基于SLIC的自适应多主体图像分割算法

为了解决多主体图像分割的交互分割问题,提出了一种基于SLIC超像素的自适应图像分割算法。首先利用SLIC对图像进行超像素分割处理,把原图像分割为大小相似、形状规则的超像素,以超像素中心点的五维特征值作为原始数据点通过自适应参数的DBSCAN算法聚类,确定多主体数目和分割边界。算法不需要用户交互,自适应确定分割数目。为了验证算法的有效性,在伯克利大学标准数据集BSDS500上与人工标注的分割图像进行比较, 前期的超像素处理使算法在时间上有很好的提升,对于一幅481×321像素的图像,只需要1.5 s就可以获得结果。实验结果表明,该方法可以有效解决多主体图像分割中的人工交互问题,同时在PRI和VOI的指数对比上也优于传统算法,本文算法可以在保证分割效果的基础上自适应确定分割数目,提高分割效率。     

基于改进SLIC算法的电力设备故障区域分割方法

在电力设备状态监测中,红外测温图像故障区域的分割是今后故障诊断智能化发展的关键环节。为了实现图像自动化处理,提高故障区域的分割精度,提出一种改进SLIC算法的故障区域分割方法。采用导向滤波器对红外测温图像进行预处理;在SLIC超像素迭代过程中增加亮度相似性限制条件,并将生成的超像素以种子点的色彩值匹配颜色;通过自动设置色调阈值,实现对电力设备故障区域的分割和标记。实验结果表明,改进的算法与原始SLIC算法相比,边缘召回率提高了4.10%,对故障区域的分割更具优势。     

一种融合多种特征的SLIC超像素图像分割方法

为进一步提高分割精度、得到视觉效果更好的分割结果，提出一种融合多种特征的简单线性迭代聚类(SLIC)算法与由FCM和PCM算法(FCM-PCM)结合的图像分割方法。算法先将局部同质性特征与纹理特征融入传统SLIC算法特征中，提出一种融合多种特征的SLIC超像素分割算法(SLICHT);然后对由SLICHT超像素分割算法得到的超像素块运用FCM-PCM算法进行聚类合并，实现图像分割。与其他图像分割方法相比，该算法的实验结果在分割精度和视觉效果方面都有很好的表现。     

基于皮尔森相关系数的自适应SLIC超像素分割算法

针对简单线性迭代聚类(Simple Linear Iterative Clustering, SLIC)算法对不同图像自适应性差的问题,提出了一种基于皮尔森相关系数的自适应SLIC超像素图像分割算法。首先,通过量化非间隔进行图像预处理,并计算颜色熵作为图像复杂度,从而确定所需分割的超像素个数。其次,利用皮尔森相关系数作为相似性度量函数。最后,通过纹理特征对类内异常点进行滤除,确保种子点更新的准确性。实验结果表明,在超像素个数相同的情况下,基于皮尔森相关系数的自适应SLIC超像素图像分割算法相比主流超像素分割算法,可以获得更高的边缘命中率以及更低的欠分割率,性能优于LSC(Linear Spectral Clustering)、SLIC和SLIC0(Simple Linear Iterative Clustering Zero)算法。     

基于快速SLIC的图像超像素算法

针对SLIC(Simple Linear Iterative Clustering)算法在超像素聚类过程中耗时较长的缺陷,提出一种基于快速SLIC的图像超像素算法。该算法首先剔除在颜色空间上与聚类中心相似度较低的像素,从而仅用部分近邻像素更新聚类中心,以确保聚类中心快速达到稳定并阻止误差传播,提高边缘命中率;其次,在初始化网格后,将每个超像素的边缘像素视为不稳定像素,将超像素的非边缘像素视为稳定像素并保持稳定像素的类别不变;最后,通过对不稳定像素进行迭代标记来实现快速超像素图像分割。在MATLAB环境下分别对所提算法与6种对比算法进行测试,在超像素个数相同的情况下,所提算法在BSD500数据集上与经典的SLIC算法相比分割误差率降低5%,分割精度提高0.5%,运行时间减少0.18 s。实验结果表明,与主流的超像素算法相比,所提算法在提升超像素分割质量的同时能够有效降低算法的计算复杂度。     

