基于结构森林的RGB-D图像轮廓提取
发布时间：2020-01-17 17:42
【摘要】：为了获取更加清晰、更多细节的轮廓特征,充分利用Kinect传感器获取的RGB-D图像信息,将结构化的随机森林作为分类器,提出一种更加精确的轮廓提取器。首先,将RGB-D图像的多种信息利用数学公式表示出来;然后利用BSD500数据集以及NYU深度数据集训练结构化的随机森林算法,核心是将给定节点的结构化标签映射到一组离散标签;最后,利用该随机森林算法对RGB-D图像信息进行分类,得到图像轮廓。针对细节不同的四种场景图像进行对比实验,结果表明,经改进后的算法得到的轮廓效果更加清晰、准确。
【图文】：
提出的使用结构森林算法所得结果;第五行为本文提出的基于结构森林的ＲGB-D图像轮廓提取算法。实验中选取了四种不同的场景作为检测对象，四种场景的细节各不相同。如图4所示，从第一列到第四列细节丰富度依次递增。根据以上结果可以发现，第一种算法得出的结果，其轮廓信息丢失过多，且图像细节基本分辨不出，如场景1中，显示器的轮廓以及键盘鼠标线等都已断断续续，键盘上的按键基本无法分辨。不论图像细节的多少，后两种算法都明显优于前一种算法。根据实验结果，可以观察到由Doll錮r等人提出的算法得到的轮廓总体可见，且图像主要轮廓较为清晰;在图像细节较少的场景中(如场景1、2)，其表现较好;当图像的细节较多时(如场景3、4)，其效果较差，提取出的图像轮廓出现模糊，部分边界虚化，且图像细节丢失较多。例如场景3中的抽屉把手边界丢失，场景4中键盘丢失以及书籍轮廓过度虚化不清晰。根据图4所示，本文提出的改进算法所得结果，图像轮廓清晰准确，图像的细节保持较好。当图像细节较少时，本文算法较Doll錮r等人提出的算法优势并不明显;而当图像细节增多时，本文提出的算法较Doll錮r等人算法，在图像细节的体现方面更好。特别地，在最后一个场景中，本文提出的改进算法对桌面细节的呈现明显优于Doll錮r等人提出的算法。5结束语本文充分挖掘了ＲGB-D图像的信息，通过圆盘的表示方式，充分利用亮度、颜色、纹理、深度信息。在分类前，对深度图像采用自适应的双边滤波器进行去噪处理，将随机决策森林的输出结果结构化，使得分类更加精确。实验结果表明，本文算法较原有的两种算法精度更高，并且在图像细节丰富的场景中，算法也能表现出较高的准度。但是在实验中也发现，本文提出的改进算法的速度并没有加快，同原有算法基本持平。下
提出的使用结构森林算法所得结果;第五行为本文提出的基于结构森林的ＲGB-D图像轮廓提取算法。实验中选取了四种不同的场景作为检测对象，四种场景的细节各不相同。如图4所示，从第一列到第四列细节丰富度依次递增。根据以上结果可以发现，第一种算法得出的结果，其轮廓信息丢失过多，且图像细节基本分辨不出，如场景1中，显示器的轮廓以及键盘鼠标线等都已断断续续，键盘上的按键基本无法分辨。不论图像细节的多少，后两种算法都明显优于前一种算法。根据实验结果，可以观察到由Doll錮r等人提出的算法得到的轮廓总体可见，且图像主要轮廓较为清晰;在图像细节较少的场景中(如场景1、2)，其表现较好;当图像的细节较多时(如场景3、4)，其效果较差，提取出的图像轮廓出现模糊，部分边界虚化，且图像细节丢失较多。例如场景3中的抽屉把手边界丢失，，场景4中键盘丢失以及书籍轮廓过度虚化不清晰。根据图4所示，本文提出的改进算法所得结果，图像轮廓清晰准确，图像的细节保持较好。当图像细节较少时，本文算法较Doll錮r等人提出的算法优势并不明显;而当图像细节增多时，本文提出的算法较Doll錮r等人算法，在图像细节的体现方面更好。特别地，在最后一个场景中，本文提出的改进算法对桌面细节的呈现明显优于Doll錮r等人提出的算法。5结束语本文充分挖掘了ＲGB-D图像的信息，通过圆盘的表示方式，充分利用亮度、颜色、纹理、深度信息。在分类前，对深度图像采用自适应的双边滤波器进行去噪处理，将随机决策森林的输出结果结构化，使得分类更加精确。实验结果表明，本文算法较原有的两种算法精度更高，并且在图像细节丰富的场景中，算法也能表现出较高的准度。但是在实验中也发现，本文提出的改进算法的速度并没有加快，同原有算法基本持平。下
