互式图像分割算法。 将该任务表述为基于图的转导分类问题。 具体来说,给定一个图像窗口,其中每个像素的颜色将与该窗口中其余像素的颜色线性地重建。 最佳重构权重将保持不变,以线性重构其类别标签。 ...
  • 该程序是交互式图像分割,用于修改证件照背景,提取目标区域,该程序为初始版本,欢迎大家使用,报告错误和需要增加的功能,内有说明文档。
  • 针对这些问题,提出一种基于 PSO的 Live Wire交互式图像分割算法。算法首先构造新的代价函数,引入相邻节点间梯度幅值变化函数来减 轻伪轮廓的干扰,提高了算法的分割精度 ;其次,为了提高算法的执行效率,应用粒子群算法...
  • gui代码下载具有潜在多样性的交互式图像分割 这是具有潜在分集的交互式图像分割的Tensorflow实现。 它会收到正面和负面的点击,并产生细分蒙版。 设置 要求 所需的python库:Tensorflow(> = 1.3)+ OpenCV + Scipy ...
  • 采用交互式方法(人为标注一些像素点)的图像分割方法,matlab程序,可以运行,值得收藏。
  • 智能剪刀——交互式图像分割

    万次阅读 热门讨论 2018-04-21 16:57:11
    Barrett于1995年提出来的一种图像分割交互算法,可以用于2D图像分割,论文见[1][2]。该算法可以用于辅助用户精确地勾勒出感兴趣的区域。其可以在运行时快速地定位到该图像区域的边缘上,通过与用户交互,更...

    Demo Video:

    注:图片来自[2]

    作者:@Mapupcal

    前言:

    智能剪刀算法(Intelligent Scissors)是由Eric N. Mortensen和William A. Barrett于1995年提出来的一种图像分割的交互算法,可以用于2D图像分割,论文见[1][2]。

    该算法可以用于辅助用户精确地勾勒出感兴趣的区域。

    其可以在运行时快速地定位到该图像区域的边缘上,通过与用户交互,更精确地完成整个感兴趣区域的勾画、分割。(如上图所示)


    算法理论基础:

    ①将图像转换成一个庞大的加权有向图。

    ②在运行时,通过特定的寻路算法,在出发点[a]开始,寻找一条最优路径,该路径通往用户指定的目标点[b]。

    [a] 论文中为种子点,SeedPoint,为了和论文相对应,以下均使用SeedPoint,下同。

    [b] 论文中为自由点,FreePoint.

    注:智能剪刀算法的核心在于①,论文[1][2]着重讨论了如何确定加权有向图的边权重。

    注:关于②,论文也提供了相应的算法实现,论文当中的算法就是Dijkstra最短路径搜索算法的一种变种。

     

    将图像变成一个庞大的加权有向图:

    图像中每个像素,在加权有向图中都将成为该图中的一个结点Node。

    相邻的像素,互相之间存在一条加权有向边。

    确定每条加权有向边的权重。

    注:在内存表示加权有向图的方式有很多,有每个节点基于顺序容器存放有向边的方式,也有基于矩阵的方式。在实现中,为了数据的局部性,本文采用了基于矩阵的方式去实现可提高性能。

     

    对于某一个非边界像素p,其有八个邻居像素,如:



    当转换成加权有向图之后,就变成如下这个样子:



    注:上面有向边上面的数字为边的编号,并不是边的实际权重。

     

    根据论文给出的计算边权重的计算,实际影响的因子有以下六个:

    拉普拉斯交叉零点值 Fz(q)

    像素点梯度值 Fg(q)

    像素点梯度方向 Fd(p,q)

    注:以上三个为静态因子,当不涉及Training时,有向边权重只由这三个公式确定[1][2]。

    像素值 Fp(q)

    “内部”像素值 Fi(q)

    “外部”像素值 Fo(q)

    注:以上三个为动态因子,Traning部分核心,这些因子的函数值会随用户切割图像的时候发生改变[2],本文只会简单提及Training部分。

    p表示上两图中的中心结点,q指与p相邻的结点。

    [1]确定边权重的表达式如下:

     

    其中Wz = 0.43 Wg=0.43 Wd=0.14

    [2]确定边权重的表达式如下:

     

    其中Wz = 0.3 Wg=0.3 Wd=0.1 Wp=0.1 Wi=0.1 Wo=0.1


    拉普拉斯交叉零点

    拉普拉斯算子可以作为图像锐化的算子,最简单的三阶3x3拉普拉斯算子如下:

    用这个算子去处理图像的像素后,得到每个像素对应的拉普拉斯算子处理后的值。

    对于每个结果值,我们使用如下函数去处理每一个结果值,得到拉普拉斯交叉零点的成本映射(论文中称CostMap)。

     

    疑惑:边界像素点经过拉普拉斯算子处理后,处于边界的像素的结果值应该比较高的,而处于边界像素的有向边权重应该比较低才对。而不知为何,根据论文的公式,恰恰与这个思想相反。

    注:可能是我没有找到正确的拉普拉斯算子去处理图像,我觉得论文的这个公式是反直觉的。

    注:在实现中,我使用了符合我自己直觉的方法,效果还算是满意。

     

    注:对于具备RGB彩色的图像,其像素的Fz应该为RGB三个通道中Fz的最大值。

     

    像素的梯度值

    “沿着梯度方向,函数变化得最快!”

