结合分水岭机制的有监督图像背景分割算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (21): 205-209.

• 图形、图像、模式识别 • 上一篇下一篇

结合分水岭机制的有监督图像背景分割算法

温雯1，郝志峰1，2，邵壮丰3

1.广东工业大学计算机学院，广州 510006
2.华南理工大学计算机科学与工程学院，广州 510641
3.中国电信广东网络操作维护中心，广州 510110

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-07-21 发布日期:2011-07-21

Supervised background segmentation algorithm combined with watershed mechanism

WEN Wen1，HAO Zhifeng1，2，SHAO Zhuangfeng3

1.School of Computer，Guangdong University of Technology，Guangzhou 510006，China
2.School of Computer Science and Engineering，South China University of Technology，Guangzhou 510641，China
3.Network Operation and Maintenance Center of Guangdong Telecom，Guangzhou 510110，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-07-21 Published:2011-07-21

摘要/Abstract

摘要： 传统的分水岭分割算法属于无监督的图像分割算法，分割获得的子区域往往不具备现实的语义信息。在分水岭分割的基础上，利用子区域像素值的高斯统计性质，提出了一种有监督的图像背景学习方法。该算法能够通过对少量人工标注的图像样本的学习，获得刻画背景子区域规律的统计模型。在此基础上对新图片中隶属于背景的子区域进行判断和合并，从而达到区分目标与背景的目的。实验验证了算法的有效性。

关键词: 背景学习, 有监督, 分割, 分水岭算法

Abstract: The traditional watershed segmentation algorithm is a kind of unsupervised segmentation algorithms，which produces sub-regions without semantic representation.A supervised image segmentation algorithm is proposed，which is based on Gaussian statistical property of sub-regions obtained by watershed segmentation.The proposed algorithm can learn the statistical model of background with a few labeled images，and then correctly separates the objects from background by merging the sub-regions which are judged members of the background.Experiments verify the validity of the proposed method.

Key words: background learning, supervised, segmentation, watershed algorithm

温雯1，郝志峰1，2，邵壮丰3. 结合分水岭机制的有监督图像背景分割算法[J]. 计算机工程与应用, 2011, 47(21): 205-209.

WEN Wen1，HAO Zhifeng1，2，SHAO Zhuangfeng3. Supervised background segmentation algorithm combined with watershed mechanism[J]. Computer Engineering and Applications, 2011, 47(21): 205-209.

[1]	李晓筱，胡晓光，王梓强，杜卓群. 基于深度学习的实例分割研究进展[J]. 计算机工程与应用, 2021, 57(9): 60-67.
[2]	徐少杰，曹雏清，王永娟. 视觉SLAM在室内动态场景中的应用研究[J]. 计算机工程与应用, 2021, 57(8): 175-179.
[3]	闫晓燊，高强，朱思萌，奚学程，赵万生. 亮度不均匀低质量图像中压印字符分割方法[J]. 计算机工程与应用, 2021, 57(8): 185-191.
[4]	赵阳，张俊华. 多尺度特征融合的脊柱X线图像分割方法[J]. 计算机工程与应用, 2021, 57(8): 214-219.
[5]	潘沛鑫，潘中良. 结合显著性的主动轮廓图像分割[J]. 计算机工程与应用, 2021, 57(8): 225-230.
[6]	董鹏，周烽，赵悰悰，王亚飞，米泽田，付先平. 基于双目视觉的水下海参尺寸自动测量方法[J]. 计算机工程与应用, 2021, 57(8): 271-278.
[7]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[8]	杨波，陶青川，董沛君. 改进Deeplab v3+网络的手术器械分割方法[J]. 计算机工程与应用, 2021, 57(7): 222-227.
[9]	胡扬涛，裴洋，林川，李世成，易玉根. 空洞残差U型网络用于视网膜血管分割[J]. 计算机工程与应用, 2021, 57(7): 185-191.
[10]	张忠民，刘金鑫，席志红. 熵率超像素分割一致性检验视差细化算法[J]. 计算机工程与应用, 2021, 57(5): 204-209.
[11]	袁铭阳，黄宏博，周长胜. 全监督学习的图像语义分割方法研究进展[J]. 计算机工程与应用, 2021, 57(4): 43-54.
[12]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[13]	杨亚男，张宏鸣，李杭昊，杨江涛，全凯. 结合FCN和DenseCRF模型的无人机梯田识别方法研究[J]. 计算机工程与应用, 2021, 57(3): 222-230.
[14]	彭璟，罗浩宇，赵淦森，林成创，易序晟，陈少洁. 深度学习下的医学影像分割算法综述[J]. 计算机工程与应用, 2021, 57(3): 44-57.
[15]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.

结合分水岭机制的有监督图像背景分割算法

Supervised background segmentation algorithm combined with watershed mechanism

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics