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。     

基于超像素的图像语义区域引导的色彩迁移

针对图像色彩处理技术,提出基于超像素的图像色彩迁移方法,其以图像语义区域进行引导,以LAB色彩空间进行映射。首先,采用K-means和SLIC算法对输入图像进行分割;其次,对每一子区域块进行区域协方差处理,获得其二阶语义特征并生成超像素,并利用相似度测量函数构造相似矩阵,对区域块聚类可生成图像超像素;最后,再对图像内语义信息相似的像素基于LAB空间映射,完成色彩迁移。结果显示,该方法具有处理复杂图像能力较高及颜色迁移效果准确的优点。     

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。     

基于边缘敏感的SLIC和二次密度聚类的GGO分割

针对磨玻璃肺结节(Ground Glass Opacity,GGO)边界对比度低、大小各异和灰度不均匀等造成分割准确率低的问题,提出一种基于边缘敏感的SLIC和二次密度聚类相结合的分割算法。将图像边缘检测结果与SLIC超像素算法相结合,并将其中含有边缘的超像素块用区域质心代替其原始聚类中心,改善SLIC边界黏连性较差的问题;针对密度聚类不能完整分割GGO的问题,提出二次密度聚类的方法,对密度聚类定位到的簇及其邻域簇进行二次密度聚类。实验结果表明,该算法分割GGO的平均准确率达90.17%,灵敏度达84%。     

基于多维向量模型模糊聚类的图像识别研究

从建立像素色彩空间的多维向量模型出发,采用一种改进的模糊C均值聚类算法对图像进行分割,从而得到一组图像像素空间的特征区域向量,并采用特征向量相似度计算方法计算图像相似度,进而比较两幅图像相似度大小,以达到图像识别的目的.通过实验对图像相似识别效果进行验证,实验表明,基于多维向量模型模糊聚类方法在图像识别中有一定应用价值.     

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.     

基于稀疏自编码特征聚类算法的图像窜改检测

同图复制窜改是图像窜改较为常见的一类,基于块匹配检测方法往往存在准确率低、时间复杂度高等问题,为提高准确率并大幅度降低时间复杂度,应用深度学习特征和聚类算法进行检测。首先用稀疏自编码器训练大量样本集找出同图复制图像的内部规律并得到降维的隐藏层权值矩阵,通过权值矩阵获得检测图像的隐藏层特征,即定义的稀疏自编码特征;用K-means算法一次聚类自编码特征去除图像平滑区域,二次聚类纹理特征获得检测结果,若检测结果中含有少量异常块,通过欧氏距离判断和RANSAC（random sample consensus）算法将异常块去除,从而实现窜改区域的检测。实验结果表明,该算法与其他算法比较综合准确率提升14.3%,时间效率提升72%。将深度学习特征与聚类算法结合使用,使得同图复制窜改在时间效率和准确率上皆有所提升。     

基于改进的相似度度量的谱聚类图像分割方法

针对传统谱聚类图像分割方法存在分割准确度不够高的缺点,提出一种基于改进的相似度度量的谱聚类图像分割方法。该方法首先使用超像素分割算法将图像预分割为一定数目的超像素集合,并构建以超像素为节点的图;然后融合超像素的协方差描述子、颜色信息、纹理信息、梯度信息以及边缘信息作为超像素的特征来度量超像素间的相似性,进而得到超像素的相似度矩阵;最后使用NJW算法对超像素图进行分割。大量的实验结果验证表明,改进的分割方法在分割精度上优于目前存在的无监督分割方法,并且在交互式分割的模式下,该方法可以准确分割出用户指定的目标。     

基于亚像素特征点提取的螺纹检测粗糙聚类算法

本文研究了一种应用于高速图像检测的基于亚像素特征点提取的螺纹检测粗糙聚类算法。其基本思想是:采用分阶段的高精度亚像素特征点提取方法,将图像边缘特征离散为亚像素级特征点,利用粗糙集中的不可分辨概念和近似集合概念,对图像亚像素级特征点进行粗糙聚类,以便区分图像中多个螺纹零件,确定螺纹小径不可分辨类。在此基础上,给出了螺纹几何参数测量的步骤和计算规则,根据计算结果对螺纹零件进行基于图像特征的判别和处理。这种基于亚像素特征点提取的螺纹检测粗糙聚类方法具有较高的检测精度。     

