⑴ 跪求图像分割snake算法详细解释
主要公式为曲线能量Esnake(公式1)；Esnake由内部能量Eint(公式2)及外部能量Eext(公式3)组成；而根据公式2内部能量Eint是由一阶导得到的平滑性约束(弹性绳子)二阶导得到的气球约束(刚性棍子)共同决定；根据公式3外部能Eext由梯度场决定(另一个分量不考虑)那么粗略表示为Esnake=Vs+Vss+Eext；可以认为当Esnake的能量达到最小时snake曲线和物体的边缘一致。
上面这些基本是每个论文上面都有的，下面照我的理解来讲。结合很多论文上用的那个U形物体，snake检测它的轮廓时，预先以一个圆形的像素圈套住它作为初始的snake线，可以取一定个数的点来离散化snake线,那么这时就可以求这条snake线与原始图像间的曲线能量Esnake了；Vs对应的是一阶的平滑性，可转化为snake线中相邻像素之间的坐标差;差值越大能量越大平滑性也就越差；Vss对应的是二阶的刚性；可转化为snake线中某点和它相邻的线上点间的法线方向的增长度量;Eext是梯度场能量，是由原本的灰度图决定的，可转化为snake中某点在灰度图中的邻域梯度。求出了这三个；再以一定的方式进行循环逼近那个使Esnake最小的snake线就找到了轮廓。
过奖了~我也是在研究中，你留个邮箱，我发个程序给你，看实例好理解点
⑵ 什么是karypis提出的多级划分算法框架
箍筋长度有N种算法，到底哪个算法更准确？ • 先列出下面的式子，这时箍筋的长度公式： • 2*(H-2*bhc+B-2*bhc)＋2*弯钩长度 • 在上面的式子中，有两个变量，一个是BHC，这是箍筋的保护层。 • 梁的保护层假定是25mm，那么，梁箍筋的保护层是多少？ • 是25-d（箍筋直径）。 • 因此，有了下面的式子： • 2*(H-2*25+B-2*25)＋2*弯钩长度+8d • 弯钩长度取多少呢？ • 我们在计算钢筋弯钩的时候有一个潜在的规则，那就是按照中心线计算。 • 我们知道，板的钢筋一般是一级钢筋，其末端计算时一端加6.25d。而180度弯钩平直段长度是多少呢?是“3d”。同样的道理，箍筋135度弯钩末端钢筋平直段是10d，而我们计算时也取其中心线长度，
⑶ 游戏任意多边形切割算法
1. 判断一个点与一个多边形关系的算法是计算机图形学的一个算法. 关于具体的算法, 你可以参考 http://blog.csdn.net/okvee/archive/2010/06/02/5643407.aspx 里面的描述很详细.
2. 人在冰上走的时候记录他的行走路线的方法: 新建一个容量为N的点的队列, 每隔一定时间(例如0.3秒)取人物的位置点, 判断队列里是否已经存在这个点, 若不存在则把该点压到队列里; 若存在则表明形成了一个多边形(严格来说, 只有间隔超过两个点才能形成一个多边形,至少3点才能确定一个面嘛) [队列就是类似于堆栈的数据结构, 可以压入元素, 当压入的元素个数超过队列的容量后, 最先压入的元素会被删除]用队列来保存人物的轨迹再好不过了.
3. 那个层次感的实现: 其实就是将多边形轨迹往下偏移几个像素, 并删除不在原多边形区域内的点即可.
