Startseite > Nachrichten > Inhalt

Kontaktiere uns

Hinzufügen: Block 5, Fuqiang Technology Park, Zhugushi Straße, Wulian, Longgang 518116

Mob: + 86-13510459036

E-Mail: info@panadisplay.com

Forschungsstatus der Super-Pixel-Anwendung
Nov 17, 2017

Das Konzept der Super-Pixel frühestens im Jahr 2003 von Ren et al, der Super-Pixel-Algorithmus, um Bildwahrnehmung in sinnvollen Regionen zu extrahieren, kann verwendet werden, um die Pixelgitter starren Struktur zu ersetzen, mit Super-Pixel anstelle von Pixel-Operation, kann beschleunigen bestehender pixelbasierter Algorithmus zur Verbesserung einiger der Ergebnisse der letzten 10 Jahre.


Studie über Super-Pixel hat sich schnell im In-und Ausland entwickelt, hat sich zu einer Schlüsseltechnologie im Bereich der Computer Vision Forschung für viele Anwendungen in der Bildsegmentierung, viele bestehenden Segmentierungsalgorithmus basierend auf Graph-Theorie, wie Ncut, werden seine Kosten als erhöhen Knoten in der Grafik und werden teuer, weil dieser Algorithmus wird die Größe der Bildgröße für einige spezifische Anwendungen, wie Elektronenmikroskopaufnahmen der Mitochondrien Segmentierung begrenzt werden, ist die Bildgröße groß, die Bildsegmentierung auf Pixelraster ist sehr schwierig, die Bildpixel rund um die Super-Pixel-Aggregation mit SLIC-Algorithmus, dann jedes Pixel als jeder Knoten im Graphen, um Bildsegmentierung zu erreichen, kann es effektiv die Komplexität des Bildes zu reduzieren, wird die Segmentierung leicht zu handhaben.


Wie in Fig. 11 gezeigt, verwendet das SLIC-Supervoxel-Verfahren eine große 3D-Bildsegmentierung auf Milliarden von Pixeln, und der Algorithmus weist eine geringe Komplexität auf, reduziert die Speicheranforderungen und kann die Leistung von Kohli et al. Um das Problem zu lösen, wie wird, wird das gleiche Label Segmentierungsfragment mit dem gleichen Objektproblem gehören.

5.jpg

In der Schätzung der menschlichen Haltung haben Mori et al. Zuerst wird das Bild in Blöcke von Super-Pixel oder größer unterteilt, erkennen und lokalisieren Sie die Kontur des menschlichen Körpers Gelenke und Gliedmaßen, und dann werden alle Teile des Körpers mit Mori Super-Pixel-Segmentierung Vorbehandlung kombiniert, verbessert das Suchmuster in das Bild von die Effizienz und Genauigkeit, und in statischen Bildern in der menschlichen Haltung Schätzung erzielt gute Ergebnisse, wie in Abbildung 12 gezeigt.

6.jpg

Im Bereich der Zielverfolgung haben Wang et al. Es wurde ein Objektverfolgungsalgorithmus vorgeschlagen, der Hyperpixel verwendet, um Objektstrukturinformationen aus der Perspektive der Vision auf mittlerer Ebene zu extrahieren.


Sie verwenden ein Super-Pixel-basiertes Erscheinungsbildunterscheidungsmodell, um den Tracker dazu zu bringen, das Ziel und den Hintergrund durch das Zwischenpegelkabel zu unterscheiden. Dann wird aus der Nachverfolgungsaufgabe ein Ziel-Hintergrund-Vertrauenswert berechnet, und das beste Kandidatenergebnis wird durch die maximale a posteriori-Schätzung erhalten.


Der Tracking-Algorithmus kann effektiv mit Deformation, Zielverfolgung bei Okklusion und Okklusion umgehen, wie in Abbildung 13 Zhou et al. Vorgeschlagen Super-Pixel-Fahrniveau-Set-Tracking-Algorithmus, die Definition einer Geschwindigkeitsfunktion, um die Korrelation zwischen Super-Pixel oder Ziel und Hintergrund zu erfassen, hat der Algorithmus eine gute Robustheit und hohe Effizienz von Liu, die Verfolgung von mehreren Fahrzeugen in der realen Welt in Verkehrs-Video realisiert , die semantische Information wird in die Superpixel eingeführt, löst effektiv das Okklusionsproblem und häufiges Kreuzen verschiedener Fahrzeuge.


Wang et al. Das Zielverfolgungsproblem wurde untersucht, indem die Superpixel basierend auf der visuellen Information um das Ziel erkundet wurden und ein Erscheinungsmodell vorgeschlagen wurde, das aus mehreren Komponenten bestand

Der Algorithmus ist bei Objektverformung und Okklusion besser als andere Algorithmen

7.jpg

Kann auch in anderen Aspekten der Super-Pixel-Bildverarbeitungsaufgabe verwendet werden, Gu et al. Superpixel, die bei der Bildszenenklassifizierung, der Bildsegmentierung für Superpixelblöcke und der SIFT-Merkmalsextrahierung verwendet werden, die Bildung eines kontextabhängigen visuellen Deskriptors und dann den Raum in Pyramid zur Darstellung des Bild- und Klassifizierungsverfahrens verwenden.


Tigheet al. Angewandte Super-Pixel-zu-Szene-Analyse und schlug ein einfaches, nicht parametrisches und effizientes Bildanalyseverfahren vor. Fulkerson et al. Die Methode zum Suchen der Ziel- und Segmentierungszielklasse wurde mit Super-Pixel im Bild definiert. Ihre experimentellen Ergebnisse zu Graz-02- und PASCAL VOC 2007-Datensätzen sind viel besser als viele existierende Bildsegmentierungsmethoden.