⑴ 跪求圖像分割snake演算法詳細解釋
主要公式為曲線能量Esnake(公式1)；Esnake由內部能量Eint(公式2)及外部能量Eext(公式3)組成；而根據公式2內部能量Eint是由一階導得到的平滑性約束(彈性繩子)二階導得到的氣球約束(剛性棍子)共同決定；根據公式3外部能Eext由梯度場決定(另一個分量不考慮)那麼粗略表示為Esnake=Vs+Vss+Eext；可以認為當Esnake的能量達到最小時snake曲線和物體的邊緣一致。
上面這些基本是每個論文上面都有的，下面照我的理解來講。結合很多論文上用的那個U形物體，snake檢測它的輪廓時，預先以一個圓形的像素圈套住它作為初始的snake線，可以取一定個數的點來離散化snake線,那麼這時就可以求這條snake線與原始圖像間的曲線能量Esnake了；Vs對應的是一階的平滑性，可轉化為snake線中相鄰像素之間的坐標差;差值越大能量越大平滑性也就越差；Vss對應的是二階的剛性；可轉化為snake線中某點和它相鄰的線上點間的法線方向的增長度量;Eext是梯度場能量，是由原本的灰度圖決定的，可轉化為snake中某點在灰度圖中的鄰域梯度。求出了這三個；再以一定的方式進行循環逼近那個使Esnake最小的snake線就找到了輪廓。
過獎了~我也是在研究中，你留個郵箱，我發個程序給你，看實例好理解點
⑵ 什麼是karypis提出的多級劃分演算法框架
箍筋長度有N種演算法，到底哪個演算法更准確？ • 先列出下面的式子，這時箍筋的長度公式： • 2*(H-2*bhc+B-2*bhc)＋2*彎鉤長度 • 在上面的式子中，有兩個變數，一個是BHC，這是箍筋的保護層。 • 梁的保護層假定是25mm，那麼，梁箍筋的保護層是多少？ • 是25-d（箍筋直徑）。 • 因此，有了下面的式子： • 2*(H-2*25+B-2*25)＋2*彎鉤長度+8d • 彎鉤長度取多少呢？ • 我們在計算鋼筋彎鉤的時候有一個潛在的規則，那就是按照中心線計算。 • 我們知道，板的鋼筋一般是一級鋼筋，其末端計算時一端加6.25d。而180度彎鉤平直段長度是多少呢?是「3d」。同樣的道理，箍筋135度彎鉤末端鋼筋平直段是10d，而我們計算時也取其中心線長度，
⑶ 游戲任意多邊形切割演算法
1. 判斷一個點與一個多邊形關系的演算法是計算機圖形學的一個演算法. 關於具體的演算法, 你可以參考 http://blog.csdn.net/okvee/archive/2010/06/02/5643407.aspx 裡面的描述很詳細.
2. 人在冰上走的時候記錄他的行走路線的方法: 新建一個容量為N的點的隊列, 每隔一定時間(例如0.3秒)取人物的位置點, 判斷隊列里是否已經存在這個點, 若不存在則把該點壓到隊列里; 若存在則表明形成了一個多邊形(嚴格來說, 只有間隔超過兩個點才能形成一個多邊形,至少3點才能確定一個面嘛) [隊列就是類似於堆棧的數據結構, 可以壓入元素, 當壓入的元素個數超過隊列的容量後, 最先壓入的元素會被刪除]用隊列來保存人物的軌跡再好不過了.
3. 那個層次感的實現: 其實就是將多邊形軌跡往下偏移幾個像素, 並刪除不在原多邊形區域內的點即可.