基于改进SLIC与区域邻接图的高分辨率遥感影像建筑物提取

针对传统SLIC超像素算法在高分辨率遥感影像上分割质量差的问题,提出一种基于降维的改进SLIC与区域合并的方法对建筑物进行分割.首先,对传统SLIC的五维计算进行降维简化,采用灰度特征信息替换色彩信息,减少LAB颜色空间五维特征向量表征的冗余;其次,采用区域邻接图对过分割图像进行合并;最后,对改进SLIC中的主要参数即超像素数目k、紧凑度m和迭代次数p对分割结果的影响做了分析与比较.实验表明：该方法不仅分割出了大部分的建筑物信息,还提高了算法的运行效率与空间效率.运行时间效率比传统SLIC提高了25.5%;对建筑物的提取精度能达到97.6%.     

基于SLIC的改进GrabCut彩色图像快速分割

GrabCut算法用户交互量少且分割精度高,但它迭代使用GraphCuts的求解模式使得在处理高分辨率图像时,耗时巨大。提出了一种快速GrabCut算法,在高斯混合模型参数估计过程中,通过SLIC算法构建精简的GraphCuts模型以实现加速。通过SLIC算法将原始图像快速地预分割成具有确定边界且区域内相似度高的超像素图,并以此构建精简的网络图。以块内的RGB均值描述超像素特征进行高斯混合模型参数估计。为了提高分割精度,使用得到的GMM参数对原始图像进行分割。实验结果证明了该算法在时效和精度上都有很好的性能。     

简单线性迭代聚类的高分辨率遥感影像分割

影像分割是面向对象影像分析的基础和关键。针对传统影像分割方法地物边界依附性差、易受影像噪声影响等问题,提出一种简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)的高分辨率遥感影像分割方法。该方法首先用SLIC算法对影像过分割生成SLIC超像素,之后根据相似性规则对SLIC超像素进行合并实现影像分割;然后通过构造Lab颜色空间下的五维特征参数度量影像像素的局部特征差异,并通过SLIC算法把具有相似性特征的像素聚类生成超像素,克服影像噪声对分割结果的影响;最后根据相似性合并规则以超像素为基本单元进行区域合并,从而达到分割目的。实验结果表明,所提出方法具有良好的高分辨率遥感影像分割结果。     

基于Hadoop的超像素分割算法

针对高分辨率图像像素分割时间复杂度高的问题,提出了超像素分割算法。采用超像素代替原始的像素作为分割的处理基元,将Hadoop分布式的特点与超像素的分块相结合。在分片过程中提出了基于多任务的静态与动态结合的适应性算法,使得Hadoop分布式文件系统（HDFS）的分块与任务分发的基元解耦;在每一个Map节点任务中,基于超像素分块的边界性对超像素的形成在距离和梯度上进行约束,提出了基于分水岭的并行化分割算法。在Shuffle过程的超像素块间合并中提出了两种合并策略,并进行了比较。在Reduce节点任务中优化了超像素块内合并,完成最终的分割。实验结果表明.所提算法在边缘查全率（BR）和欠分割错误率（UR）等分割质量指标上优于简单线性迭代聚类（SLIC）算法和标准分割（Ncut）算法,在高分辨率图像的分割时间上有显著降低。     

一种新的高光谱遥感图像超像素分割方法

为了解决简单线性迭代聚类算法在高光谱遥感图像超像素分割任务中分割精度较低的问题,提出一种基于多级线性迭代聚类结合改进标签传播算法(LPA)的新的无监督高光谱遥感图像超像素分割方法。首先,扩充简单线性迭代聚类(SLIC)的适用范围至多通道对高光谱图像进行超像素初分割;然后,对色彩标准差较大的超像素进行多级迭代细致分割,引入基于局部二进制模式的高光谱遥感图像纹理特征提取方法计算高光谱图像纹理特征并融合多段光谱特征计算超像素间相似度以构建带权图网络;最后,改进LPA社区发现方法进行超像素合并,将改进的标签传播算法运用于超像素合并可以得到更加稳定准确的超像素合并效果,提高超像素分割精度。将该方法与多种方法进行比较,结果表明,该方法对高光谱遥感图像的超像素分割结果更准确,超像素边缘更贴合真实地物边界,能有效改善高光谱遥感图像超像素分割中精度较低的问题。     

High precision image segmentation algorithm using SLIC and neighborhood rough set

