基于双重超像素集的快速路径相似度图像分割算法

为克服基于路径相似度计算时间复杂度高以及基于单一过分割区域集的聚类方法 容易导致误合并的缺陷, 提出一种结合均值漂移和路径相似度的谱聚类算法. 该算法使用超像 素构建基于路径相似度的模型来实现加速. 首先, 利用均值漂移算法对图像进行两次预分割(不同参数), 将这些过分割区域视为两组超像素集合, 构建基于双重过分割区域集的加权图; 之后, 使用各超像素的色彩均值和超像素间存在的交叉像素计算初始相似度, 再利用路径相似度模型得 到基于路径的相似度; 最后, 采用Multiway Ncut算法进行聚类. 通过算法自身参数和图结构实验, 测试算法的鲁棒性和稳定性; 通过多幅彩 色图片的分割实验, 表明本文的方法在准确性和时效性方面都具有很好的性能.     

基于自适应超像素分割的点刻式DPM区域定位算法研究

为解决点刻式直接零件标志(Direct part mark, DPM)码基本单元分割困难、区域定位欠精确等问题, 提出使用超像素分割和谱聚类相结合的算法,对含有DPM区域的图像进行初步分割和精确定位. 首先为提高超像素分割的准确、快速和完整性,本文利用近邻传播聚类思想实现自动聚类得到超像素区域, 并引入边缘置信度调整超像素边缘,形成自适应边缘简单线性迭代聚类 (Adaptive edge simple linear iterative clustering, AE-SLIC)算法. 该算法改进了简单线性迭代聚类(Simple linear iterative clustering, SLIC)超像素分割算法存在的未明确界定超像素区域边缘信息和分割数目无法自适应确定等问题; 其次,将超像素作为谱聚类中图的顶点进行二次聚类, DPM区域内超像素因相似度高而被聚集为一类, 从而完成点刻式DPM区域的精确定位.经实验测试和分析,本文算法得到的超像素分割结果在完整性、 运算复杂度等方面优于常见的超像素分割算法.与基于像素点运算的传统定位算法相比, 本文算法具有良好的实时性、定位准确率和鲁棒性.     

基于区域协方差的图像超像素生成

图像分割是指将图像分割成一些互不重叠的区域,各区域内部具有相同或相近的某些特定属性,而不同区域之间的属性则相差明显。在图像处理的许多应用中,由于像素级处理的方法因图像数据量庞大、运算规模较大而需要耗费大量的运行时间,因此对图像进行超像素分割预处理是很有必要的一个步骤。基于区域协方差分析,提出了一种新的像素块相似度度量方法;基于像素块相似度度量提出了一种图像超像素生成的鲁棒方法。该方法首先利用K-means算法对输入图像 进行初始聚类分割成若干小区域,对每个小区域利用区域协方差矩阵描述其特征信息;然后利用小区域块之间的区域协方差距离来构造相似度矩阵,结合Graph-based与K-means方法对区域块聚类生成图像超像素。与其它方法相比,该方法在生成较紧凑超像素的同时能更好地保持图像边缘特征信息,改善了图像欠分割错误,减少了不必要的过分割现象。将图像超像素生成方法应用于图像风格化中可以快速生成油画风格的风格化图像。     

基于模糊连接度的近邻传播聚类图像分割方法

针对现有近邻传播聚类图像分割方法分割精度低的问题,提出一种基于模糊连接度的邻近传播聚类(FCAP)图像分割算法。针对传统模糊连接度算法不能得出任意点对间模糊连接度的不足,结合最大生成树提出了全模糊连接度算法。FCAP算法先使用Normalized Cut超像素技术进行超像素分割,这些超像素可以看作数据点以及它们之间的模糊连接度;然后使用所提出的全模糊连接度算法计算超像素间的模糊连接度,根据模糊连接度和空间信息计算超像素的相似度;最后使用近邻传播(AP)聚类算法完成分割。实验结果表明,FCAP算法明显优于超像素处理后直接使用AP聚类算法进行分割的方法,并且优于无监督图像分割方法。     

