基于概率神经网络改进的GrabCut算法 
下载： 1099次
Improved GrabCut Algorithm Based on Probabilistic Neural Network
1 河北地质大学信息工程学院, 河北 石家庄 050031
2 河北地质大学河北省高校生态环境地质应用技术研发中心, 河北 石家庄 050031
图 & 表
图 1. 图G的结构
Fig. 1. Structure of image G
下载图片 查看原文
图 2. PNN的结构图
Fig. 2. Structure diagram of the PNN
下载图片 查看原文
图 3. 前景与背景的灰度直方图。(a) 原始图像;(b) 前景的灰度直方图;(c)背景的灰度直方图
Fig. 3. Grayscale histograms of foreground and background. (a) Original image; (b) grayscale histogram of the foreground; (c) grayscale histogram of the background
下载图片 查看原文
图 4. PNN_GrabCut算法的流程图
Fig. 4. Flow chart of PNN_GrabCut algorithm
下载图片 查看原文
图 5. 实验样例。(a)原始图像;(b)标签图像
Fig. 5. Experimental example. (a) Original image; (b) label image
下载图片 查看原文
图 6. 不同算法的分割结果。 (a) 原始图像;(b) GrabCut算法;(c) PNN_GrabCut算法;(d) 文献[
12]的算法;(d) 文献[
16]的算法
Fig. 6. Segmentation results of different algorithms. (a) Original image; (b) GrabCut algorithm; (c) PNN_GrabCut algorithm; (d) algorithm of Ref. [12]; (d) algorithm of Ref. [16]
下载图片 查看原文
图 7. 不同算法的分割结果。(a) 原始图像;(b) GrabCut算法; (c)PNN_GrabCut算法
Fig. 7. Segmentation results of different algorithms. (a) Original image; (b) GrabCut algorithm; (c) PNN_GrabCut algorithm
下载图片 查看原文
表 1前景中占比较高的像素值
Table1. Statistics of the high pixel value in foreground
| Pixel No. | 190-194 | 195-199 | 185-199 | 180-184 | 40-44 | 45-49 | 175-179 | 155-159 |
|---|
| Amount | 1418 | 1372 | 1020 | 584 | 405 | 354 | 317 | 272 |
|
查看原文
表 2背景中占比较高像素值
Table2. Statistics of the high pixel value in background
| Pixel No. | 160-164 | 165-169 | 175-179 | 155-159 | 170-174 | 180-184 | 150-154 | 145-149 |
|---|
| Amount | 3224 | 2304 | 2253 | 2246 | 2176 | 1330 | 1144 | 414 |
|
查看原文
表 3实验数据
Table3. Experimental data
| Class | Train set | Validation set |
|---|
| Person | 5075 | 526 | | Plane | 135 | 12 |
|
查看原文
表 4不同σ时PNN的预测结果(实验1)
Table4. PNN prediction results at different σ(experiment1)
| σ | n | P/% |
|---|
| 0.0005 | 153 | 2.94 | | 0.001 | 631 | 12.11 | | 0.005 | 2413 | 46.31 | | 0.01 | 766 | 14.70 | | 0.05 | 509 | 9.77 | | 0.1 | 540 | 10.37 | | 0.5 | 198 | 3.80 |
|
查看原文
表 5不同σ时PNN的预测结果(实验2)
Table5. PNN prediction results at different σ (experiment2)
| σ | n | P/% |
|---|
| 0.003 | 191 | 7.92 | | 0.004 | 379 | 15.70 | | 0.005 | 1206 | 49.98 | | 0.006 | 435 | 18.03 | | 0.007 | 202 | 8.37 |
|
查看原文
表 6不同算法的平均F1和运行时间
Table6. Average F1 and running time of different algorithms
| Algorithm | Average value of F1 | Average time | F1 increase rate/% | Time increase rate/% |
|---|
| GrabCut | 0.809 | 6.501 | / | / | | PNN_GrabCut | 0.857 | 5.229 | 5.93 | 19.57 | | Ref. [12] | 0.827 | 4.728 | 2.22 | 27.27 | | Ref. [16] | 0.846 | 5.419 | 4.57 | 16.64 |
|
查看原文
张翠军, 赵娜. 基于概率神经网络改进的GrabCut算法[J]. 激光与光电子学进展, 2021, 58(2): 0210024. Cuijun Zhang, Na Zhao. Improved GrabCut Algorithm Based on Probabilistic Neural Network[J]. Laser & Optoelectronics Progress, 2021, 58(2): 0210024.
PDF全文
