基于超像素和模糊聚类的医学超声图像分割算法

图像分割在医学超声图像的定量、定性分析中均扮演着十分重要的作用,并直接影响到后续的分析、处理工作.针对医学超声图像对比度低和噪声强的特点,提出了一种将超像素和模糊聚类技术相结合的图像分割方法.该方法利用简单线性迭代聚类算法产生多个超像素子区域,通过比较各个子区域间特征向量的相似性,利用模糊C均值(FCM)聚类技术对这些过分割区域进行合并,实现超声图像目标区域的有效分割.和传统的基于单像素的FCM聚类算法相比,该方法具有较强的鲁棒性,有效提高了目标区域的分割精度和分割效率,取得了较好的分割效果.     

基于区域级隶属度函数的图像分割评估分析

为了弥补模糊C均值聚类（FCM）图像分割收敛方面的自适应区域限制局限性，设计了一种基于区域级隶属度函数的图像分割评估方法。在分析像素区域级隶属度时以超像素为基础，对实际超像素与区域级隶属度函数或主标签之间的联系进行分析。研究结果表明：相较于FCM算法，区域级隶属度函数方法可实现更优的性能。采取FCM获取的分割效果在目标函数Q值降低后更佳，各像素在同一超像素中可迅速聚集并得到有效保证。该研究适用于超像素信息领域，对提高图像分割具有明显效果。     

改进FCM算法在医学图像分割的方法研究

本文提出使用改进模糊C均值聚类(MFCM)算法和模糊可能性C均值聚类(FPCM)算法的图像分割方法并应用于医学图像分割过程中。MFCM算法是通过调整FCM算法的测量距离来批准标签像素受到其他图像像素和在切分中抑制噪声效果来约束,从而使得成员变量没有最大约束值。基于真实医学图像的实验表明了MFCM算法和FPCM算法在医学图像中进行分割的实际效果,具体是通过对FCM、MFCM、FPCM进行精度对比来验证算法有效性。     

图像信息驱动的抑制式粗糙模糊聚类分割算法

粗糙模糊聚类方法需要手动设置阈值确定粗糙聚类的上、下近似且对图像中的噪声较为敏感。为了减少人为干预,实现粗糙模糊聚类在图像分割中的深度应用,本文提出一种图像信息驱动的抑制式粗糙模糊聚类分割算法。方法中设计了基于超像素区域信息的自适应阈值策略,用于有效确定粗糙聚类的上下近似,将图像空间信息引入到粗糙模糊聚类,构造了融合空间信息的粗糙模糊聚类目标函数,克服方法对于图像噪声的敏感性,此外,为进一步提升聚类性能,将模糊聚类中的抑制式学习思想引入到粗糙下近似集中像素的模糊隶属度的修正,实现了粗糙和模糊思想的深度融合。本文算法是更具混合智能机理的粗糙模糊聚类图像分割算法,实验结果表明了本文算法的有效性。      

一种复杂背景下的电力设备红外图像分割方法

针对背景复杂的电力设备红外图像分割问题,提出一种新的分割方法。该方法运用线性谱聚类算法(LSC)对图像做超像素分割,将颜色、距离相似的像素聚类至同一个中心;利用在全局图像基础上计算所得的Otsu阈值对各超像素块做背景预标记,并利用最大相似度区域合并算法(MSRM)对超像素块进行合并,在得到目标设备的同时,有效降低了过分割和欠分割率;最后运用数学形态学算法对图像做后处理,在保证设备特征的前提下提高目标设备分割精度。实验表明,在复杂背景下与其他算法相比,该方法可得到更为准确、完整的目标设备。     

区域信息驱动的多目标进化半监督模糊聚类图像分割算法

现有的多目标进化聚类算法应用于图像分割时,往往是在图像像素层面上进行聚类,运行时间过长,而且忽略了图像区域信息使得图像分割效果不太理想。为了提高多目标进化聚类算法的分割效果和时间效率,该文将图像区域信息与部分监督信息引入多目标进化聚类,提出图像区域信息驱动的多目标进化半监督模糊聚类图像分割算法。该算法首先利用超像素策略获得图像的区域信息,然后结合部分监督信息,设计融合区域信息和监督信息的适应度函数,接着通过多目标进化策略对多个适应度函数进行优化得到最优解集。最后构造融合区域信息与监督信息的最优解评价指标,实现从最优解集中选取一个最优解。实验结果表明:与已有多目标进化聚类算法相比,该算法不但分割效果有所提升,而且运行效率得以提高。     

一种基于模糊C均值的图像超像素分割方法

在分析现有图像分割算法基础上,提出一种基于超像素的模糊C均值分割算法.首先利用像素间灰度和距离定义像素间相似度,从而循环迭代出图像的超像素;然后进一步提取每个超像素的小波能量特征并利用模糊C均值算法对该特征进行聚类.大量实验表明,提出的图像分割算法对噪声有一定稳健性,分割准确率高,并能有效抑制孤立点的影响.     