NMI特征优化边界敏感的LSC遥感影像分割算法

针对线性谱聚类方法处理复杂场景的高分辨率遥感影像时存在地物边界丢失、过分割问题,提出基于归一化转动惯量特征优化边界敏感的线性谱聚类方法。首先,利用LOG算法提取影像边缘信息,将边缘信息与LSC算法融合,并将存在边缘信息的超像素块的区域质心替代原始聚类中心,改善地物边界信息丢失问题;然后,通过边缘敏感的LSC分割方法,对高分辨率影像进行分割,获取地物完整的初始超像素,并确定微小的超像素;最后,计算微小超像素与相邻超像素相似性度量值,并将其合并到相似性度量值最小的超像素,优化过分割结果。实验结果表明,该方法可以有效地解决地物边界丢失、过分割问题,获取较好的分割结果。     

结合DBSCAN聚类的室内场景分割

针对RGB-D图像具有丰富的三维几何特征,复杂度高这一具有挑战性的难题,提出一种针对室内场景RGB-D图像的分割算法.首先,经过RGB-D图像过分割生成超像素,并基于超像素之间的距离度量测量超像素之间的相似性;然后,采用DBSCAN算法将具有相似的颜色信息和几何信息的超像素聚类到一个分类中.在该聚类过程中,通过限制扩散区域来降低计算复杂度.在室内场景RGB-D图像库上大量实验结果表明,文中算法分割精确度和速率均超过了其他算法,证明了其高效性和准确性.     

基于蚁群优化多层图划分的彩色图像分割方法

为了消除基于谱聚类的归一化切分图像分割中聚类参数对分割结果的约束,提出了一种基于蚁群优化的多层图划分算法来进行归一化切分,进而对彩色自然景观图像进行分割.该算法将代表图像的相似度图作为蚁群的栖息环境,在归一化割准则的指导下,通过蚂蚁的觅食行为将相似的顶点逐渐聚集在一起,从而以多层的方式完成图划分.为了降低图像分割的计算量,利用超像素对图像进行预处理.实验对比表明,该算法消除了归一化切分分割结果对聚类参数的依赖,并提高了归一化切分分割的准确性和速度.     

基于半监督的超像素谱聚类彩色图像分割算法

近年来谱聚类算法被广泛应用于图像分割领域,而相似性矩阵的构造是谱聚类算法的关键步骤。 针对传统谱聚类算法计算复杂度高难以应用到大规模图像分割处理的问题,提出了基于半监督的超像素谱聚类彩色图像分割算法。该算法利用超像素将彩色图像进行预分割,利用用户提供的少量标记信息构造预分割区域的基于半监督的模糊相似性测度,利用该相似性测度构造预分隔区域的相似性矩阵并通过规范切图谱划分准则对预分割区域进行划分得到最终的图像分割结果。由于少量标记信息和模糊理论的引入,提高了传统谱聚类的分割性能,对比实验也表明该算法在分割效果和计算复杂度上都有较大的改善。     

基于边缘强度特征和线性谱聚类的 SAR 图像超像素生成方法

面对高分辨合成孔径雷达(SAR)图像的海量数据,学界广泛通过基于超像素的方法 简化图像处理过程。一般适用于光学图像的超像素分割算法对存在斑噪的 SAR 图像分割性能均 不够理想。面向 SAR 图像改进现有超像素生成算法是目前的研究热点之一。在探讨了将边缘强 度特征引入超像素分割算法的可行性的基础上,结合边缘强度特征和线性谱聚类方法,提出了 一种新的 SAR 图像超像素生成方法(e-LSC)。通过仿真 SAR 图像和实测 SAR 图像的比较实验, 证实了 e-LSC 算法与其他几种典型超像素生成算法相比,生成的超像素在边缘贴合度和匀质区 域的规则化上都有所提高。     

优化加权核K-means聚类初始中心点的SLIC算法

超像素是近年来快速发展的一种图像预处理技术,被广泛应用于计算机视觉领域。简单线性迭代聚类(simple linear iterative clustering,SLIC)算法是其中的一种图像预处理技术框架,该算法根据像素的颜色和距离特征进行聚类来实现良好的分割结果。然而,SLIC算法尚存在一些问题。基于优化加权核K-means聚类初始中心点,提出一种新的SLIC算法(WKK-SLIC算法)。算法基于图像像素之间的颜色相似性和空间相似性度量,采用超像素分割的归一化割公式,使用核函数来近似相似性度量。算法将像素值和坐标映射到高维特征空间中,通过对该特征空间中的每个点赋予适当的权重,使加权K均值和归一化割的目标函数的优化在数学上等价。从而通过在所提出的特征空间中迭代地应用简单的K-means聚类来优化归一化割的目标函数。在WKK-SLIC算法中,采用密度敏感的相似性度量计算空间像素点的密度,启发式地生成K-means聚类的初始中心以达到稳定的聚类结果。实验结果表明,WKK-SLIC算法在评估超像素分割的几个标准上优于SLIC算法。     