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。     

对比度与空间位置关系驱动的显著性检测

针对已有方法不能很好地检测显著目标边界以及完整区域问题,提出一种基于超像素分割的图像显著性检测方法。首先,对原图像进行双边滤波降低局部颜色差异,使图像更加平滑、均匀,同时能够保留显著目标的边缘信息。然后通过计算局部窗口内像素的差异来实现显著目标边界的初步检测;滤波后的图像通过超像素分割将具有相同或相近颜色特征的像素划分到一个超像素区块内,在此基础上,综合考虑超像素区块的局部对比度与全局对比度以及空间分布关系来计算每个区块的显著值。最后,融合上述两部分的结果并通过引导滤波来对检测结果进行优化处理。在MSRA-1000公开数据集上与其他7种方法进行对比实验,所提方法的平均准确率为81.57%,平均召回率为77.13%,综合指标F-measure值为80.50%。实验结果表明,提出的方法能够很好地检测出显著目标边界与内部信息,均匀突出了显著区域,证明了所提方法的有效性和鲁棒性。     

融合目标增强与稀疏重构的显著性检测

目的 为了解决图像显著性检测中存在的边界模糊,检测准确度不够的问题,提出一种基于目标增强引导和稀疏重构的显著检测算法（OESR）。方法 基于超像素,首先从前景角度计算超像素的中心加权颜色空间分布图,作为前景显著图;由图像边界的超像素构建背景模板并对模板进行预处理,以优化后的背景模板作为稀疏表示的字典,计算稀疏重构误差,并利用误差传播方式进行重构误差的校正,得到背景差异图;最后,利用快速目标检测方法获取一定数量的建议窗口,由窗口的对象性得分计算目标增强系数,以此来引导两种显著图的融合,得到最终显著检测结果。结果 实验在公开数据集上与其他12种流行算法进行比较,所提算法对具有不同背景复杂度的图像能够较准确的检测出显著区域,对显著对象的提取也较为完整,并且在评价指标检测上与其他算法相比,在MSRA10k数据集上平均召回率提高4.1%,在VOC2007数据集上,平均召回率和F检验分别提高18.5%和3.1%。结论 本文提出一种新的显著检测方法,分别利用颜色分布与对比度方法构建显著图,并且在显著图融合时采用一种目标增强系数,提高了显著图的准确性。实验结果表明,本文算法能够检测出更符合视觉特性的显著区域,显著区域更加准确,适用于自然图像的显著性目标检测、目标分割或基于显著性分析的图像标注。     

融合双特征图信息的图像显著性检测方法

目的 图像的显著性检测是将图像中最重要的、包含丰富信息的区域标记出来,并应用到图像分割、图像压缩、图像检索、目标识别等重要领域。针对现有研究方法显著性目标检测结果不完整以及单一依靠颜色差异检测方法的局限性,提出一种综合图像底层颜色对比特征图和图像颜色空间分布特征图的显著性检测方法,能够有效而完整地检测出图像中的显著性区域。方法 本文方法结合了SLIC超像素分割和K-means聚类算法进行图像特征的提取。首先,对图像进行SLIC（simple linear iterative clustering）分割,根据像素块之间的颜色差异求取颜色对比特征图;其次,按照颜色特征对图像进行K-means聚类,依据空间分布紧凑性和颜色分布统一性计算每个类的初步颜色空间分布特征。由于聚类结果中不包含空间信息,本文将聚类后的结果映射到超像素分割的像素块上,进一步优化颜色空间分布图;最后,通过融合颜色对比显著图和图像颜色空间分布特征图得到最终的显著图。结果 针对公开的图像测试数据库MSRA-1000,本文方法与当前几种流行的显著性检测算法进行了对比实验,实验结果表明,本文方法得到的显著性区域更准确、更完整。结论 本文提出了一种简单有效的显著性检测方法,结合颜色对比特征图和图像颜色空间分布特征图可以准确的检测出显著性区域。该结果可用于目标检测等实际问题,但该方法存在一定的不足,对于背景色彩过于丰富且与特征区域有近似颜色的图像,该方法得到的结果有待改进。今后对此算法的优化更加侧重于通用性。     

基于测地距离的超像素分析算法

超像素分析指的是将数字图像细分为多个超像素的过程,旨在简化或改变图像的表示形式,使得图像更容易理解和分析.文章提出了一种基于测地距离的超像素分析算法,该算法采用引入代价函数的Fast Marching算法来计算像素点间的测地距离.将目标图像大致均匀地划分成k个初始长方形区域,在每个区域内选取局部密度最大的像素点作为种子...     

