Felipe C.Belém。;巴切洛斯，伊莎贝拉B。;莱昂纳多·若昂。;本杰明·佩雷特;让·库斯蒂;Silvio J.F.吉马雷斯。;法尔考，亚历山大十世。 紧致精确超像素的新反正成本函数和种子相关估计。 （英语） Zbl 07753639号 数学杂志。成像视觉。 65，编号5，770-786（2023）. 摘要：在利用显著性信息的超像素方法的边缘通过迭代CLArcutting实现超像素（SICLE）框架报告了快速准确的超像素描绘。它由三个步骤组成：（i）种子过采样；（ii）超像素生成；和（iii）清除种子。它从（i）开始，应用（ii）和（iii）的多次迭代，直到达到所需的超像素数量。在这项工作中，我们改进了SICLE，使其现在可以生成精确描绘的紧凑超像素。我们利用微分计算，为步骤（ii）和（iii）提出了几个新函数，用于适当合并显著性、紧凑超像素生成以及提高速度和描绘。结果表明，在我们的提案中，只要没有显著性，SICLE在描绘和速度方面就达到了最先进的性能，并且具有同等的兼容性。当提供准确的显著性映射时，其性能会显著提高，并且只需要两次迭代即可进行分割。 MSC公司： 68单位10 图像处理的计算方法 关键词：超像素;显著性;多尺度;分段 PDF格式BibTeX公司 XML格式引用 \textit{F.C.Belém}等人，《数学杂志》。成像视觉。65，编号5，770--786（2023；Zbl 07753639） 全文： DOI程序 哈尔 参考文献： [1] Dhore，S.，Abin，D.：使用分水岭和超像素分割技术进行胸部x射线分割。摘自：国际通信信息与计算技术会议（ICCICT），第1-4页（2021年）。doi:10.10109/ICCICT50803.2021.9510078 [2] 刘，C。；赵，R。；Pang，M.，基于随机森林的CT肺部图像全自动分割算法，医学物理。，47, 2, 518-529 (2019) ·doi:10.1002/mp.13939 [3] Zhou，J.，Ruan，J.、Wu，C.、Ye，G.、Zhu，Z.、Yue，J.和Zhang，Y.：基于从自动编码器中提取的特征的乳腺癌病理图像超像素分割。参见：IEEE第十一届通信软件和网络国际会议（ICCSN），第366-370页（2019年）。doi:10.1109/ICCSN.2019.8905358 [4] Yi，S。；马，H。；王，X。；胡，T。；李，X。；Wang，Y.，具有超像素引导的局部和全局一致性的弱监督语义分割，Pattern Recogn。，124 (2022) ·doi:10.1016/j.patcog.2021.108504 [5] 梁，Y。；Zhang，Y。；Wu，Y。；图，S。；Liu，C.，通过传播接缝和匹配超像素实现鲁棒视频对象分割，IEEE Access，853766-53776（2020）·doi:10.1109/ACCESS.2020.2981140 [6] 斯图兹，D。；赫尔曼斯，A。；Leibe，B.，《超级像素：最先进的计算机评估》。视觉。图像理解。，166, 1-27 (2018) ·doi:10.1016/j.cviu.2017.03.007 [7] 阿坎塔，R。；沙吉，A。；Smith，K。；卢奇，A。；Fua，P。；Süsstrunk，S.，SLIC超像素与最先进的超像素方法的比较，IEEE Trans。模式分析。机器。整数。，34, 11, 2274-2282 (2012) ·doi:10.1109/TPAMI.2012.120 [8] Bobbia，S。；R.Macwan。；Benezeth，Y。；Nakamura，K。；戈麦斯，R。；Dubois，J.，《超像素分割的迭代边界隐式识别：实时方法》，IEEE Access，977250-77263（2021）·doi:10.1109/ACCESS.2021.3081919 [9] 魏，X。；杨琼。；龚，Y。；阿胡加，N。；Yang，M.，超像素层次结构，IEEE Trans。图像处理。，27, 10, 4838-4849 (2018) ·Zbl 1409.94654号 ·doi:10.1109/TIP.2018.2836300 [10] 贝伦，F。；圣吉马雷斯。；Falcáo，A.，使用动态和迭代跨越森林的超像素分割，信号处理。莱特。，27, 1440-1444 (2020) ·doi:10.10109/LSP.2020.3015433 [11] Schick，A。；费舍尔，M。；Stiefelhagen，R.，《超像素紧致性的评估》，模式识别。莱特。，43, 71-80 (2014) ·doi:10.1016/j.patrec.2013.09.013 [12] Zhu，L.，She，Q.，Zhang，B.，Lu，Y.，Lu。摘自：IEEE/CVF计算机视觉和模式识别会议（CVPR），第1225-1234页（2021年）。doi:10.1109/CVPR46437.2021.00128 [13] Yang，F.，Sun，Q.，Jin，H.，Zhou，Z.：使用完全卷积网络的超像素分割。在：IEEE/CFF计算机视觉和模式识别会议（CVPR），第13961-13970页（2020）。doi:10.1109/CVPR42600.2020.01398 [14] 铃木，T.：利用正则化信息最大化的卷积神经网络进行超像素分割。