بهبود الگوریتم تشخیص نقشه برجستگی مبتنی بر CRF با استفاده از ویژگیهای مبتنی بر تجزیه ماتریس
2018
یکی از مراحل پردازشی مهم در سیستم بینایی انسان آشکارسازی نقشه برجستگی یک صحنه میباشد. با توجه به اینکه نقشه برجستگی تصویر میتواند در الگوریتمهای مانند بخشبندی، فشردهسازی و بازیابی تصویر کاربرد داشته باشد، ارائه یک مدل کارآمد برای تشخیص برجستگی مورد توجه محققین قرار گرفته است. علیرغم اینکه تاکنون کارهای زیادی در این زمینه انجام شده است، اما تاکنون یک مدل موثر و کارآمد که بتواند با محاسبات کم نقشه برجستگی تصویر را آشکار کند، ارائه نشده است. برای این منظور، ما یک الگوریتم ساده و تحت نظارت برای شناسایی نقشه برجستگی با استفاده از میدان تصادفی شرطی (CRF) و نشانههای برجستگی پیشنهاد میکنیم. در روش پیشنهادی برای آموزش CRF از ویژگیهای کنتراست محلی، مرکز سوگیری و پسزمینهای استفاده شده است، علاوه بر این سه ویژگی برای کارایی بهتر، ویژگی جدیدی مبتنی بر تجزیه ماتریس به کار گرفته شده است. در ادامه CRF با توجه به ویژگیهای 20 تصویر که به تصویر ورودی نزدیک هستند، آموزش میبیند. در نهایت برجستگی تصویر ورودی با توجه به وزنهای محاسبه شده در مرحله آموزش، نشانههای برجستگی تصویر ورودی و مبنای درستی محاسبه میشود. روش پیشنهادی در دقت و سرعت اجرای الگوریتم نسبت به سایر روشها برتری دارد.
- Correction
- Source
- Cite
- Save
- Machine Reading By IdeaReader
0
References
0
Citations
NaN
KQI