A high precision image segmentation algorithm using SLIC and neighborhood rough set is proposed. The algorithm mainly includes two stages: the stage of superpixel generation and the mergence stage based on neighborhood rough set. In superpixel generation stage, based on L-channel color histogram and its peak, the scheme of initial superpixel number generation is proposed according to the complexity of the image itself. For inaccuracy segmentation edge of SLIC caused by isolated pixels, the compactness factor is appropriately increased before they are generated. After that, the scheme of reclassifying each isolated pixel is proposed just relying on the color space. In superpixel mergence stage based on neighborhood rough set, the texture information using the gray level co-occurrence matrix is introduced into the feature representation of superpixel. It can reduce the dependence of color feature and improve the accuracy of the mergence. By constructing the information table, the neighborhood granule of each superpixel is acquired under the neighborhood threshold. Finally, the superpixels within the neighborhood granule are merged on the basis of the spatial adjacency between superpixels. In Berkeley segmentation data set, compared with the SLIC algorithm, the schemes of initial superpixel number generation and the isolated pixels processing are proved to be effective. Furthermore, the experiments demonstrate that the proposed algorithm can produce high-quality and high-precision image segmentation results in comparison with the SLIC-based image segmentation algorithms on three standard metrics.     

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.     

基于密度峰值搜索聚类的超像素分割算法

本文提出了一种新的基于密度峰值搜索聚类的超像素分割算法.首先在图像平面内的局部区域内估计像素的局部密度.其次为每个像素寻找一个距离最近的大密度像素并计算两个属性:距离和归属.之后根据距离和归属将所有像素组织成一个归属关系树,该树反映了像素之间的归属关系.然后选择局部密度和距离较大的像素作为超像素的种子,并标记在归属关系树中.最后在归属关系树中搜索距离每个像素最近的超像素种子为其分配标记,实现超像素分割.该算法有两个优势:超像素分割过程无需迭代优化,计算速度非常快;可以精确控制超像素的数目和大小,使用灵活.与其它9种同类算法的对比实验表明:文中算法在边缘召回率、欠分割误差、可达分割精度、计算和存储复杂性方面表现出比较优越的性能.     

Image clustering segmentation based on SLIC superpixel and transfer learning

Traditional fuzzy C-means clustering algorithm has poor noise immunity and clustering results in image segmentation. To overcome this problem, a novel image clustering algorithm based on SLIC superpixel and transfer learning is proposed in this paper. In the proposed algorithm, SLIC superpixel method is used to improve the edge matching degree of image segmentation and enhances the robustness to noise. Transfer learning is adopted to correct the image segmentation result and further improve the accuracy of image segmentation. In addition, the proposed algorithm improves the original SLIC superpixel algorithm and makes the edge of the superpixel more accurate. Experimental results show that the proposed algorithm can obtain better segmentation results.     

改进的简单非迭代聚类的遥感影像分割研究

简单线性迭代聚类（Simple Linear Iterative Clustering,SLIC）超像素算法依赖超像素设置数目的大小,容易产生欠分割或者过分割的现象,且运行速度不高。提出一种改进的简单非迭代聚类（Simple Non-Iterative Clustering,SNIC）超像素算法对遥感影像进行分割。采用SNIC超像素获取初始分割结果;利用动态阈值对原始影像进行分割;对影像进行两次作差,从而对SNIC分割结果进行修正;选取满足一定条件的分割线即为最终的分割结果。实验结果表明,该算法在分割精度、召回率和运行时间上都获得了令人满意的结果。     

基于SLIC和主动学习的高光谱遥感图像分类方法

在主动学习的基础上,提出一种基于SLIC的高光谱遥感图像主动分类方法。首先提取图像纹理特征并与光谱特征融合,使用PCA对新数据进行降维,取前三个主成分构成假彩色图像,然后使用SLIC处理该图像获得超像素;接着随机抽取定量超像素作为初始训练样本,样本光谱信息为超像素样本中所有像素点的光谱信息均值,样本标签为超像素中出现次数最多的类别;然后通过主动学习得到SVM分类器;最后使用分类器对超像素分类得到其类别,并将超像素类别赋予其包含的像素点,从而达到高光谱遥感图像分类的目的。实验表明：该方法明显降低了主动学习过程的时间消耗,有效地提高了分类效果,其OA,AA和Kappa值显著优于未使用SLIC的主动学习方法。