图像分割的商空间粒度原理

从商空间粒度理论角度分析图像分割概念,研究已有的图像分割方法,提出图像分割的商空间粒度原理．用商空间的三元组（X,f,Г）-（[X],[f],[Г]）来描述图像分割过程,阐述基于商空间粒度计算理论的图像分割原理及基于粒度分层、合成及其综合技术下图像分割的方法,并提出了基于粒度合成原理的复杂纹理图像的分割算法．该算法通过分别提取多纹理图像中纹理区域的方向性及粗细度特征,形成图像的不同粒度,然后根据粒度合成原则,对所形成的粒度进行合成,从而实现对纹理图像的分割,实验表明该算法对复杂纹理图像分割是有效的．     

基于网格Laplace的三维几何模型分割

模型分割是模型分析的重要方法和手段.针对已有网格分割算法对姿态敏感和计算速度慢的问题,提出了一种基于网格Laplace和k-means聚类的三维几何模型分割算法.通过网格Laplace将三维模型从空域嵌入到谱空间中进行分析,得到了模型的归一化形式,克服了姿态变化对分割结果的影响,并极大地减少了计算时间,获得了视觉上有意义的分割结果.实验结果表明,本算法能快速有效地实现网格模型的正确分割,并对模型姿态的变化有较好的鲁棒性.     

综合曲率约束的在线网格模型分割方法研究

针对现有三角网格模型块分割方法普遍存在计算复杂度高,无法体现工程意义,综合效果不理想,不满足Web环境下高效快速分割等问题,提出一种面向Web环境的简单高效的三角网格模型分割方法。根据高斯曲率和平均曲率特性划分出网格模型的凹区域,在凹区域中依据最小负曲率阈值提取凹特征区域,结合区域中心特征线提取方法以及边界线闭合和优化算法构造出闭合分割线,通过分割线将三角网格模型分割成有意义的分块。依托开源数字几何处理软件MeshLabJS,运用WebGL的几何处理及图形渲染功能,在普林斯顿标准数据集和COSEG形状数据集上进行算法测试,验证所提方法能够在Web环境下快速、高效、有意义地分割三维模型。     

基于区域离散曲率的三维网格分水岭分割

针对离散曲率估计对噪声敏感且特征值计算量大的特点提出了基于区域离散曲率的三维网格分水岭分割算法。寻找三维模型显著特征点;对三维模型进行预分割,确定分割带;在分割带区域上计算离散曲度极值点,利用测地距离和曲度极值点对三维模型进行分水岭分割。算法在分割前无需进行网格去噪,实验结果证明,对主体分支明显的模型具有较高的分割边缘准确度和较快的分割速度。     

基于商空间理论的遥感图像分割

Sankar K.Pal等最近提出了一种基于"粗糙熵"的图像分割算法,主要是按照目标和背景这两大类对图像进行分割,不足之处在于不能满足多类目标提取的需要。为此,基于商空间的粒度分解和粒度合成原理,综合粗糙集和聚类算法对之进行改进。通过对遥感图像进行分割处理,证明了改进后算法的有效性。     

基于商空间理论的遥感图像分割

Sankar K．Pal等最近提出了一种基于“粗糙熵”的图像分割算法，主要是按照目标和背景这两大类对图像进行分割，不足之处在于不能满足多类目标提取的需要。为此，基于商空间的粒度分解和粒度合成原理，综合粗糙集和聚类算法对之进行改进。通过对遥感图像进行分割处理，证明了改进后算法的有效性。     

基于八叉树空间分割的三维点云模型密写

针对三维点云模型的信息隐藏,提出一种基于八叉树空间分割的空域密写算法。对经过主成分分析后的三维点云模型建立包围盒,利用八叉树空间分割得到小体元并记录分割过程,通过顶点位移将信息嵌入到小体元内的不同空间位置。实验结果表明,该算法在提取信息时不需要原始模型数据,具有嵌入量高、失真度低的特点,能够抵抗旋转、平移、均匀缩放和顶点重排序攻击,适合于任意网格的三维模型信息隐藏。     

三维网格模型的分割及应用技术综述

对三维网格模型分割的定义、分类和应用情况做了简要回顾,介绍并评价了几种典型的网格模型分割算法,如分水岭算法、基于拓扑和几何信息的分割算法等;同时,对网格分割在几种典型应用中的研究工作进行了分类介绍和评价．最后对三维分割技术今后的发展方向做出展望．     

一种基于蚁群优化的网格分割方法

三维网格的理解是许多几何处理中亟待解决的重要问题,而网格分割是其中的关键步骤。为此,利用蚁群优化算法进行网格分割。将待分割网格的每个网格视为一个蚂蚁,通过蚁群优化迭代对每个网格的标签进行更新。随着蚁群优化的迭代,种子点的标签向外扩散,标签更新通过蚁群优化的更新机制进行并满足分割要求,直至达到迭代标准。蚁群优化完成后进行区域合并,将较小的区域合并成较大区域,最终完成分割。在Princeton网格数据集上的实验结果表明,与图分割方法相比,该方法能获得更高的正确率。     

面向三维模型分割的边界感知点云神经网络

为了能够更好地应用深度神经网络学习三维模型的空间特征,获得更好的三维模型分割效果,提出面向三维模型分割的边界感知点云神经网络.首先,采用边界感知的网格点云化方法,将网格分割问题转化成点云标记问题;然后,利用数据切片方法对转化而来的点云数据进行重采样;最后,利用不同大小卷积核的滤波器提取点云数据的空间特征,并将点云标记的结果对应到原网格模型,得到三维模型分割的结果.在ShapeNetCore数据库上的实验结果表明,该方法不仅能够明显地提高分割的准确率,而且具有边界感知的特性,能够有效地避免过分割现象.     