基于暗原色先验原理的水下图像增强

针对水下光衰减和散射导致的图像严重降质问题和用传统方法进行水下图像增强 产生色偏现象,提出一种新的水下图像增强方法。基于暗原色先验原理进行水下图像增强,用 软抠图的方法对图像暗通道进行细化;在图像前0.1%最亮的像素点中,用中值滤波算法计算出 这些像素点的中值,再计算这些像素点和与之对应的中值的差值,差值最小的像素点作为背景 光的预估值,并用该像素点所在区域颜色饱和度方差来判断预估背景光的准确性;利用Retinex 算法和图像各颜色通道的衰减系数比对增强后的图像进行颜色校正。实验表明,该方法能有效 地去除水下图像中的雾色、校正图像色偏问题,进而提高图像对比度。     

基于颜色和边缘方向的图像检索方法

提出了一种新的图像特征表示方法,首先提取图像的底层颜色信息获取颜色特征值 ,通过对图像中物体的边缘检测计算像素点的边缘方向角度值,并对颜色特征值和边缘方向 角度值进行量化。然后根据相邻像素点之间量化结果的数值分析,为每个像素点建立8维特 征向量。再以中心像素点与相邻像素点间不同的位置关系为基础,为每种位置关系赋予不同 的权重,根据像素点的特征向量计算出图像中每一个像素点的特征值。最后统计图像中具有 相同特征值的像素点个数,形成特征直方图,以此作为图像检索的依据。实验表明本文方法 能够有效描述图像的颜色分布和图像中物体的空间结构,更加细致地记录图像信息,进一步 增强图像之间的区分能力。与其他方法相比,本文方法检索效果更好。     

使用超像素分割与图割的网状遮挡物检测算法

针对由于摄影角度受限,一些自然图像被铁丝网、栅栏、外墙玻璃接缝等网状遮挡物所遮挡的问题,提出了一种用于修复此类图像的网状遮挡物检测算法。对于现有算法使用单像素颜色特征和固定形状特征造成对颜色和形状不均的网状遮挡物检测效果不佳的弊端,首先将图像进行超像素分割,引入颜色与纹理直方图的联合特征来描述超像素块,将基于像素分类问题转换成基于超像素的分类问题,抑制了局部颜色变化造成的误分类;然后,使用图割算法将超像素块进行分类,使网状结构能够沿着光滑的边缘进行延伸,不受固定的形状限制,提高了对异形网状结构的检测准确率,并且不依赖Farid等提出的算法（FARID M S,MAHMOOD A,GRANGETTO M.Image de-fencing framework with hybrid inpainting algorithm.Signal,Image and Video Processing,2016,10（7）：1193-1201）所需的人工输入;其次使用新的联合特征训练支持向量机（SVM）分类器并对所有未被分类的超像素块进行分类,得到准确网状遮挡物掩膜;最后,使用SAIST算法对图像进行修复。实验中,获得的网状遮挡物掩膜比Farid等提出的算法所得到的保留了更多的细节,在修复算法不变的同时显著提升了图像修复效果。在使用相同网状遮挡物掩膜的情况下,使用SAIST算法修复得到的图片在峰值信噪比（PSNR）和结构相似性（SSIM）上分别比Farid等提出算法提高了3.06和0.02。新的掩膜检测算法联合SAIST修复算法的总体修复效果对比Farid等提出算法及Liu等提出的算法（LIU Y Y,BELKINA T,HAYS J H,et al.Image de-fencing.Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recognition.Washington,DC：IEEE Computer Society,2008：1-8）有了明显提升。实验结果表明,所提算法提升了网状遮挡物的检测准确性,得到了效果更好的去除网状遮挡物的图像。     

基于特征融合的图像型火灾探测方法

针对传统火灾探测中灵敏度不高、响应慢的问题,提出一种基于特征融合的图像型火灾探测方法.结合火焰的颜色、运动以及闪烁特征,检测出疑似火灾区域中的火焰像素,排除非火焰像素,并用支持向量机对疑似火焰像素进行验证,采用形态学方法和区域融合判断出火灾区域.实验结果表明,该方法对多种火灾和非火灾场景具有较好的适应性、较强的抗干扰能...     

高光去除的聚类算法改进

高光去除是计算机视觉领域研究的一个热点问题.现有的基于双色反色模型分离漫反射分量和镜面反射分量去除单幅图像中的高光的方法,容易引起图像颜色失真和纹理的丢失.针对此问题,在使用像素强度比去高光的基础上改进了像素聚类算法,能够更准确的进行像素分类,改善图像颜色失真的现象.首先计算原图像与最小强度值单通道图像的差值得到无高光图像.然后根据无高光图像计算与高光区域相关的每个像素点的最大漫反射色度值和最小漫反射色度值.最后将高光区域内的像素点转换到最小最大色度空间,对高光区域内的像素点进行xmeans聚类,利用分类后漫反射像素点的强度比估计值很容易分离高光区域像素点的镜面反射分量,从而得到去高光图像.实验结果表明,与现有的方法对比,峰值信噪比值平均提升了2%至4%,图像颜色失真和纹理丢失状况得到改善,视觉效果更好.