【摘 要】
：
针对低阶MRF模型难以有效表达自然图像中复杂的先验知识而造成误分割问题, 提出一种基于多节点拓扑重叠测度的高阶MRF模型的图像分割方法. 首先, 为了描述图像局部区域内多像素蕴含的复杂空间拓扑结构信息, 利用多像素拓扑重叠测度建立图像局部区域的高阶先验模型; 其次, 利用较大的局部区域包含更多的标签节点信息能力, 基于Pairwise MRF模型建立基于局部区域的部分二阶Potts先验模型, 提高
论文部分内容阅读
针对低阶MRF模型难以有效表达自然图像中复杂的先验知识而造成误分割问题, 提出一种基于多节点拓扑重叠测度的高阶MRF模型的图像分割方法. 首先, 为了描述图像局部区域内多像素蕴含的复杂空间拓扑结构信息, 利用多像素拓扑重叠测度建立图像局部区域的高阶先验模型; 其次, 利用较大的局部区域包含更多的标签节点信息能力, 基于Pairwise MRF模型建立基于局部区域的部分二阶Potts先验模型, 提高分割模型的抗噪能力; 再次, 为了有效描述观察图像场和其标签场的似然特征分布, 研究利用局部区域内邻接像
其他文献
在辽西地区引进基于时域反射技术（TDR）的土壤水分测定仪，对辽西太平庄监测站2019年5月30日至7月1日10 cm、20cm、40 cm深度土层墒情监测数据进行比测、分析及误差修正。分析结果为：3种不同深度土层自动监测数据绝对误差在±4%范围内的数据测次占人工监测的数据测次均为100%，符合业务化运行的基本标准要求，可以应用到实际生产中。针对监测数据误差，建立误差修正模型，对10 cm和20 c
研究培养适应新时代需求的具有较强创新创造能力人才的混合式教学模式。针对《图像复制原理》课程的教学，在建设精品在线开放课程的基础上，基于翻转课堂教学模式，以培养学生的学习兴趣、创新思维意识、创新实践能力为出发点，设计课堂教学、案例教学、实验教学、研讨式教学等多种方法。构建了多种教学方式融合的混合式教学模式、研学型的翻转课堂教学模式、开放式实践教学模式等。采取线上线下相结合的混合式教学模式，能较好地从
巫山黄土是位于北亚热带河谷的一处代表性的粉尘堆积，距今约10万年，对其研究具有重要的区域环境指示意义。本文通过系统取样，对巫山黄土的稀土元素组成特征和古气候意义进行了分析和讨论，结果表明：（1）巫山黄土各样品的稀土元素含量相差不大，并具有同步变化。同时轻稀土含量远远高于重稀土含量，表现为轻稀土富积，重稀土亏损；（2）巫山黄土具有从老到新∑REE逐渐减小的特点，这可能与黄土风化作用的强度不同有关；（
为探讨母质类型对土壤粒径分布非均匀性和土壤结构异质性的影响，采用激光粒度分析方法和分形理论，研究了冲积物﹑花岗岩残积物﹑第四纪红黏土及浅海沉积物四种母质类型发育土壤的颗粒组成﹑分形特征及土壤理化性质对颗粒组成及分形参数的影响。结果表明：（1）花岗岩残积物以及浅海沉积物发育的土壤粒径分布范围大，大颗粒含量高，非均匀性较小。冲积物和第四纪红黏土发育的土壤颗粒集中分布在2～200 μm的细颗粒区域，异质
针对监控视频中行人非正常行走状态的异常现象,本文提出了一个端到端的异常行为检测网络,以视频包为输入,输出异常得分.时空编码器提取视频包时空特征后,利用基于隐向量的注意力机制对包级特征进行加权处理,最后用包级池化映射出视频包得分.本文整合了四个常用的异常行为检测数据集,在整合数据集上进行算法测试并与其他异常检测算法进行对比.多项客观指标结果显示,本文算法在异常事件检测方面有着显著的优势.
The Earths surface is a complex system involving mutual interactions of its many components,including mountains,rivers,forests,farmlands,lakes and grasses.The interaction and mutual feedback of chemic
This paper considers the new approach to solving the problem of quantitative estimation of the microseism energy for underground sources that is based on the synthesis of noise interferometry and the
行人重识别(Person Re-identification, ReID)旨在跨区域、跨场景的视频中实现行人的检索及跟踪,其成果在智能监控、刑事侦查、反恐防暴等领域具有广阔的应用前景.由于真实场景下的行人图像存在光照差异大、拍摄视角不统一、物体遮挡等问题,导致从图像整体提取的全局特征易受无关因素的干扰,识别精度不高.基于局部特征的方法通过挖掘行人姿态、人体部位、视角特征等关键信息,可加强模型对人体
人类具有很强的草图识别能力. 然而, 由于草图具有稀疏性和缺少细节的特点, 目前的深度学习模型在草图分类任务上仍然面临挑战.目前的工作只是将草图看作灰度图像而忽略了不同草图类别间的形状表示差异. 本文提出一种端到端的手绘草图识别模型, 简称双模型融合网络 (Dual-Model Fusion Network, DMF-Net), 它可以通过相互学习策略获取草图的纹理和形状信息. 具体来说, 该模型
基于深度学习的非均匀运动图像去模糊方法已经获得了较好的效果.然而,现有的方法通常存在对边缘恢复不清晰的问题.因此,本文提出一种强边缘提取网络(Strong-edge Extraction Network, SEEN),用于提取非均匀运动模糊图像的强边缘以提高图像边缘复原质量.设计的强边缘提取网络由两个子网络SEEN-1和SEEN-2组成, SEEN-1实现双边滤波器的功能,用于提取滤除了细节信息后