基于粒度与小波变换的纹理图像分割*

对小波变换本质进行分析,得出小波是将序列收敛的商空间逼近改造成按级数收敛的商空间逼近的结论.将商空间粒度计算理论与小波变换相结合并应用于纹理图像分割中,取得了成功.     

图像滤波的商空间粒计算算法

针对传统滤波器在噪声检测和滤除中存在的不足,提出了基于商空间粒度理论的噪声检测和粒度逆谐波均值滤波算法。该算法将受噪声污染的图像划分成不同粒度层次的商空间,形成商空间半序格,结合保假原理选择适当的粒度空间实施噪声分类检测和分别滤除。实验结果表明,该算法在滤除噪声的同时能够较好地保持图像的细节纹理特征、改善图像质量、提高信噪比等。     

基于动态粒度商的属性约简算法

粗糙集理论在对不精确、不确定和不完全的数据进行分类分析和知识获取中具有突出的优势。从粒度粗细的角度动态分析了粗糙集的边界域,结合属性关联的理论定义了动态粒度商的概念。依据粒度粗细的理论,提出了一种新的属性约简算法。采用动态粒度商法选择最优归约集,抛弃了传统的先求核心,再选择最优归约集的算法。实例研究证明提出的粒度计算方法是可靠有效的,为进一步研究知识的粒度计算提供了可行的方法。     

结合网格分割和边折叠的网格简化算法

传统网格简化算法简化效率较低,且在大幅度简化时难以保持网格模型的外形特征。为此,提出一种结合网格分割和边折叠的网格简化算法。采用分水岭算法对网格模型进行分割,以提高网格模型的简化效率。在Garland算法折叠代价函数的基础上,加入三角形形状和相邻曲面弯曲程度的相关因子,从而更好地保持网格模型的外形特征。实验结果表明,该算法在网格模型的简化速度和外形特征保持方面性能较好。     

网格分割的3维网格模型非盲水印算法

目的 信息技术的发展使得面向3维模型版权保护的问题越来越突出,提出一种新的基于网格分割的3维网格模型非盲水印算法。方法 首先使用基于形状直径函数的网格分割算法对3维网格模型进行有意义的网格分割,然后计算每个分块的鲁棒重心并以此为中心将模型由直角坐标系转换到球面坐标系,最后通过调制每个顶点范数的分布来嵌入水印,在水印检测阶段使用非盲检测的方法提取水印。结果 针对目前基于网格分块的水印算法的网格分割不一致以及对分割边界依赖性过强等问题,引入基于形状直径函数的网格分割算法并在重对齐、重采样过程中加入待检测模型与原始模型分块匹配过程以保证网格分割的一致性,并且选取分块的顶点范数的分布作为水印嵌入基元,使得算法能够有效地减弱对分割边界的依赖性。结论 实验结果表明,该算法可以有效抵抗平移、旋转、缩放、噪声、细分、简化、剪切等常见的攻击以及多种攻击的联合攻击。     

作物产量预测的粒度分析法

针对作物产量预测,提出基于商空间粒度计算的分析法。在商空间粒度计算理论思想下,分析作物产量序列中粒度的选取,用属性划分方法对论域X进行颗粒化,对属性f取不同的粒度进行颗粒化。通过属性的粒度变化对论域进行划分,得到新的商空间并应用其解决问题,可以降低问题复杂度。通过商空间理论中的分层与合成技术选取大小合适的粒度,能全面获取产量序列中的信息,也更加符合人类智能特点。冬小麦产量预测实验结果也证明这种粒度分析和选取方法是有效的。     

一种基于多区域并行的网格模型简化的两步法

针对三角形网格模型简化中保持细节特征的要求,引入了图像的区域分割原理,提出了一种基于区域生长的网格模型区域分割方法．在此基础之上,提出了一种基于多区域并行的自适应三角网格模型简化的两步法,对于不同的区域采取按照比例进行简化的并行机制．此方法的特点是保持模型细节的基础上,大大地加快了模型的简化速度．另外,还提出了一种基于多区域并行的累进网格模型的实现方法,有效地实现了保持细节特征的多分辨率模型,并实现了具有细节特征的多分辨模型间的层次过渡．经实验证明,该方法能够快速有效地对三角形网格模型进行简化,并具有保持模型的三角形网格密度分布的特点．     

自适应分割的动态网格生成算法

提出一种基于半边数据结构的动态网格自适应分割生成算法．根据曲面尖锐特征对网格模型自适应分割;为满足分割边界的简化要求,提出一种利用半边数据结构的分割边界独立处理算法;并利用边界自适应加权函数,较好地保持了模型边界特征．应用实例表明,该算法高效、可靠,既保持模型细节特征,又减少了模型简化误差．     

基于商空间粒度计算的SAR图像分类

SAR图像的分类是实现SAR图像自动理解与解译的图像的分类提供了大量有用的信息,尤其对于单波段、单极化的SAR图像,纹理信息就显得格外重要.然而,不同纹理特征对SAR图像中不同地表结构内在属性的刻画能力并不一致.如何将不同纹理特征结合起来,以获得应用范围更广且分类效果更好的SAR图像分类方法,是当前SAR图像处理研究中的一个热点问题.文章将商空间粒度计算引入SAR图像的分类中,结合SAR图像特性,提出了一种基于粒度合成理论的SAR图像分类方法.该方法首先利用具有良好推广能力的支撑矢量机基于不同纹理特征获得SAR图像的不同分类结果,并认为这些分类结果构成不同的商空间,再根据粒度合成理论将这些商空间组织起来得到SAR图像的最终分类结果.实验结果验证了这种方法的有效性和正确性以及商空间的粒度计算在SAR图像分析中的应用潜力.