建设营销网站的目的,wordpress浏览pdf,公司网站建设比较好的公司,深圳宝安高端网站建设图割GraphCus算法。利用颜色、纹理等信息对GraphCut进行改进#xff0c;形成效果更好的GrabCut算法。
对图像的目标物体和背景建立一个K维的全协方差高斯混合模型。 其中#xff0c;单高斯模型的概率密度函数用公式表示为#xff1a; 高斯混合模型可表示为n个单高斯模型的概…图割GraphCus算法。利用颜色、纹理等信息对GraphCut进行改进形成效果更好的GrabCut算法。
对图像的目标物体和背景建立一个K维的全协方差高斯混合模型。 其中单高斯模型的概率密度函数用公式表示为 高斯混合模型可表示为n个单高斯模型的概率密度加权之和 Pi为第i个高斯模型的权值。 对含有N个像素点的图像用zLL表示。 用不透明度表示像素点的值。∈{0,1} 。1表示该像素点属于目标物体0表示像素点属于背景。
每个像素的独立GMM参数用向量k,L,,L,表示∈{12LK}。
GrabCut算法目标提取问题转化为求解能量函数最优解的问题能量函数表示为 数据项定义为 所以 该算法只需构建高斯混合模型不断交互迭代分割估计和模型参数学习过程就可以实现目标从复杂背景中的提取。
GrabCut算法的缺点
1需要人工交互选出包含目标区域的矩形框——解决模仿人视觉注意力机制的显著性算法可以获取被抓取目标的区域 2算法要求每个像素点对应的高斯模型的参数参数量大时间复杂度高——解决超像素代替该超像素中的所有像素进行参数训练
物体显著性检测 使用超像素结合GrabCut算法对图像进行分割
前提改进算法得到超像素图。
假设共有N个超像素用S{LL}表示每个超像素包含的图像其中表示第n个超像素。将超像素用作网络图的节点对GMM参数进行估计并迭代处理则 使用超像素代替原始大量像素点初始化构建GMM模型构建网络图进行参数估计并迭代计算对图像进行分割可以提高GrabCut的运算效率。
实现流程