【图文】：
提出的使用结构森林算法所得结果;第五行为本文提出的基于结构森林的ＲGB-D图像轮廓提取算法。实验中选取了四种不同的场景作为检测对象，四种场景的细节各不相同。如图4所示，从第一列到第四列细节丰富度依次递增。根据以上结果可以发现，第一种算法得出的结果，其轮廓信息丢失过多，且图像细节基本分辨不出，如场景1中，显示器的轮廓以及键盘鼠标线等都已断断续续，键盘上的按键基本无法分辨。不论图像细节的多少，后两种算法都明显优于前一种算法。根据实验结果，可以观察到由Doll錮r等人提出的算法得到的轮廓总体可见，且图像主要轮廓较为清晰;在图像细节较少的场景中(如场景1、2)，其表现较好;当图像的细节较多时(如场景3、4)，其效果较差，提取出的图像轮廓出现模糊，部分边界虚化，且图像细节丢失较多。例如场景3中的抽屉把手边界丢失，场景4中键盘丢失以及书籍轮廓过度虚化不清晰。根据图4所示，本文提出的改进算法所得结果，图像轮廓清晰准确，图像的细节保持较好。当图像细节较少时，本文算法较Doll錮r等人提出的算法优势并不明显;而当图像细节增多时，本文提出的算法较Doll錮r等人算法，在图像细节的体现方面更好。特别地，在最后一个场景中，本文提出的改进算法对桌面细节的呈现明显优于Doll錮r等人提出的算法。5结束语本文充分挖掘了ＲGB-D图像的信息，通过圆盘的表示方式，充分利用亮度、颜色、纹理、深度信息。在分类前，对深度图像采用自适应的双边滤波器进行去噪处理，将随机决策森林的输出结果结构化，使得分类更加精确。实验结果表明，本文算法较原有的两种算法精度更高，并且在图像细节丰富的场景中，算法也能表现出较高的准度。但是在实验中也发现，本文提出的改进算法的速度并没有加快，同原有算法基本持平。下
提出的使用结构森林算法所得结果;第五行为本文提出的基于结构森林的ＲGB-D图像轮廓提取算法。实验中选取了四种不同的场景作为检测对象，四种场景的细节各不相同。如图4所示，从第一列到第四列细节丰富度依次递增。根据以上结果可以发现，第一种算法得出的结果，其轮廓信息丢失过多，且图像细节基本分辨不出，如场景1中，显示器的轮廓以及键盘鼠标线等都已断断续续，键盘上的按键基本无法分辨。不论图像细节的多少，后两种算法都明显优于前一种算法。根据实验结果，可以观察到由Doll錮r等人提出的算法得到的轮廓总体可见，且图像主要轮廓较为清晰;在图像细节较少的场景中(如场景1、2)，其表现较好;当图像的细节较多时(如场景3、4)，其效果较差，提取出的图像轮廓出现模糊，部分边界虚化，且图像细节丢失较多。例如场景3中的抽屉把手边界丢失，，场景4中键盘丢失以及书籍轮廓过度虚化不清晰。根据图4所示，本文提出的改进算法所得结果，图像轮廓清晰准确，图像的细节保持较好。当图像细节较少时，本文算法较Doll錮r等人提出的算法优势并不明显;而当图像细节增多时，本文提出的算法较Doll錮r等人算法，在图像细节的体现方面更好。特别地，在最后一个场景中，本文提出的改进算法对桌面细节的呈现明显优于Doll錮r等人提出的算法。5结束语本文充分挖掘了ＲGB-D图像的信息，通过圆盘的表示方式，充分利用亮度、颜色、纹理、深度信息。在分类前，对深度图像采用自适应的双边滤波器进行去噪处理，将随机决策森林的输出结果结构化，使得分类更加精确。实验结果表明，本文算法较原有的两种算法精度更高，并且在图像细节丰富的场景中，算法也能表现出较高的准度。但是在实验中也发现，本文提出的改进算法的速度并没有加快，同原有算法基本持平。下
【参考文献】
相关期刊论文 前3条
1 周朗明;张小虎;关棒磊;;基于序列轮廓线的凸面目标全自动重构方法[J];自动化学报;2015年04期
2 钱生;陈宗海;林名强;张陈斌;;基于条件随机场和图像分割的显著性检测[J];自动化学报;2015年04期
3 张桂梅;张松;储s
本文编号：2570695
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2570695.html
