基于CT图像分割的Knockout改进算法

Knockout算法对初始交互轮廓线的依赖性较高、鲁棒性较差.为此,提出一种改进箅法,引入CT图像的典型纹理特征信息对初始交互轮廓线进行修正,通过自适应阈值和区域生长法修正前景区域,利用负梯度搜索法修正背景区域,通过颜色空间变换将透明度的三通道表达式转换为单通道形式.实验结果表明,改进算法对初始交互轮廓线的依赖性较低,...     

自然景物立体图像空间特征的提取

1.引言 提取空间物体的三维信息是计算机视觉中最基本的问题,近几年来,对提取空间物体三维信息方法的研究,概括起来主要有:移动体视法、照度差体视、投光法、双眼体视法、三眼体视法,在已提出这些方法中,体视法具有装置简单、灵活的优点,它将     

自然景物的模拟

自然景物模拟是计算机图形学的一个重要分支。本文就商场设计ＣＡＤ系统中的云彩,地貌和假山等自然景物的模拟与造型方法展开了讨论。     

基于透明度的目标提取的研究

景象提取的目的是将数字图像中的景物从背景中分离出来,为了更好地实现这一目的,微软亚洲研究院Jian Sun等人于2004年提出Poisson Matting方法.该方法将透明度(α值)作为图像的一种内在属性,变分地寻求其最优解,来达到目标提取的目的.主要介绍Poisson算法,针对Poisson算法中程序运行时间比较长的问题,对算法中耗用时间多的两个步骤:图像初始α值的计算以及前景图像F、背景图像B的计算进行了改进,在VC6.0中进行了实现,并取得了较好效果.     

基于粒子系统的自然景物模拟研究

对自然景物的模拟在视景仿真系统、计算机游戏、三维动画中有着广泛的运用。粒子系统是模拟是自然景物的有效方法。以往主要运用粒子系统方法针对某种具体的自然景物现象进行模拟,本文结合面向对象思想,将粒子系统的相关属性和功能进行封装,开发一套通用的程序接口,并采用OpenGL渲染引擎,系统具有较好的灵活性和可扩展性,使之能够满足在普通PC机上模拟不同自然景物的需求。     

自然景物三维逼真图形的计算机产生和显示

用计算机产生和显示逼真的三维自然景物,是计算机图形学的重要课题之一,本文提出一种广义的自适应递归细分的随机内插算法(GSIAS),这种算法既适用于清晰景物,也可推广应用于模糊景物的产生和显示,该算法简单,在方便地控制景物的总体形状特征的同时,可以产生足够复杂的纹理细节,给出真实感较强的三维自然景物图形。     

复杂背景下改进视觉背景提取的前景检测算法

针对视觉背景提取模型存在的鬼影抑制效果差、动态背景适应能力不足等问题,本文提出了一种改进的视觉背景提取模型算法。在模型构建阶段,该算法充分融合时空域信息初始化背景模型,避免了样本的重复选取,提高了鬼影抑制能力;在像素分类阶段,根据背景动态程度,引入自适应距离阈值代替全局固定阈值,增强了模型对动态背景的适应性;在背景更新阶段,对连续多帧判定为前景的像素点进行阈值判断,并及时更新到背景模型,消除了运动背景与静止前景造成的虚影现象。多个公开视频数据的测试结果表明,本文算法相比典型算法在复杂背景下检测的准确性和鲁棒性都有了很大提高。     

基于视觉背景提取的自适应运动目标提取算法

在复杂场景下的视频运动目标提取是视频分析技术的首要工作。为了解决前景运动目标提取的精确度不高的问题,提出一种基于视觉背景提取(ViBE)的改进视频运动目标提取算法(ViBE⁺)。首先,在背景模型初始化阶段采用像素的菱形邻域来简化样本信息;其次,在前景运动目标提取阶段引入自适应分割阈值来适应场景的动态变化;最后,在更新阶段提出背景重建和调整更新因子方法来处理光照变化的情形。实验结果表明,对于复杂视频场景LightSwitch的运动目标提取结果在相似度指标上,改进后的算法与混合高斯模型(GMM)算法、码本模型算法以及原始ViBE算法相比,分别提高了1.3倍、1.9倍以及3.8倍。所提算法能够在有效时间内对复杂场景具有较好的自适应性,且性能明显优于对比算法。     

扩展的L系统与三维自然景物图形

介绍扩展的Ｌ－ｓｙｓｔｅｍ和它的三维图形系统,以及植物设计和显示。首先说明Ｌ－ｓｙｓｔｅｍ的定义,Ｌ－ｓｙｓｔｅｍ与植被和分形图形的生成;并简述Ｌ－ｓｔｙｓｔｅｍ的实现;然后是ＥＬＳＹＳ语言和程序设计;最后用树和小麦三维景物作为本Ｌ－ｓｙｓｔｅｍ三维图形系统的应用实例。     

基于感知颜色空间的自然图像抠图

提出了一种基于感知颜色空间的快速自然图像抠图算法．该算法首先手工把图像进行区域划分;接着采用一个简单实用的模型估计前景和背景颜色;最后提出了新的基于感知颜色空间的透明度估计算法,把透明度的计算细分为亮度和色度透明度的计算．与已有的算法相比,在具有同等效果的情况下,该算法能够大大提高抠图速度。     

