| 结合Delaunay三角网的图像分割 |
| |
| 引用本文： | 高亮,李玉,林文杰,赵泉华.结合Delaunay三角网的图像分割[J].信号处理,2017,33(10):1393-1403. |
| |
| 作者姓名： | 高亮 李玉 林文杰 赵泉华 |
| |
| 作者单位： | 辽宁工程技术大学测绘与地理科学学院遥感科学与应用研究院 |
| |
| 基金项目： | 辽宁省自然科学基金(2015020090)；辽宁工程技术大学研究生教育创新计划(YS201607) |
| |
| 摘 要： | 为了有效消除图像噪声影响，提出结合Delaunay三角网的图像分割方法。首先，将像素灰度看作定义在像素格点上的‘高程’，并在此三维图像表达上构建Delaunay三角网，该三角网在图像域上的投影将图像域划分成若干个子区域，形成超像素，再对每个子区域内像素灰度值做均值化处理，由此将原图像转换为均值图像；最后在均值图像上进行图像分割，可以很好地削弱噪声对图像分割的影响。采用本文思想，基于Intel(R) Core(TM) 3.20GHz/2G内存/Matlab2015a平台，以经典的模糊C均值（Fuzzy C-means, FCM）图像分割算法为例，分别对Berkeley标准测试图像和遥感图像进行了分割实验。生成一幅具有三个同质区域的模拟图像，分别采用对比算法和本文算法对模拟图像进行分割测试，对比算法1（基于ENVI平台的ISODATA分割算法）的三个同质区域（1-3）的用户精度、产品精度、总精度和Kappa值分别为74.87%/55.72%/73.64%、83.98%/37.87%/85.38%、70.25%和0.54；对比算法2（基于中值滤波的FCM分割方法）的三个同质区域（1-3）的用户精度、产品精度、总精度和Kappa值分别为98.16%/70.54%/99.73%、88.10%/99.16%/87.87%、89.93%和0.84；本文算法的三个同质区域（1-3）的用户精度、产品精度、总精度和Kappa值分别为96.25%/80.35%/99.49%、99.76%/94.53%/86.67%、93.30%和0.89。定性和定量的测试结果验证了本文方法的有效性、可靠性和准确性。
|
| 关 键 词： | Delaunay三角网 图像分割 图像去噪 超像素 图像滤波 |
| 收稿时间： | 2017-03-17 |
Combining the Delaunay Triangular Mesh for Image Segmentation |
| |
| Affiliation: | Institute for Remote Sensing Science and Application, School of Geomatics, Liaoning? Technical University |
| |
| Abstract: | |
| |
| Keywords: | |
|
| 点击此处可从《信号处理》浏览原始摘要信息 |
|
点击此处可从《信号处理》下载全文 |
