张量投票算法利用人类感知功能原理进行计算,它具有较强的鲁棒性、非迭代性、参数唯一性等特性,其非迭代性具有节省计算时间的显著性特征,因此,广泛应用于图像线特征提取,但在一些含有复杂噪声的图像中,却不能得到更为连续的显著线特征信息。本文针对此问题,提出一种改进的具有迭代性的张量投票算法,它主要是对投票域进行迭代改进,使改进后的张量投票算法可以提取更为连续的显著线特征,且与传统的张量投票算法相比,本文算法既缩短了计算时间,又提取了更为连续的线特征图像。

深度学习通过训练样本进行特征识别,已经被广泛应用于道路提取领域。该方法不局限于特定类型的影像,但是受训练样本数量和计算机硬件的限制,所提取的道路会有断裂和噪声。针对上述问题,使用VGG卷积神经网络对道路进行初步提取后引入张量投票方法进行优化处理。首先通过影像变换、随机裁剪、过采样等方法对样本进行多模式扩充,进而训练VGG卷积神经网络模型;其次利用该网络从原始影像中初步分割道路面,接着对道路面的二值影像进行张量投票获取道路的显著性信息;最后在特征提取时针对显著性信息加入阈值获取道路面。实验结果表明,所提方法提取道路的召回率与正确率均达90%以上,与其他传统方法相比具有更高的精度,验证了所提方法的有效性。

张量投票是基于感知原理的图像特征推断框架。 此工具为 2D 密集张量投票实现了可操纵的滤波器公式。 它是以下框架文献综述的补充材料： “通过张量投票进行感知分组：最近方法的比较调查”。 E Maggiori, HL Manterola, M del fresno。 将在 IET 计算机视觉中发表。 特别是，该工具实现了张量投票重构，与之前的工作相比，它运行得非常快。 该配方出现在： “使用可控滤波器进行张量投票的有效方法”，Franken 等人。 阿尔。 ECCV 2006。

使用张量投票进行3D模型检索

tensor voting理论详解，很棒的资源，希望大家多多支持