一种鲁棒的非均匀灰度图像分割算法

针对非均匀灰度图像分割困难及分割效率低下的问题,该文提出了一种基于活动轮廓模型的高效图像分割算法。不同于传统水平集方法中仅用单一信息定义的能量泛函,该算法结合图像的边缘信息和区域统计信息定义了一个新的能量泛函。边缘信息的利用便于演化轮廓线快速精确地定位至物体边缘;区域统计信息由局部统计信息和全局统计信息构成,一方面,局部统计信息的利用能够有效处理图像的灰度分布不均匀现象,另一方面,全局统计信息的利用避免了轮廓线陷入局部极小值。最后,在轮廓线演化过程中,通过高斯卷积核实现快速规则化,避免了传统模型计算代价高昂的重新初始化或规则化。合成图像和真实图像的实验结果表明,该文算法不仅能够快速有效分割灰度分布不均匀的弱边缘物体,而且对于多灰阶复杂结构物体也能够精确分割;同时,该算法对噪声和初始轮廓线具有较好的鲁棒性。     

基于U-net卷积神经网络的多尺度遥感图像分割算法

多尺度遥感图像的非本质特征量较大，不仅易导致图像噪声较大，也增加了图像分割的难度。为充分保留分割后多尺度遥感图像的边缘特征，在U-net卷积神经网络下提出新的图像分割算法。以U-net卷积神经网络为基网，提取被分割图像特征，获得被分割图像细节信息；计算相邻像素和原始像素特征向量的欧氏距离，结合去噪算法，通过归一化参数处理，建立相似性函数，实现对多尺度遥感图像分割特征增强处理；计算分割框候选偏差值；根据U-net卷积神经网络结构确定局部最优合并区域对；计算度量区域的距离，使用全局最优区域合并方法更新分割时间复杂度，实现多尺度遥感图像整体分割。由实验结果可知，该算法能够精准确定指定建筑物位置，并保留建筑物完整边缘细节信息。     

基于边缘和区域信息相结合的变分 水平集图像分割方法

 针对GAC模型和C-V模型分别存在对弱边缘和灰度渐进图像分割效果不理想以及演化效率低等问题,提出了一种基于边缘和区域信息相结合的变分水平集图像分割方法.结合了图像边缘梯度信息和区域全局信息的能量函数作为模型的外部能量项,引入内部变形能量约束水平集函数来逼近符号距离函数,省去了重新初始化水平集函数的过程,并融入了物体形状先验知识的附加约束信息,提高了分割精度.实验结果表明,论文所用方法对分割噪声弱边缘图像和灰度渐进图像具有一定的有效性和可行性.     

一种改进的交互式医学图像序列分割方法

本文介绍了一种结合live wire算法和活动轮廓模型的医学图像序列的分割方法.我们通过把live wire算法和图像分割中一般的区域增长方法结合来改进live wire算法,并用改进后的算法来对医学图像序列中的单张或多张切片进行交互式的准确分割.然后计算机利用活动轮廓模型来自动分割相邻的未分割切片.我们通过在活动轮廓模型的边缘点中引入记录已分割物体边缘附近局部区域特征的灰度模型来把已分割切片中的物体与背景的局部区域特征带入相邻的未分割切片中,并用由灰度模型定义的区域相似性代替活动轮廓模型中的外能来引导边缘轮廓收敛到物体的实际边缘.本文还介绍了一种基于live wire算法思想的简单的分割结果交互式修补方法.实验表明我们的算法仅需少量用户交互就能快速准确的从医学图像序列中分割出感兴趣的物体.     

基于自适应多尺度与轮廓梯度的遥感图像分割网络

遥感图像分割算法易受环境因素干扰，如物体遮挡、光照不均匀等。现有的深度学习遥感图像语义分割方法通常采取端到端的编解码结构，但针对相似度较高物体的结构和轮廓，仍存在分割不准确的问题。为了提高算法鲁棒性、分类准确率，提出一种基于轮廓梯度学习的深度卷积神经网络遥感图像语义分割算法。为了提高预测特征图的质量，首先基于SegNet模型，提出自适应注意力的多通道多尺度特征融合网络（D-MMA Net），其中D-MA block采用基于注意力的自适应多尺度模块，根据学习到的权重自适应地对不同尺度特征进行提取，以获得更多有效的高级语义特征。为进一步细化提取物体的边界，基于Sobel边缘检测算子原理提出可学习的轮廓提取模块。最后将轮廓信息与多尺度语义特征相结合，以增强对图像空间分辨率的鲁棒性。实验结果表明，所提算法提高分割的准确率，对于不规则物体边界，能有良好的分割效果。     

