排序方式: 共有11条查询结果,搜索用时 140 毫秒
1.
2.
3.
4.
针对传统SLIC(simple linear iterative clustering)超像素分割算法没有综合考虑图像的纹理信息特征,导致对边缘信息较强和纹理复杂的图像进行超像素分割时,出现边缘检测不灵敏,分割效果不理想的问题.提出了把原图像先经过噪声抑制提取出纹理特征分量,构建以颜色特性、纹理特征和空间位置特征相融合的相似性度量方法.改进后的方法提高了边缘检测的灵敏度,增强了算法在对边缘信息较强和纹理复杂图像进行分割时的鲁棒性.另外,提出利用螺旋线状的搜索方式进行聚类,加速了算法的收敛速度,提高了分割效率.改进后的方法在BSDS500公共数据集上进行了实验,结果显示改进后的方法在边缘召回率、欠分割错误率、可完成的分割精度以及算法运行时间四项指标上优于传统算法. 相似文献
5.
6.
7.
8.
针对神经风格迁移算法结果中存在伪影、颜色丢失、轮廓模糊不清等影响整体艺术效果的问题,提出了一种基于拉普拉斯算子和颜色保留(LCR)的神经风格迁移算法。所提LCR算法使用内容损失项、风格损失项、直方图损失项以及拉普拉斯损失项构建总损失函数。由于在LCR算法中使用了直方图损失项和拉普拉斯损失项,因此,LCR算法与基于卷积神经网络的图像风格迁移(IST-CNN)算法、基于深度特征扰动(DFP)算法相比,对风格化结果图有更好的整体艺术效果。首先,通过对输入内容图像和风格图像进行去噪处理,减小了图像噪声对后续各个损失项计算的影响;其次,对内容图像和风格图像进行RGB空间到Lab空间的转换,以实现图像亮度通道L和颜色通道a、b的分离,并把内容图像的亮度信息迁移到风格图像上,从而达到内容图像颜色保留的目的;最后,在卷积神经网络(CNN)中对总损失函数进行迭代优化并输出风格化结果图。与IST-CNN和DFP算法相比,所提LCR算法的峰值信噪比(PSNR)平均分别提高了约12.418 dB和8.038 dB,结构相似性(SSIM)平均分别提高了约0.348 06和0.258 54,均方差(MSE)平均分别降低了0.653 76和0.296 00。实验结果表明,LCR算法有更好的风格化绘制整体视觉效果。 相似文献
9.
针对传统图像风格化处理算法在进行图像风格化处理过程中,出现颜色信息丢失、笔 触细节错乱以及边缘线条扭曲等情况,本文基于卷积神经网络的图像风格迁移算法进行了改 进,通过综合考虑图像的亮度颜色信息特性,提出一种基于新的风格损失函数与亮度信息的 图像风格迁移算法。首先,将内容图像进行色彩空间转换,让风格转移单独在亮度通道上进 行,保留了内容图像的色彩信息。其次,把直方图损失加入到总的损失函数中,构造新的总 损失函数,提高了风格化图像的稳定性。最后,把提取的内容图像边缘信息叠加到结果图中 , 达到改善风格化结果图边缘信息模糊不清的目的。实验表明,改进后的方法在笔触细节、纹 理结构以及色彩空间上有更好的整体效果表现。 相似文献
10.