    高数的知识大多都已经丢给回高数老师了,但这句话一直都还记得。基于此,那么是不是可以认为,梯度值大的像素,处于边缘的几率就比梯度小的像素大得多呢?论文[1][2]确实也将梯度值作为权重因子考虑进去了。

    梯度值计算方式个根据以下公式来计算的:

     

     

    其中Ix为该像素在X方向的偏导数,Iy为该像素在Y方向的偏导数。

    那么在二维图像上,如何对一个像素求其偏导数呢。

    以下两个算子可用于求Ix和Iy:

    注:假设横轴为x轴,竖轴为y轴,根据上面你也一定知道哪个是求x偏导,哪个是求y偏导数。(第一个为x,第二个为y)

     

    到此为止,我们应该能够计算所有像素的对应的梯度值了。但是,这些梯度值现在还不能作为Fg的CostMap。因为对于梯度值大(有可能很大,因为求偏导的卷积运算结果是处于255*255*255~0区间)的像素点,我们要降低其梯度值对起有向边权重的影响,而对于梯度值小的,我们也要提高之。

    于是我们有以下公式去达到目的:

     

    其中

     

    最后,让切割线段走的路径更加倾向于经过横竖像素点比斜像素点。

    根据相邻结点与中心结点p的欧几里得距离,我们还要加上欧几里得距离的权重,权重如下:

     

    注:根据欧几里得距离加权,简单来说,就是横竖边的权重应该要比斜边的权重低。(简单几何学推导就能得出该加权公式)

    好了,至此,我们已完成梯度值Fg的CostMap计算。

    注意:对于RBG彩色图片,请取RBG三个通道中Fg的最大值。

     

    梯度方向

    这里的梯度方向,其实也可以理解为向量PQ(对应点p、q,起点为p,终点为q)与梯度向量之间的量化权重。与梯度方向接近的边PQ权重应该越小。

    注:以上均为个人猜测和理解,尚且不清楚论文的公式是否为这种意思。

    见[2]中的量化公式(其中[1]此处的公式不尽相同,详情见[1]):

     

     

     

     

    其中

    注:D(p)为单位向量。实现的时候记得将之归一化。

    注:||p-q||表示向量的模,即向量的平方再开方。

    注:对于彩色图片,在实现上,我简单使用了三通道的组合和来代替Ix,Iy。


    FP、Fi、Fo 

    关于Fp、Fi、Fo权重因子,是和training有关的。

    关于什么是training,简单点来讲,就是当用户选定了一部分分割边后(这条路径是通过智能剪刀算法来提取的),就可以用这些分割边的像素点作为Samples进行有关像素值因子的学习,从而继续影响每个像素的Fp、Fi、Fo三个CostMap的值(不仅仅是像素值相关的因子,连梯度值因子也可以做成动态的。),这样一来,每条边的权重将进行一次更新,而这次更新后的边权重,执行寻路算法后,将能更精确地选取用户想要的边界。因为有向边的权重会根据用户的交互而进行动态更新,所以说这些因子是动态的。

    算法根据用户选定了的分割边的像素进行学习,这就是training。

    注:动态更新每条边的权重,会增加运算操作,这些运算的成本将在每一次SeedPoint更新的时候体现。

     

     

    当有向图的权重确定下来之后,就可以利用加权有向图的寻路算法来进行寻路了。

    算法的思想很简单:只要每次设置SeedPoint(某个开始点),就重新计算一次该SeedPoint到其它结点的最短路径。这个时候,所有路径的集合将构成一棵由SeedPoint扩散出去的最短路径树,有了这个最短路径树(每个结点结构中,都有一个指向路径前一个结点的指针,以便快速回溯这条最优路径),交互式的用户响应就呼之欲出了。

     

    因为我们设置有向边权重的时候,区域边界的像素结点的边总是比其它边的权重要低,所以最短路径总是倾向于沿着区域的分割边界产生,这就得到了一把只会切割区域边界的“剪刀”。

     注:注意,我用词是“倾向”而不是“总是”。具体原因你可以根据最短路径的知识来推断。

     

    寻路算法

    论文[2]中给出了寻路算法:

     

     

    注:这种算法其实也算是Dijkstra最短路径搜索算法的一种变种。

    注:在实现中,我使用了[3]中优化的Dijkstra算法来实现寻路算法。

    快速Dijkstra算法的具体思想,就是使用一个“侵入式”的索引优先队列来从当论文[2]算法中的list,以快速获取最小成本的结点,并且,该优先队列可以非常快速地移除其底层堆中具备某个索引值的元素。

    详情可以见[4]或者任何一本基础算法书当中有关最快的Dijkstra算法的实现。实现代码中使用的索引优先队列结构在[4]的211页中的习题中有所提及,个人实现是使用了[3]中提供的skeleton代码当中的优先队列和有向图结点数据结构。


    实现效果

     

     

     

     

    注:红色的X表示在该点设置了SeedPoint.

    注:可以看到效果还是挺好的,最后来抠图。

     

    注:关于抠图算法,在我的代码实现上,并没有对凹多边形做凸多边形分解,只是是简(偷)单(懒)地使用两点之间“扫描线”算法的实现。所以凹多边形的抠图会出现如下问题。

     


    代码实现智能剪刀——交互式图像分割 实现

    注:项目代码基于Opencv3.2,主要用在图像卷积运算,CostMap的数据结构表示,以及图形界面的显示操作。

    注:代码注重在功能的实现上,仍有较大的优化空间。

    注:本代码并未实现有关training部分,如果你想知道详情,可以参考论文[2]自行实现。


    Reference:

    [1] Mortensen E N, Barrett W A. Intelligent scissors for image composition[C]//Proceedings of the 22nd annual conference on Computer graphics and interactive techniques. ACM, 1995: 191-198. 
    [2] Mortensen E N, Barrett W A. Interactive segmentation with intelligent scissors[J]. Graphical models and image processing, 1998, 60(5): 349-384. 

    [3] CS 4670/5670, Project 1: Image Scissors

    [4] Robert Sedgewick Kevin Wayne《算法(中文第四版)》



    展开全文

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 17,843
精华内容 7,137
关键字:

交互式图像分割