多分辨率图像锥的FCM聚类图像分割算法

模糊C-均值（FCM）聚类算法是一种基于像素分类的图像分割方法，在分割的过程中，仅仅利用了像素点的灰度信息，但在灰度密度丰富变化和图像的对比度不明显的情况下，物体和背景的分布将相互重叠而密不可分，往往得不到满意的分割效果。为了解决上述问题，现提出了一种基于多分辨率图像锥的模糊C-均值聚类图像分割算法。该方法利用多分辨技术产生多分辨率图像锥，将图像从空间信息引入，考虑图像的局部特性，使分割算法局限于图像的子图像中，物体和背景比单纯运用FCM更容易区分，且算法稳定性高，速度快。     

区域生长型分水岭算法及其在图像序列分割中的应用

针对物体基尖编码中的图像分析,提出了一种区域生长的分水岭算法,它直接对要分割的图像而不是其形态梯度信号进行分割,克服了传统形态分割方法使用形态梯度信号而导致输廓信息丢失的缺点。此外,在具体实现算法时,采用了一种基于分级队列结构进行图像扫描的巧妙方法,大大提高了算法的效率。模拟结果表明,该算法能有效地分割运动物体,能较精确地定位运动物体的边缘。     

基于多阈值归一化分割的模糊图像边缘分割算法

模糊图像边缘的像素特征较为复杂,一般需要采用多个阈值作为分隔约束条件的方法来进行图像边缘分割,但是该方法存在诸如多阈值无法形成统一标准、边缘提取过程需要多次校对,以及效率较低等缺点.提出一种基于多阈值归一化分割的模糊图像边缘分割算法,通过设计超像素网格对模糊图像边缘特征的像素进行匹配,分析模糊图像的反调张量信息,并根据不同张量信息对多阈值进行归一化,以及采用灰度窗口相关系数匹配方法,将获得的多阈值归一化结果分别覆盖图中的单一目标对象,以实现模糊图像的边缘分割.实验表明,利用该算法进行模糊图像边缘分割能较好地获取图像的边缘细节特征,使得边缘具有更好的连线段连通性和宽度一致性.     

结合光谱相似性与相位一致模型的高分辨率遥感图像分割方法

提出一种结合高分辨率遥感图像的光谱相似性与相位一致边缘检测模型的分水岭分割方法。分水岭分割算法的性能依赖于图像边缘梯度图。利用同类地物的光谱相似性特点,可有效抑制相位一致模型边缘检测中产生的伪边缘和噪声信息,从而获得更好的遥感图像分割结果。本文首先基于目标像元与其邻域像元之间的光谱曲线距离之和定义光谱相似性模型,结合相位一致模型获得边缘响应强度;然后利用自动标记分水岭变换方法实现高分辨率遥感图像分割。使用本文方法和其它方法对遥感图像进行了分割实验,并利用基于多光谱信息熵方法对分割结果进行了非监督评价和比较,同时对计算耗时进行了对比分析。结果表明本文所提方法可以有效地抑制遥感图像的过分割现象,并取得较好的分割结果。     

基于红外目标特征提取的图像融合方法

为有效突出红外目标,同时尽可能多地保留可见光图像中的纹理细节信息,使得最终的融合图像更符合人类视觉感知效果,本文提出一种新的基于红外目标特征提取的红外与可见光图像融合方法。首先,利用高斯滤波器将源图像分解为粗略尺度信息和边缘纹理细节信息;对红外图像的边缘纹理细节信息进行去“光晕”分解,在此基础上进一步利用OTSU多阈值分割算法将红外图像分割为目标区域、过渡区域和背景区域;最后,依据分割结果确定各分解子信息的融合权重,以有效地将红外目标信息注入到可见光图像中,同时尽可能多地保留可见光图像中重要的场景细节信息。实验结果表明,本文方法无论从主观视觉还是客观评价指标上,都要优于目前常用的有代表性的图像融合方法。      

基于C-V模型的红外图像自动分割方法研究

为解决红外图像分割中背景噪声及边界轮廓的影响,引入了基于曲线演化理论、水平集方法和M-S分割函数的C-V模型。通过将图像表达为分段常量函数来建立适当的能量函数模型,引入水平集的表示方法,在整个图像域中依据最小化分割寻找全局极小值,可令活动轮廓最终到达目标边缘。由MATLAB实现的仿真结果表明采用C-V模型对红外图像进行自动分割不受边界轮廓线连续性限制,对初始轮廓线位置不敏感,对图像噪声具有很强的鲁棒性,对均匀灰度目标分割效果良好。     

图像边缘权重优化的最小生成树分割提取

针对无监督图像分割方法对噪声敏感而导致图像建模困难、分割结果准确率低等问题,该文提出一种图像边缘权重优化的最小生成树分割提取方法。首先,利用L0梯度最小值平滑处理噪声再结合Otsu优化Canny边缘检测,得到更加准确的边缘信息;其次,重新设计权重函数,采用更加合理的色差空间构建加权图,通过改进分割准则优化物体合并与区分过程;最后,选择不同类型图片进行抗噪性、分割效果实验。实验结果表明：相对于其他算法,该文算法的抗噪性能优秀,分割精度平均提升5.15%,过分割率平均下降32.07%,欠分割率平均下降2.69%。将其运用在实际航空遥感图像的河道湖泊提取中,所得结果相比其他主流算法结构更加完整,无关信息更少,抗噪性能更好。     