摘自：IEEE声学、语音和信号处理国际会议（ICASSP），第2573-2577页（2020年）。doi:10.1109/ICASSP40776.2020.9054140 [15] Yu，Y.，Yang，Y.、Liu，K.：使用无监督卷积神经网络的边缘软件超像素分割。参见：IEEE图像处理国际会议（ICIP），第1504-1508页（2021年）。doi:10.1109/IICIP42928.2021.9506289 [16] 徐，L。；曾磊。；Wang，Z.，基于盐度的超像素，SIViP，8，1，181-190（2014）·doi:10.1007/s11760-013-0520-8 [17] Belém，F.，Guimaráes，S.，Falcáo，A.：基于对象的迭代跨越森林的超像素分割。在：模式识别、图像分析、计算机视觉和应用进展，第11401卷，第334-341页（2019）。doi:10.1007/978-3-030-13469-339 [18] Belém，F.，Guimaráes，S.，Falcáo，A.：使用对象信息通过迭代跨越森林生成超像素。参见：第三十三届图形、图案和图像会议（SIBGRAPI），第22-28页（2020年）。doi:10.5753/sibgrapi.est.2020.12979。论文研讨会 [19] Belém，F.，Cousty，J.，Perret，B.，Guimaráes，S.，Falcáo，A.：走向简单高效的基于对象的超像素描绘框架。见：第34届图形、模式和图像会议（SIBGRAPI），第346-353页（2021）。doi:10.1109/SIBGRAPI54419.2021.00054 [20] Belém，F.、Perret，B.、Cousty，J.、Guimaráes，S.、Falcáo，A.：高效多尺度基于对象的超像素框架（2022）。doi:10.48550/ARXIV.2204.03533 [21] Belém，F.，Borlido，I.，Joóo，L.，Perret，B.，Cousty，J.，Guimaráes，S.，Falcáo，A.：使用精确显著性估计快速有效的超像素分割。《离散几何与数学形态学》，第261-273页（2022年）。doi:10.1007/978-3-031-19897-721 [22] Wan，L.，Xu，X.，Zhao，Q.，Feng，W.：球形超像素：基准和评估。摘自：亚洲计算机视觉会议（ACCV），第11366卷，第703-717页（2019年）。doi:10.1007/978-3-030-20876-9_44 [23] 王，M。；刘，X。；高，Y。；马，X。；Soomro，N.，《超像素分割：基准，信号处理》。图像通信。，56, 28-39 (2017) ·doi:10.1016/j.image.2017.04.007 [24] Li，Z.，Chen，J.：使用线性光谱聚类的超像素分割。摘自：IEEE计算机视觉和模式识别会议（CVPR），第1356-1363页（2015）。doi:10.1109/CVPR.2015.7298741 [25] 刘，Y。；Yu，M。；Li，B。；He，Y.，《内禀流形SLIC：计算内容敏感超像素的简单有效方法》，IEEE Trans。模式分析。机器。整数。，40, 3, 653-666 (2018) ·doi:10.1109/TPAMI.2017.2686857 [26] Xiao，X。；周，Y。；龚毅，内容自适应超像素分割，IEEE Trans。图像处理。，27, 6, 2883-2896 (2018) ·兹比尔1409.94674 ·doi:10.1109/TIP.2018.2810541 [27] 吴杰。；刘，C。；Li，B.，纹理软件和结构保护超像素分割，计算。图表。，94, 152-163 (2021) ·doi:10.1016/j.cag.2020.12.002 [28] 班，Z。；刘杰。；Cao，L.，使用高斯混合模型的超像素分割，IEEE Trans。图像处理。，27, 8, 4105-4117 (2018) ·Zbl 1409.94025号 ·doi:10.1109/TIP.2018.2836306 [29] 沈杰。；郝，X。；Liang，Z。；刘，Y。；Wang，W。；Shao，L.，DBSCAN聚类算法的实时超像素分割，IEEE Trans。图像处理。，25, 12, 5933-5942 (2016) ·Zbl 1408.94589号 ·doi:10.1109/TIP.2016.2616302 [30] 马查拉斯，V。；法塞尔，M。；Cárdenas-Peña，D。；Chabardes，T。；沃尔特·T。；Decenciere，E.，Waterpixels，IEEE Trans。图像处理。，24, 11, 3707-3716 (2015) ·Zbl 1408.94461号 ·doi:10.1109/TIP.2015.2451011 [31] Liu，M.，Tuzel，O.，Ramalingam，S.，Chellappa，R.：熵率超像素分割。摘自：IEEE计算机视觉和模式识别会议（CVPR），第2097-2104页（2011年）。doi:10.1109/CVPR.2111.5995323 [32] Vargas Muñoz，J。；乔杜里，A。；亚历山大，E。