超像素分割研究进展+SLIC近几年进展

超像素分割研究进展
一. 基于图论的方法(Graph-based algorithms)：
1.Normalized cuts, 2000.
Jianbo Shi and Jitendra Malik. Normalized cuts and image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI),22(8):888–905, 2000.
T. Cour, F. Benezit, and J. Shi. Spectral segmentation with multiscale graph decomposition. In IEEE Computer Vision and Pattern Recognition (CVPR) 2005,2005.
Project Home Page:
http://www.cis.upenn.edu/~jshi/software/
http://www.timotheecour.com/software/ncut/ncut.html
2. Graph-based segmentation, 2004.
Pedro Felzenszwalb and Daniel Huttenlocher. Efﬁcient graph-based image segmentation. International Journal of Computer Vision (IJCV),59(2):167–181, September2004.
Project Home Page: http://cs.brown.edu/~pff/segment/
3. Graph cuts method,2008.
Alastair Moore, Simon Prince, Jonathan Warrell, Umar Mohammed, and Graham Jones. Superpixel Lattices. IEEE Computer Vision and Pattern Recognition (CVPR),2008.
Project Home Page: http://www.cs.sfu.ca/~mori/research/superpixels
4. GCa10 and GCb10,2010.
O. Veksler, Y. Boykov, and P.Mehrani. Superpixels and supervoxels in an energy optimization framework. In European Conference on Computer Vision (ECCV),2010.
Project Home Page: http://www.csd.uwo.ca/~olga/
5. Entropy RateSuperpixel Segmentation, 2011.
Ming-Yu Liu, Tuzel, O., Ramalingam, S. , Chellappa, R., Entropy Rate Superpixel Segmentation, CVPR,2011.
Project Home Page: http://www.umiacs.umd.edu/~mingyliu
6. Superpixels via Pseudo-Boolean Optimization,2011.
Yuhang Zhang, Richard Hartley, John Mashford and Stewart Burn, Superpixels via Pseudo-Boolean Optimization, International Conference on Computer Vision (ICCV), 2011.
Project Home Page: http://yuhang.rsise.anu.edu.au/yuhang/misc.html
二. 基于梯度下降的方法(Gradient-ascent-based algorithms)：
1.Watershed,1991.
Luc Vincent and Pierre Soille. Watersheds in digital spaces: An efﬁcient algorithm based on immersion simulations. IEEE Transactions on Pattern Analalysis and Machine Intelligence, 13(6):583–598, 1991.
2. Mean Shift,2002.
D. Comaniciu and P. Meer. Meanshift: a robust approach toward featurespace analysis. IEEE Transactions on Pattern Analysis and MachineIntelligence,24(5):603–619, May 2002.
3. Quick Shift,2008
A. Vedaldi and S. Soatto. Quickshift and kernel methods for mode seeking. In European Conferenceon Computer Vision (ECCV), 2008.
Project Home Page: http://www.vlfeat.org/download.html
4. Turbopixel,2009.
A. Levinshtein, A. Stere, K. Kutulakos, D. Fleet, S. Dickinson, and K. Siddiqi. Turbo pixels: Fast superpixels using geometric ﬂows. IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI),2009.
Project Home Page: http://www.cs.toronto.edu/~babalex/
5. SLIC,2010.
R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, and S. Susstrunk, SLIC Superpixels, 2010.
Project Home Page: http://ivrg.epfl.ch/research/superpixels
6. SEEDS, 2012.
M. Van den Bergh, X. Boix, G. Roig, B. de Capitani, L. VanGool. SEEDS: Superpixels Extracted via Energy-Driven Sampling, ECCV2012.
Project Home Page: http://www.vision.ee.ethz.ch/~boxavier/seeds/

以下引用

Song X Y，Zhou L L，Li Z G，Chen J，Zeng L，Yan B．Ｒeview on superpixel
methods in image segmentation ［J］． Journal of Image and
Graphics，2015，20( 5) : 0599-0608．［宋熙煜，周利莉，李中国，陈健，曾磊，闫镔．
图像分割中的超像素方法研究综述［J］．中国图象图形学报，2015，20(5) : 0599-0608．］

除上述原始SLIC算法外，还有采用其他方法计算距离的 GSLIC( SLIC with a geodesic distance meas-ure)［3］和 ASLIC( SLIC with an adaptively normalized distance measure)［3］改进算法。文献［9］的作者还在其网站上发布了 SLIC 的零参数版本———SLI-CO［20］，该算法能自适应地为每个超像素选择最优的紧密度参数。
针对 SLIC 算法的改进还有: 2011年，Ｒen等人［21］提出的基于 CUDA( compute unified device architecture) 框架的 GPU 并行加速 SLIC; 2012年，Schick 等人［22］提出的能够直接精确控制超像素紧密度的改进 SLIC; 2013 年，Kim 等人［23］提出了在迭代更新聚类中心过程中引入 sigma 滤波以克服原始 SLIC 算法迭代误差传播问题的改进 SLIC。