基于自适应区域限制FCM的图像分割方法

提出一种基于自适应区域限制FCM（Fuzzy C-Means）的彩色图像分割方法,结合隐马尔科夫模型,把超像素具有区域一致性作为先验知识自适应融入到聚类过程中,以提升聚类性能.算法首先生成图像的超像素,计算像素对该超像素的贡献度,以此计算该超像素的区域隶属度函数;然后根据像素所属超像素是否具有主标签,选择像素级隶属度函数或区域级隶属度函数计算该像素的点对先验概率,以加强分割结果的区域一致性;其中,使用区域隶属度函数将引导聚类优化的方向,因此在迭代过程中去除未被使用的标签;最后迭代终止获得图像的分割结果.实验结果表明,相对于比较算法,本文算法的分割性能有显著提升.     

数据压缩的FCM算法用于人脑MRI图像的分割

针对模糊C均值聚类（Fuzzy C—means clustering，FCM）算法在人脑磁共振成像（Magnetic Resonance Imaging，MRI）图像分割中存在的计算量大、运行时间过长的问题，提出一种加速方法。首先利用边界跟踪法对人脑MRI图像进行预处理，剔除颅骨和肌肉等非脑组织；然后通过数据压缩，即通过对相近的像素进行量化并聚合来减少像素个数；最后用FCM算法对大脑结构进行分割，结果得到脑白质、灰质和脑脊液图像区域。该方法能够使数据量大为减少，从而使FCM在图像分割中更加快速有效。     

一种改进的模糊核聚类红外图像分割算法

针对模糊核聚类对红外图像分割存在的不足,提出了一种改进的模糊核聚类红外图像分割算法.首先在模糊核聚类的基础上引入了隶属度和空间约束关系,有效抑制了野点;然后定义了像素对类别的认同度指数和类别对像素的排斥性度量,并将之引入到隶属度函数中,判断像素的分类合理性,提高聚类的精度,更好地分割目标和背景区域,保护目标的完整性和精确性.实验结果表明,与传统的模糊聚类分割结果相比,该算法能准确完整地分割出目标,防止背景像素和野值点对目标区域的干扰,获得良好的分割效果.     

The image segmentation based on optimized spatial feature of superpixel

This paper proposes a method of image segmentation based on superpixels. The method is applied to achieve the segmentation of synthetic aperture radar (SAR) image. Firstly, the superpixels are extracted based on multi-scale features. Then, the fuzzy c-means (FCM) clustering based on superpixels is implemented, in which the influence of neighboring and similar superpixels is incorporated into FCM and the influential degree is optimized to improve segmentation performance. Experimental results show that the proposed method can achieve an impressive accuracy of SAR segmentation. For application extension, when we extract corresponding feature from several types of specific images, the proposed method is able to achieve better segmentation performance.     

Interactive image segmentation based on samples reconstruction and FLDA

Existing interactive image segmentation methods heavily rely on manual input, i.e. a sufficient quantity and correct locations of labels. In this paper, we propose a new interactive segmentation algorithm which aims to reduce human intervention and to generate high-quality segmentation results. In contrast to most energy minimizing based segmentation methods, the segmentation is cast as multi-classification in our proposed method. First, the input image is segmented into superpixels by using different methods. Then we build a dictionary consisting of all obtained superpixels and reconstruct samples represented by certain labeled superpixels. Finally, we learn a discriminative projection matrix through Fishers linear discriminant analysis (FLDA) algorithm, which learns a discriminative subspace for classification. The unlabeled superpixels are grouped into foreground or background, via calculating their minimal norm. Our method can capture long range grouping cues and reduce the sensitivity with respect to input label quantity and location of labels, by the combination of superpixels and discriminative dictionary. Extensive experiments are conducted both on MSRC and another challenging database in order to demonstrate the effectiveness of the proposed method. Quantitative and qualitative results show that our method is competitive to the state-of-the-art performance.     