结合显著性的主动轮廓图像分割

传统的主动轮廓方法无法突出分割区域的显著性,同时在由显著性检测算法所得到的显著图中目标具有较高的信噪比,因此提出结合显著性的主动轮廓图像分割。通过线性光谱聚类分割得到超像素,以超像素为处理单位利用基于图论的流形排序算法获得较好的显著图;将高斯混合模型引入到主动轮廓的曲线演化过程中,计算曲线内外的平均灰度值,从而通过高斯混合模型和显著性信息得到了新的主动轮廓能量方程,并运用水平集方法指导分割,获得最终的分割结果。实验结果表明,提出的图像分割方法可以对图像进行快速和有效的分割。     

Fuzzy spectral clustering with robust spatial information for image segmentation

In recent years, spectral clustering has become one of the most popular clustering algorithms in areas of pattern analysis and recognition. This algorithm uses the eigenvalues and eigenvectors of a normalized similarity matrix to partition the data, and is simple to implement. However, when the image is corrupted by noise, spectral clustering cannot obtain satisfying segmentation performance. In order to overcome the noise sensitivity of the standard spectral clustering algorithm, a novel fuzzy spectral clustering algorithm with robust spatial information for image segmentation (FSC_RS) is proposed in this paper. Firstly, a non-local-weighted sum image of the original image is generated by utilizing the pixels with a similar configuration of each pixel. Then a robust gray-based fuzzy similarity measure is defined by using the fuzzy membership values among gray values in the new generated image. Thus, the similarity matrix obtained by this measure is only dependent on the number of the gray-levels and can be easily stored. Finally, the spectral graph partitioning method can be applied to this similarity matrix to group the gray values of the new generated image and then the corresponding pixels in the image are reclassified to obtain the final segmentation result. Some segmentation experiments on synthetic and real images show that the proposed method outperforms traditional spectral clustering methods and spatial fuzzy clustering in efficiency and robustness.     

A local-spectral fuzzy segmentation for MSG multispectral images

In this article, a segmentation approach for cloud detection in Meteosat Second Generation (MSG) multispectral images is proposed. The proposed algorithm uses recursive segmentation that dynamically reduces the number of classes. This algorithm consists of two steps. First, an initial segmentation of the image is obtained using local fuzzy clustering. The clustering algorithm is formulated by modifying the similarity measure of the standard fuzzy c-means (FCM) algorithm. The new similarity function includes the spectral information as well as the homogeneity and spatial clustering information of each considered pixel. In the second step, a hierarchical region-merging process is used to reduce the number of image clusters. At each iteration, the segmentation algorithm proceeds with a new partition until the final result of the segmentation is obtained. The proposed method has been tested using synthetic and MSG images. It yields a compact and coherent segmentation map, with a satisfactory reproduction of the image contours. Moreover, the different types of clouds are well detected and separated with appropriate accuracy.     

Use of Spectral Clustering Combined with Normalized Cuts (N-Cuts) in an Iterative k-Means Clustering Framework (NKSC) for Superpixel Segmentation with Contour Adherence

Superpixel segmentation methods are generally used as a pre-processing step to speed up image processing tasks. They group the pixels of an image into homogeneous regions while trying to respect existing contours. In this paper, we propose a fast Superpixels segmentation algorithm with Contour Adherence using spectral clustering, combined with normalized cuts in an iterative k-means clustering framework. It produces compact and uniform superpixels with low computational costs. Normalized cut is adapted to measure the color similarity and space proximity between image pixels. We have used a kernel function to estimate the similarity metric. Kernel function maps the pixel values and coordinates into a high dimensional feature space. The objective functions of weighted K-means and normalized cuts share the same optimum point in this feature space. So it is possible to optimize the cost function of normalized cuts by iteratively applying simple K-means clustering algorithm. The proposed framework produces regular and compact superpixels that adhere to the image contours. On segmentation comparison benchmarks it proves to be equally well or better than the state-of-the-art super pixel segmentation algorithms in terms of several commonly used evaluation metrics in image segmentation. In addition, our method is computationally very efficient and its computational complexity is linear.     