基于PC-MSPCNN模型和SLIC的彩色图像分割方法

针对简单线性迭代聚类(SLIC)方法对图像边缘细节处理效果不佳的问题,提出一种参数可控、改进的简化脉冲耦合神经网络模型(PC-MSPCNN)与SLIC结合的彩色图像分割方法。该方法首先改进MSPCNN模型的加权矩阵和连接系数,并增设辅助参数,以提高分割准确度。随后将彩色图像输入至PC-MSPCNN模型中,依据改进模型中输出Y值的分布划分物体的边缘,使分割结果更好地贴合物体的边缘,利用所提出的相似性准则合并散布的碎片,减小后续处理的复杂度;其次,在SLIC度量相似距离的基础上引入PC-MSPCNN中RGB三个通道的内部活动项U值,完成对图像剩余部分的加权融合聚类,改进聚类效果。实验结果表明,本文方法能更精确地贴合图像中物体的边界,大幅减少碎片,有效提高图像的边缘贴合度。     

基于梯度矢量流理论的图像区域合并算法

为了减少过分割对图像后期处理的影响,提出基于梯度矢量流理论的过分割图像的区域合并算法。介绍了分水岭分割算法,梯度矢量流的产生、方向特征以及基于梯度矢量流理论的图像区域合并算法的方向查询及合并过分割区域的步骤。实验结果表明：在经典分水岭方法获得初始分割的基础上,可以获得待分割目标准确的边界和数目,对粘连、多目标及目标边界不封闭的生物图像具有较好的分割效果。     

一种新的基于局部信息的拟合模型

对于局部不均匀的图像来说,局部图像信息在图像分割中是非常关键的,然而C-V模型中则缺乏这样的信息。我们提出了一种新的融合了局部边界信息的水平集模型--局部最大最小信息模型,因此此模型能够有效地改进C-V模型在分割不均匀图像方面的性能,即可以解决局部不均匀图像的分割问题克服C-V模型所遇到的一些困难。最终,通过对人工的和真实的图像上的实验证明该模型可以有效地分割局部不均匀图像。     

基于光流场分割和Canny边缘提取 融合算法的运动目标检测

在摄像机运动的情况下,提出了一种基于光流场分割和Canny边缘算子融合技术的运动目标检测方法.这种方法可分为三步:第一步利用运动的内极线约束和C-均值聚类算法完成目标区域的分割,并获得分割图;第二步在分割图中利用Canny边缘算子获得细化的目标区域边缘图;第三步根据光流场中的流速值完成分割图和边缘图的融合,并检测出完整的运动目标.实验表明,这种方法可以有效地从复杂自然场景的图像序列中检测出完整的运动目标.     

基于GAN的ISAR图像语义分割方法

逆合成孔径雷达（ISAR）成像技术能够对空间目标进行远距离成像,刻画目标的外形、结构和尺寸等信息。ISAR图像语义分割能够获取目标的感兴趣区域,是ISAR图像解译的重要技术支撑,具有非常重要的研究价值。由于ISAR图像表征性较差,图像中散射点的不连续和强散射点存在的旁瓣效应使得人工精准标注十分困难,基于交叉熵损失的传统深度学习语义分割方法在语义标注不精准情况下无法保证分割性能的稳健。针对这一问题,提出了一种基于生成对抗网络（GAN）的ISAR图像语义分割方法,采用对抗学习思想学习ISAR图像分布到其语义分割图像分布的映射关系,同时通过构建分割图像的局部信息和全局信息来保证语义分割的精度。基于仿真卫星目标ISAR图像数据集的实验结果证明,本文方法能够取得较好的语义分割结果,且在语义标注不够精准的情况下模型更稳健。     

融合局部和非局部信息的自适应贝叶斯分割方法

传统基于马尔可夫随机场(MRF)的贝叶斯分割方法由于只考虑邻域像素点的先验影响,无法有效抑制相干斑噪声;边缘区域分割效果欠佳,因为先验模型假定邻域中每个像素对中心像素的影响相同。因而,该文提出一种融合局部和非局部信息的自适应贝叶斯分割方法。针对SAR图像中的相干斑噪声模型,引入基于比率概率的相似性测度,用非局部相似像素块指导当前像素点的分割;并且采用变分系数(Coefficient of Variation, CV)方法获取边缘区域图像模板,在边缘区域自适应地调整定义的结构指数以及搜索窗尺寸,从而改善分割过度平滑与结构保持的矛盾;在实验分析中,利用新方法对部分图像进行了分割实验,并与传统方法作了比较。改进方法的分割结果形状更为准确,不但抑制了相干斑噪声,还有效保持了细节特征,具有显著优势。