融合层次聚类的高分辨率遥感影像超像素分割方法

为解决遥感影像分割尺度自动选取难的问题,提出了融合层次聚类的高分辨率遥感影像超像素分割方法。首先采用自适应形态重建的分水岭分割算法将影像分割成多个超像素;然后提取各超像素的灰度特征向量;最后利用层次聚类方法进行超像素合并,实现高分辨率遥感影像的精确分割。实验选用4组景遥感影像;采用定性和定量相结合的方法评价实验结果。实验结果表明,该方法有效提高了遥感影像分割精度,并取得了较好的分割视觉效果。     

基于纹元森林和显著性先验的弱监督图像语义分割方法

弱监督语义分割任务常利用训练集中全体图像的超像素及其相似度建立图模型,使用图像级别标记的监督关系进行约束求解。全局建模缺少单幅图像结构信息,同时此类参数方法受到复杂度限制,无法使用大规模的弱监督训练数据。针对以上问题,该文提出一种基于纹元森林和显著性先验的弱监督图像语义分割方法。算法使用弱监督数据和图像显著性训练随机森林分类器用于语义纹元森林特征(Semantic Texton Forest, STF)的提取。测试时,先将图像进行过分割,然后提取超像素语义纹元特征,利用朴素贝叶斯法进行超像素标记的概率估计,最后在条件随机场(CRF)框架下结合图像显著性信息定义了新的能量函数表达式,将图像的标注(labeling)问题转换为能量最小化问题求解。在MSRC-21类数据库上进行了验证,完成了语义分割任务。结果表明,在并未对整个训练集建立图模型的情况下,仅利用单幅图像的显著性信息也可以得到较好的分割结果,同时非参模型有利于规模数据分析。     

基于FCM的分块自适应图像分割方法研究

基于模糊C均值聚类（FCM）的图像分割是应用较为广泛的图像分割方法之一,但是传统的模糊C均值聚类算法都是基于欧氏距离的,对于图像中的噪声是十分敏感的。针对这一局限性,提出一种基于FCM的分块自适应图像分割方法。该方法不仅考虑了噪声不均匀分布对分割结果的影响,而且充分考虑了图像像素的灰度信息和空间信息。通过对含有噪声的自然图像和合成图像的分割试验,我们可以得到,与传统的FCM图像分割算法相比,本文方法能显著提高含有噪声图像的分割质量。     

基于区域限制的EM和图割的非监督彩色图像分割方法

提出一种基于区域限制的EM(Expectation Maximization)和图割的非监督彩色图像分割方法,以解决自动确定分割类数问题.首先,生成图像的超像素,提取图像的CIE Lab颜色特征和多尺度四元数Gabor滤波特征;为了高效自动地确定分割类数,同时避免因直接使用超像素造成的奇异值问题,对每一个超像素采样并使用采样像素表示超像素;然后采用高斯混合模型对采样像素集合进行建模,使用加入区域限制的分量EM自动获取模型组件数及参数,最后使用图割结合高斯混合模型对图像进行优化,获取最终分割结果.实验结果表明,该方法在分割效率和分割质量上均得到较大提升.     

一种自适应FCM彩色图像分割算法*1

针对FCM彩色图像分割算法需要给定聚类数且受初始值影响较大的缺点,提出一种自适应FCM彩色图像分割算法。该方法首先引入主分量变换,通过直方图分析,在RGB彩色空间上自动确定聚类数目,其次引入2D直方图,分析对角线投影1D直方图,并采用最大最小距离法选取初始聚类中心。利用该算法分别对人工合成的和真实的彩色图像进行分割实验,实验结果表明：本文算法能够有效且自适应地分割彩色图像。     

基于四叉树和曲线拟合的FCM图像分割方法

针对模糊C均值聚类算法对大数据量的情况进行分割时存在耗时过长的问题,提出基于改进四叉树的FCM分割方法。该算法首先求取图像的四叉树,将四叉树节点集合作为模糊聚类算法的样本集,减小样本空间,然后利用FCM算法实现图像的边缘分割;针对分割处理后的图像带来的锯齿状边缘,再利用曲线拟合算法对图像边缘进行平滑处理。在标准摄影师图像和肝脏核磁图像的数据集上实验,实验结果可以看出算法提高了FCM的运算速度,对医学图像具有更高的分割精度,便于为后续诊断和数据分析提供基础。     

基于深度特征提取和图神经网络匹配的图像复制粘贴篡改检测

针对图像中特征提取不均匀、单尺度超像素划分对伪造定位结果影响较大的问题,提出一种基于深度特征提取和图神经网络(graph neural network,GNN) 匹配的图像复制粘贴篡改检测(cope-move forgery detection,CMFD) 算法。首先将图像进行多尺度超像素分割并提取深度特征,为保证特征点数目充足,以超像素为单位计算特征点分布的均匀度,自适应降低特征提取阈值;随后引入新的基于注意力机制的GNN特征匹配器,进行超像素间的迭代匹配,且用随机采样一致性(random sample consensus,RANSAC) 算法消除误匹配;最后将多尺度匹配结果进行融合,精确定位篡改区域。实验表明,所提算法具有良好的性能,也证明了GNN在图像篡改检测领域的可用性。