基于MRF的复杂图像抠图

所谓复杂图像抠图就是从复杂图像中抠取出目标物体的一种图像处理算法。为了取得更好的抠图效果,提出了一种基于马尔可夫随机场的自然图像抠图方法。该方法首先手工把图像分成3个区域:前景区域、背景区域和未知区域;然后,再将未知区域用手工粗略地划分成几个相交的小区域;接着在每一个小区域内,以其中的未知区域的像素点为节点,定义抠图标号,同时在这些节点上面建立MRF抠图模型,并把这些标号赋给这些节点,这样抠图问题被定义为在这个MRF模型和它的Gibbs分布上MAP估计问题;继而再计算出每个小区域的掩像;最后把这些掩像合并,即得到输入图像最终的掩像。和其他算法相比,对复杂图像的抠图问题,该方法可以取得更好的抠图效果。     

一种改进的Bayes抠图算法

针对传统Bayes抠图算法容易在生成的不透明度通道上产生脉冲噪音的问题,提出一种改进算法,充分考虑分簇采样点所占比重对α值估算准确度的影响,在贝叶斯框架中嵌入一个含比重因子的平滑约束项表达式。仿真实验结果表明,该改进算法能够有效消除脉冲噪音,使抠像结果更为光滑。     

一种改进的Bayes抠图算法

针对传统Bayes抠图算法容易在生成的不透明度通道上产生脉冲噪音的问题,提出一种改进算法,充分考虑分簇采样点所占比重对α值估算准确度的影响,在贝叶斯框架中嵌入一个含比重因子的平滑约束项表达式。仿真实验结果表明,该改进算法能够有效消除脉冲噪音,使抠像结果更为光滑。     

A Markov Random Field Model-Based Approach to Natural Image Matting

This paper proposes a Markov Random Field (MRF) model-based approach to natural image matting with complex scenes. After the trimap for matting is given manually, the unknown region is roughly segmented into several joint sub-regions. In each sub-region, we partition the colors of neighboring background or foreground pixels into several clusters in RGB color space and assign matting label to each unknown pixel. All the labels are modelled as an MRF and the matting problem is then formulated as a maximum a posteriori (MAP) estimation problem. Simulated annealing is used to find the optimal MAP estimation. The better results can be obtained under the same user-interactions when images are complex. Results of natural image matting experiments performed on complex images using this approach are shown and compared in this paper.     

数字抠图技术综述

数字抠图是一种把图像的前景部分从背景中分离出来的技术,它通过用户指定图像中少量部分前景和背景区域,并根据这些提示按照一定的判定规则自动、准确地分离出所有的前景物体.回顾了该技术的历史发展过程,包括光学场景抽取、蓝屏抠图和图像合成技术,重点介绍了数字蓝屏抠图、自然图像抠图以及数字抠图技术的扩展和应用,如环境抠图、阴影抠图、视频抠图等,并对这几种技术的局限性以及发展方向做了简要的说明.     

基于RWR的自然图像抠图

提出了一种基于图论的自然图像抠图方法。该算法首先在图像上建立图的模型,并用不同颜色标记目标种子点和背景种子点;接着采用有重启概率的随机游走方法计算像素点之间的相似性,进而提出一个线性概率模型;最后求解模型并分别估计前景和背景物体。与目前的抠图方法相比,该算法具有以下特点：将RWR方法结合图论用于自然图像抠图中;减小了RWR算法在图像分割中迭代求逆的高复杂度,大大提高了抠图速度;解决了“弱”边界的问题。     

人体前景的自动抠图算法

在基于立体视觉的人体建模系统中,背景像素的移除可以减少不必要的立体匹配计算,提高人体模型重建效率.为此,在给定大量具有前景Alpha蒙板真值的人体图像作为训练数据的前提下,提出了一个端到端的深度学习网络,以实现系统采集图像中人体前景自动抠图.该深度学习网络包括2个阶段:人体前景分割阶段和人体前景Alpha抠图阶段.在人体前景分割阶段,采用Mask R-CNN网络中的目标检测和掩码生成2个负载,并结合训练数据进行迁移学习,得到了适用于人体前景二值化分割的模型网络.在人体前景Alpha抠图阶段,采用Encoder-Decoder网络架构实现Alpha蒙板的自动预测.首先引入核为5的非学习卷积层,以上一个阶段的二值化分割结果作为输入,自动得到三分图Trimap,再和人体前景训练数据一起作为此阶段抠图网络的输入;经过学习迭代,获得能够预测人体前景Alpha蒙板的模型网络.在实验部分,以单幅系统采集人体图像为输入,无需额外先验和人工交互,可以自动估计人体前景Alpha掩码结果.用户测试结果以及与其他方法的对比和分析证明了文中算法的可靠性和鲁棒性;同时,该自动抠图算法还对其他公开数据集的人体图像进行了掩码预测,实验结果表明该算法具有一定的泛化能力.     

基于抠像技术的图像无缝融合算法

为了更快更好的进行图像融合,在用自由融合算法对泊松图像编辑与抠像技术进行改进的基础上,实现了一套图像自由无缝融合算法。该融合算法首先利用抠像技术来提取图像中的物体边缘,然后迭代求解泊松方程,从而取得了自然的融合效果。该算法与最新的无缝融合算法相比,其优点在于:①对于前景与背景的颜色变化复杂的图像,仍可得到准确的边缘;②可以使用户能引导前景映射图的走向;③无论图像前景层中存在多少个洞,融合效果将不受任何影响。这使得该算法的应用具有相当的灵活性。对于目前的图像融合技术而言,该算法可以获得更高的融合质量、更快的处理速度以及多样的融合效果。