《表1 几种传统图像分割方法的性能对比》
针对不同的分割任务,可选取的分割技术种类繁多,每种方法都有各自的优劣,适用的情况也不尽相同。为此,本文在分割数据集PASCAL VOC[35]、Microsoft COCO[36]上对几种传统图像分割方法的性能进行了实验效果对比,用不同的分割方法对同一图像进行分割处理,图7左、右列图像分别为不同方法对来源于PASCAL VOC和Microsoft COCO数据集中图像的分割结果。其中,图7(a)为原始灰度图像;图7(b)是OTSU阈值法[1]分割效果,对于灰度区别较大的图像,能够明显地分割出前景目标(人和车);图7(c)为采用Canny微分算子[9]的并行边缘检测法分割效果,图像中的边缘轮廓信息比较明显,但也存在很多杂乱的噪声点;图7(d)是区域生长法[12]分割效果,能够分割出前景目标,但是目标区域的细节分割不够精细;图7(e)为基于聚类的Mean Shift算法[14]分割效果,使用该算法可以对目标和背景区域进行各自的聚类,实现分割的效果;图7(f)是基于图论的Graph Cut[18]算法的分割效果,能够明显地区分出前景目标和背景,但也引入了噪声点。对比原始灰度图像(图7(a)),从分割效果图(图7(b)~7(f))中可以看出,传统分割方法在分割时会引入很多无关或者没有意义的阴影和区域,有的甚至会出现噪声点(图7(c)),对分割结果造成干扰,无法精准地区分出前景目标和背景。根据传统分割方法的实验效果,对不同分割方法的适用范围、算法难易程度、执行时间、内存占用大小等方面性能进行比较,结果如表1所示。
图表编号 | XD00210109500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.24 |
作者 | 黄鹏、郑淇、梁超 |
绘制单位 | 武汉大学计算机学院、武汉大学计算机学院、武汉大学计算机学院、武汉大学深圳研究院 |
更多格式 | 高清、无水印(增值服务) |