；加尔文奥，F。；米兰达，P。；Falcáo，A.，超像素分割的迭代生成森林框架，IEEE Trans。图像处理。，28, 7, 3477-3489 (2019) ·Zbl 1483.68477号 ·doi:10.1109/TIP.2019.2897941 [33] Galvóo，F.，Falcáo，A.，Chowdhury，A.：RISF：用于超像素分割的递归迭代生成森林。在：第31届图形、图案和图像会议（SIBGRAPI），第408-415页（2018）。doi:10.1109/SIBGRAPI.2018.00059 [34] Awaisu，M.，Li，L.，Peng，J.，Zhang，J.:具有深度特征的快速超像素分割。收录于：《计算机图形学进展》，第11542卷，第410-416页（2019年）。doi:10.1007/978-3-030-22514-8_38 [35] Tu，W.、Liu，M.、Jampani，V.、Sun，D.、Chien，S.、Yang，M.和Kautz，J.：学习具有分段软件亲和力损失的超像素。摘自：IEEE/CVF计算机视觉和模式识别会议（CVPR），第568-576页（2018年）。doi:10.1109/CVPR.2018.00066 [36] Peng，H.，Aviles-Rivero，A.，Schonlieb，C.：Hers超像素：分层熵率分割的深度亲和学习。在：IEEE/CFF计算机视觉应用冬季会议（WACV），72-81（2022）。doi:10.1109/WACV51458.2022.00015 [37] Jampani，V.、Sun，D.、Liu，M.、Yang，M.和Kautz，J.：超像素采样网络。摘自：欧洲计算机视觉会议（ECCV），第11211卷，第363-380页（2018年）。doi:10.1007/978-3-030-01234-22 [38] A.法尔考。；斯托尔菲，J。；Lotufo，R.，《图像森林变换：理论、算法和应用》，IEEE Trans。模式分析。机器。整数。，26, 1, 19-29 (2004) ·doi:10.1109/TPAMI.2004.1261076 [39] Bragantini，J.、Martins，S.、Castelo-Fernandez，C.、Falcáo，A.：使用动态树进行基于图形的图像分割。在：模式识别、图像分析、计算机视觉和应用的进展，第470-478页（2018）。doi:10.1007/978-3-030-13469-3_55 [40] Borlido，I.、Belém，F.、Miranda，P.、Falcáo，A.、Patrocínio，Z.、Guimaráes，S.：通过动态迭代跨越森林实现交互式图像分割。《离散几何与数学形态学》，第351-364页（2021年）。doi:10.1007/978-3-030-76657-3_25·Zbl 1484.68287号 [41] Ciesielski，K。；A.法尔考。；Miranda，P.，Dijkstra算法返回最优映射的路径值函数，J.Math。成像视觉。，60, 7, 1025-1036 (2018) ·Zbl 1397.05187号 ·doi:10.1007/s10851-018-0793-1 [42] Mansilla，L.，Miranda，P.：定向图像森林变换分割：宽度可调的连通性约束。摘自：第29届图形、图案和图像会议（SIBGRAPI），第289-296页（2016年）。doi:10.1109/SIBGRAPI.2016.047 [43] 秦，X。；张，Z。；黄，C。；Dehghan，M。；O.扎亚内。；Jagersand，M.，U2-Net：使用嵌套u结构进行更深入的显著对象检测，模式识别。，106 (2020) ·doi:10.1016/j.patcog.2020.107404 [44] Belém，F.，Melo，L.，Guimaráes，S.，Falcáo，A.：基于对象的种子采样对超像素分割的重要性。参见：第32届图形、图案和图像会议（SIBGRAPI），第108-115页（2019年）。doi:10.1109/SIBGRAPI.2019.00023 [45] A.法尔考。；Bergo，F.，《带差分图像森林变换的交互式体积分割》，IEEE Trans。医学成像，23，9，1100-1108（2004）·doi:10.1109/TMI.2004.829335 [46] Arbelaez，P。；Maire，M。；Fowlkes，C。；Malik，J.，轮廓检测和分层图像分割，IEEE Trans。模式分析。机器。整数。，33, 5, 898-916 (2011) ·doi:10.1109/TPAMI.2010.161 [47] 史J。；严奇。；徐，L。；Jia，J.，基于扩展CSSD的分层图像显著性检测，IEEE Trans。模式分析。机器。整数。，38, 4, 717-729 (2015) ·doi:10.1109/TPAMI.2015.2465960 [48] Neubert，P.，Protzel，P.：超像素基准和比较。收录于：《Bildverabeitung论坛》，第6卷，第1-12页（2012年） 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。