⑷ 遥感影像多尺度分割算法实现
用enviEX可以直接做。面向对象特征提取模块。
⑸ 基于粒子群的图像分割国内外研究现状
图像分割是图像理解的基础,也是图像分析的关键步骤。资料显示,在分割过程中使用的先验知识越多,算法的精度越高,分割能力越强,但分割的速度变慢。本文针对图像阈值分割的鲁棒性及分割速度问题,研究基于图像灰度阈值的快速分割技术和方法。 主要工作为综合利用灰色理论、小波变换、模糊理论、模式识别、熵及直方图等概念,构造新的阈值分割模型,提高分割质量;另一方面,采用20世纪我国学者开始关注的群体智能算法,通过其高效、并行寻优能力来优化分割模型,提高分割速度。 主要研究成果包括: (1)将遗传算法、小波变换、图像二维熵和灰色理论相结合,提出一种基于二维灰熵模型的快速SAR图像分割方法。理论分析和实验结果表明,与传统Abutaleb分割方法相比,该方法鲁棒性好且分割速度明显加快。 (2)将Tsallis熵运用到图像阈值分割,利用粒子群优化算法的并行寻优能力,提出一种基于灰色Tsallis熵的SAR图像快速分割方法。该方法较传统的图像分割方法更具灵活性,且分割速度较快。 (3)将模糊理论与狄色关联分析理论相结合,提出一种基于灰色模糊熵的SAR图像快速分割方法。该方法弥补了传统模糊分割方法对噪声敏感的缺陷,鲁棒性增强,而且经粒子群优化算法的优化后,分割速度提高。 (4)研究了模式识别理论中的Fisher判别准则函数,并以之作为图像阈值的选取准则,提出基于Fisher准则和灰色后处理的快速图像分割方法。该方法一方面降低了边界区域信息对分割结果的影响,一方面借助粒子群优化算法提高了阈值的搜索速度,减少了分割时间。
⑹ 图像处理算法问题~~~~分割与拼接
只能给你点提示。以2值化算法为中心取要分割的部分，再把被分割图片变成二维数组或一维数组，替换到被加图片的数组值上就可以了。算法挺容易的，就是麻烦点，呵呵。
⑺ 图像分割算法那么多 如何正确的使用适合的算法
从学术角度讲图像分割主要分成3大类，一是基于边缘的，二是基于区域的，三是基于纹理的。由于基于纹理的也可以看成是基于区域的，所以有些专家也把分割方法分成基于边缘和基于区域两大类。
选择算法的时候主要参考你要分割的图像样本的特点。
如果图像的边界特别分明，比如绿叶和红花，在边界处红绿明显不同，可以精确提取到边界，这时候用基于边缘的方法就可行。但如果是像医学图像一样，轮廓不是特别明显，比如心脏图像，左心房和左心室颜色比较接近，它们之间的隔膜仅仅是颜色比它们深一些，但是色彩上来说很接近，这时候用基于边缘的方法就不合适了，用基于区域的方法更好。再比如带纹理的图像，例如条纹衫，如果用基于边缘的方法很可能就把每一条纹都分割成一个物体，但实际上衣服是一个整体，这时候用基于纹理的方法就能把纹理相同或相似的区域分成一个整体。
不过总体来说，基于区域的方法近些年更热一些，如Meanshift分割方法、测地线活动轮廓模型、JSEG等。
⑻ 阐述基于模块度的社群划分算法有哪些
模块度值的大小主要取决于网络中结点的社区分配C，即网络的社区划分情况，可以用来定量的衡量网络社区划分质量，其值越接近1，表示网络划分出的社区结构的强度越强，也就是划分质量越好。
因此可以通过最大化模块度Q来获得最优的网络社区划分。
⑼ 购物小票识别系统--图像区域分割算法，有人能做吗
图像区域分割算法做不了
⑽ 集合划分算法
设n个元素的集合可以划分为F(n,m)个不同的由m个非空子集组成的集合。
考虑3个元素的集合，可划分为
①
1个子集的集合：{{1，2，3}}
②
2个子集的集合：{{1，2}，{3}}，{{1，3}，{2}}，{{2，3}，{1}}
③
3个子集的集合：{{1}，{2}，{3}}
∴F(3,1)=1;F(3,2)=3;F(3,3)=1;
如果要求F(4,2)该怎么办呢？
A.往①里添一个元素{4}，得到{{1，2，3}，{4}}
B.往②里的任意一个子集添一个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
推广，得F(n,m)=F(n-1,m-1)+m*F(n-1,m)