⑷ 遙感影像多尺度分割演算法實現
用enviEX可以直接做。面向對象特徵提取模塊。
⑸ 基於粒子群的圖像分割國內外研究現狀
圖像分割是圖像理解的基礎,也是圖像分析的關鍵步驟。資料顯示,在分割過程中使用的先驗知識越多,演算法的精度越高,分割能力越強,但分割的速度變慢。本文針對圖像閾值分割的魯棒性及分割速度問題,研究基於圖像灰度閾值的快速分割技術和方法。 主要工作為綜合利用灰色理論、小波變換、模糊理論、模式識別、熵及直方圖等概念,構造新的閾值分割模型,提高分割質量;另一方面,採用20世紀我國學者開始關注的群體智能演算法,通過其高效、並行尋優能力來優化分割模型,提高分割速度。 主要研究成果包括: (1)將遺傳演算法、小波變換、圖像二維熵和灰色理論相結合,提出一種基於二維灰熵模型的快速SAR圖像分割方法。理論分析和實驗結果表明,與傳統Abutaleb分割方法相比,該方法魯棒性好且分割速度明顯加快。 (2)將Tsallis熵運用到圖像閾值分割,利用粒子群優化演算法的並行尋優能力,提出一種基於灰色Tsallis熵的SAR圖像快速分割方法。該方法較傳統的圖像分割方法更具靈活性,且分割速度較快。 (3)將模糊理論與狄色關聯分析理論相結合,提出一種基於灰色模糊熵的SAR圖像快速分割方法。該方法彌補了傳統模糊分割方法對雜訊敏感的缺陷,魯棒性增強,而且經粒子群優化演算法的優化後,分割速度提高。 (4)研究了模式識別理論中的Fisher判別准則函數,並以之作為圖像閾值的選取准則,提出基於Fisher准則和灰色後處理的快速圖像分割方法。該方法一方面降低了邊界區域信息對分割結果的影響,一方面藉助粒子群優化演算法提高了閾值的搜索速度,減少了分割時間。
⑹ 圖像處理演算法問題~~~~分割與拼接
只能給你點提示。以2值化演算法為中心取要分割的部分，再把被分割圖片變成二維數組或一維數組，替換到被加圖片的數組值上就可以了。演算法挺容易的，就是麻煩點，呵呵。
⑺ 圖像分割演算法那麼多 如何正確的使用適合的演算法
從學術角度講圖像分割主要分成3大類，一是基於邊緣的，二是基於區域的，三是基於紋理的。由於基於紋理的也可以看成是基於區域的，所以有些專家也把分割方法分成基於邊緣和基於區域兩大類。
選擇演算法的時候主要參考你要分割的圖像樣本的特點。
如果圖像的邊界特別分明，比如綠葉和紅花，在邊界處紅綠明顯不同，可以精確提取到邊界，這時候用基於邊緣的方法就可行。但如果是像醫學圖像一樣，輪廓不是特別明顯，比如心臟圖像，左心房和左心室顏色比較接近，它們之間的隔膜僅僅是顏色比它們深一些，但是色彩上來說很接近，這時候用基於邊緣的方法就不合適了，用基於區域的方法更好。再比如帶紋理的圖像，例如條紋衫，如果用基於邊緣的方法很可能就把每一條紋都分割成一個物體，但實際上衣服是一個整體，這時候用基於紋理的方法就能把紋理相同或相似的區域分成一個整體。
不過總體來說，基於區域的方法近些年更熱一些，如Meanshift分割方法、測地線活動輪廓模型、JSEG等。
⑻ 闡述基於模塊度的社群劃分演算法有哪些
模塊度值的大小主要取決於網路中結點的社區分配C，即網路的社區劃分情況，可以用來定量的衡量網路社區劃分質量，其值越接近1，表示網路劃分出的社區結構的強度越強，也就是劃分質量越好。
因此可以通過最大化模塊度Q來獲得最優的網路社區劃分。
⑼ 購物小票識別系統--圖像區域分割演算法，有人能做嗎
圖像區域分割演算法做不了
⑽ 集合劃分演算法
設n個元素的集合可以劃分為F(n,m)個不同的由m個非空子集組成的集合。
考慮3個元素的集合，可劃分為
①
1個子集的集合：{{1，2，3}}
②
2個子集的集合：{{1，2}，{3}}，{{1，3}，{2}}，{{2，3}，{1}}
③
3個子集的集合：{{1}，{2}，{3}}
∴F(3,1)=1;F(3,2)=3;F(3,3)=1;
如果要求F(4,2)該怎麼辦呢？
A.往①里添一個元素{4}，得到{{1，2，3}，{4}}
B.往②里的任意一個子集添一個4，得到
{{1，2，4}，{3}}，{{1，2}，{3，4}}，
{{1，3，4}，{2}}，{{1，3}，{2，4}}，
{{2，3，4}，{1}}，{{2，3}，{1，4}}
∴F(4,2)=F(3,1)+2*F(3,2)＝1+2*3＝7
推廣，得F(n,m)=F(n-1,m-1)+m*F(n-1,m)