Resumen

El parámetro de suavidad se utiliza para equilibrar el peso del término de datos y el término de suavidad en el modelo de flujo óptico variacional, que desempeña un papel muy significativo en la estimación del flujo óptico, pero los métodos existentes no logran obtener los parámetros de suavidad óptimos (OSP). Para resolver este problema, se propone una estrategia de parámetro de suavidad adaptativa. Primero, se utiliza un algoritmo amalgamado de agrupación iterativa lineal simple (SLIC) y función de membresía local (LMF) para segmentar toda la imagen en varias regiones de superpíxeles. Luego, se calculan los parámetros de calidad de imagen (IQP), respectivamente, para cada región de superpíxel. Finalmente, se aplica un modelo de red neuronal para calcular el parámetro de suavidad mediante estos parámetros de calidad de imagen de cada región de superpíxel. Se realizaron experimentos en tres conjuntos de datos públicos (Middlebury, MPI_Sintel y

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Parámetro de suavidad; Estimación de flujo óptico; Estrategia de parámetro de suavidad adaptativa; Regiones de superpíxeles; Parámetros de calidad de imagen; Modelo de red neuronal
• Keywords:Smoothness parameter; Optical flow estimation; Adaptive smoothness parameter strategy; Superpixel regions; Image quality parameters; Neural network model