融入局部几何特征的流形谱聚类图像分割

为了改善谱聚类图像分割的精准性和时效性,文中提出融入局部几何特征的流形谱聚类图像分割算法.首先,考虑图像数据的流形结构,在数据点的K近邻域内执行局部PCA,得到数据间本征维数的关系.然后,引入流形学习中的局部线性重构技术,通过混合线性分析器得到数据间局部切空间的相似性,结合二者构造含有局部几何特征的相似性矩阵.再利用Nystr m技术逼近待分割图像的特征向量,对构造的k个主特征向量执行谱聚类.最后,在Berkeley数据集上的对比实验验证文中算法的准确性和时效性优势.     

基于超像素的多主体图像交互分割

目的 为解决多主体图像的交互分割问题,在保证分割效果的前提上,提高分割的效率,达到实时交互修改分割结果的目的, 提出基于超像素的图像多主体交互分割算法.方法 基于图像的超像素构造一个多层流网络,利用用户交互绘制的简单笔画给出多主体分割的指导信息.流网络的边权值保证利用图割算法将图像分割成多个部分后,每个部分代表图像的一个主体.允许用户交互给出标记,实时修改分割结果,直到得到满意的多主体分割.结果 通过实验显示,本文方法能得到的满意多主体分割结果,而且时间效率较高.对分辨率为449×275的图像,算法能在1 s内给出结果,满足实时修改的要求.结论 基于超像素建立的图规模较小,能大大减少图割算法的运行时间,达到用户实时交互添加新笔画信息,交互地修正分割结果的目的.利用超像素的边界信息,用户只需输入比较简单的笔画信息,分割算法就能得到正确的多主体分割结果.     

Spatial-spectral neighbour graph for dimensionality reduction of hyperspectral image classification

Recently, graph embedding-based methods have drawn increasing attention for dimensionality reduction (DR) of hyperspectral image (HSI) classification. Graph construction is a critical step for those DR methods. Pairwise similarity graph is generally employed to reflect the geometric structure in the original data. However, it ignores the similarity of neighbouring pixels. In order to further improve the classification performance, both spectral and spatial-contextual information should be taken into account in HSI classification. In this paper, a novel spatial-spectral neighbour graph (SSNG) is proposed for DR of HSI classification, which consists of the following four steps. First, a superpixel-based segmentation algorithm is adopted to divide HSI into many superpixels. Second, a novel distance metric is utilized to reflect the similarity of two spectral pixels in each superpixel. In the third step, a spatial-spectral neighbour graph is constructed according to the above distance metric. At last, support vector machine with a composite kernel (SVM-CK) is adopted to classify the dimensionality-reduced HSI. Experimental results on three real hyperspectral datasets demonstrate that our method can achieve higher classification accuracy with relatively less consumed time than other graph embedding-based methods.     

基于测地线的超像素谱聚类彩色图像分割

在图像分割中谱聚类算法得到了广泛的应用,但传统谱聚类算法易受到彩色图像大小和相似性测度的影响,导致计算量大和分割精度低的问题。为了解决这两个问题,提出一种新的基于超像素集测地线特征的谱聚类分割算法。该方法通过对彩色图像进行预分割得到超像素集,并以超像素集为基础构造加权图,利用测地线距离特征和颜色特征构造权值矩阵,最后应用NJW（Ng-Jordan-Weiss）算法得到最终的分割结果。对比实验结果表明该算法在分割精度和计算复杂度上都有较大改善。     

基于局部特征约束的TEM图像分割算法

神经细胞图像分割对于神经科学研究具有重要应用价值。神经细胞亚显微结构的复杂性,以及透射电子显微成像（Transmission electron microscope,TEM）易出现的边界丢失、模糊等质量问题,使得神经细胞TEM图像的自动分割成为一个医学图像处理难题。基于神经细胞TEM图像的局部聚簇性特点,应用超像素技术,本文研究设计了一种基于局部特征约束的TEM图像分割算法。首先构建基于图模型的超像素图像结构表示,然后应用Markov随机场（Markov random field,MRF）模型提取超像素局部空间信息,从而有效地解决超像素图像分割方法中超像素点间邻域信息和空间结构复杂的问题,最后通过MRF模型优化和超像素合并处理获取图像分割结果。研究结果表明,该算法分割精度较高、鲁棒性强,且能很好地表征图像亚显微结构信息。