[3] Achanta Ｒ，Shaji A，Smith K，et al． SLIC superpixels comparedto state-of-the-art superpixel methods［J］． IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34 ( 11 ) :2274-2282. ［DOI: 10. 1109 / TPAMI． 2012. 120］
[20] Radhakrishna Achanta． SLICO，zero parameter version of SLIC［EB/OL］．［2014-09-16］． http: / /ivrg. epfl. ch/supplementary_material / RK_SLICSuperpixels / index. html．
[21] Ｒen C Y，Ｒeid I． g SLIC: a real-time implementation of SLIC superpixel segmentation［Ｒ］． Oxford: University of Oxford，Department of Engineering，2011.
[22] Schick A，Fischer M，Stiefelhagen Ｒ． Measuring and evaluating the compactness of superpixels［C］/ / Proceedings of IEEE Inter-national Conference on Pattern Ｒecognition． Washington DC，USA: IEEE，2012: 930-934.
[23] Kim K S，Zhang D，Kang M C，et al． Improved simple linear it-erative clustering superpixels［C］/ / IEEE Symposium on Con-sumer Electronics． Washington DC，USA: IEEE，2013: 259-260. ［DOI: 10. 1109 / ISCE． 2013. 6570216]

超像素分割研究进展+SLIC近几年进展相关推荐

julia 调用python库_Julia调用Python实现超像素分割SLIC算法
最近想要在julia中实现 Simple Linear Iterative Clustering (SLIC) 算法对图像进行超像素分割,关于SLIC超像素分割算法,请参考SLIC Superpixe ...
python-opencv实现图像超像素分割（SLIC、SEEDS、LSC）
转载自:苏格拉- PYTHON - OPENCV实现图像超像素分割(SLIC.SEEDS.LSC) 超像素超像素是把一张图片中具有相似特征的像素进行聚类,形成一个更具有代表性的大"像素&q ...
SLIC超像素分割详解
SLIC超像素分割详解(一) 超像素概念是2003年Xiaofeng Ren提出和发展起来的图像分割技术,是指具有相似纹理.颜色.亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块.它利用像素之间 ...
超像素分割与超像素合并/区域合并/多尺度分割
最近两年,超像素分割方法非常火爆,计算机视觉.模式识别许多方向都兴起了超像素研究的热潮,提出的方法也比较多.其实这不是个什么新鲜的东西,以前的许多分割算法所获得的结果都可以称为超像素,如Watersh ...
超像素分割（Slic算法）——个人梳理
一.使用背景我在进行乳腺癌图像识别的学校项目中,参考了山东大学的硕士论文,并希望加以简化复现,此论文会在文末附上.项目要求我们需要对乳腺癌图片进行分类(无肿瘤,良性肿瘤,恶性肿瘤),参照论文所说,我 ...
图像分割：Python的SLIC超像素分割
图像分割:Python的SLIC超像素分割 1. 什么是超像素? 2. 为什么超像素在计算机视觉方面有重要的作用? 3. 简单线性迭代聚类(SLIC) 4. 效果图 5. 源码参考 1. 什么是超像 ...
VLFeat SLIC超像素分割(Cpp版)
这段时间对VLFeat的C接口非常的感兴趣,以前用的都是其Matlab接口,虽然很方便,而且提供的Matlab接口要比C接口功能更强大,但Matlab终归只能用来做一下快速的方法验证,所以想比较完整的 ...
SLIC超像素分割方法
为了方便查找,记录SLIC超像素分割方法的介绍简介关键代码分析应用
SLIC 超像素分割详解（三）：应用
看过上面的介绍后,我们应该思考一下:分割好的超像素有什么用?怎么用?用到哪里? 首先,超像素可以用来做跟踪,可以参考卢湖川课题组发表在IEEE TIP上的<Robust superpixeltr ...
SLIC超像素分割的算法介绍和源码分析
前述最近在看显著性检测,发现很多算法的基础是超像素分割,而正在看的Saliency Optimization from Robust Background Detection算法的预处理是SLIC算 ...

超像素分割研究进展+SLIC近几年进展

超像素分割研究进展+SLIC近几年进展相关推荐

最新文章

热门文章