基于图割和视域相关性的立体图像分割

立体图像分割是对象基立体图像处理中的关键和难点。基于改进Grabcut图割算法和视域相关性,提出一种新的立体图像分割算法。首先基于改进Slic方法将左图像转换成超像素图像,然后基于Grabcut框架通过重新定义能量函数对其分割以提取出左图像目标。最后,基于左右图像的视域相关性通过融合颜色和纹理特征的轮廓匹配提取右图像目标。实验结果表明,与现有方法相比,所提算法能获得更高的分割效率和更准确的分割结果。     

基于SLIC超像素分割的SAR图像海陆分割算法

海陆分割在合成孔径雷达(SAR)图像的海面目标检测以及海岸线提取等海洋应用方面具有非常重要的意义。针对合成孔径雷达图像的特点,提出了基于SLIC超像素分割的SAR图像海陆分割算法。首先为抑制SAR图像固有相干斑噪声并较好地保留图像的边缘信息,采用精致Lee滤波对图像进行预处理。然后对图像进行SLIC超像素分割,再将分割后的图像进行FT区域显著性检测以及显著值相似度聚类。最后将处理后的图片二值化得到海陆分割结果。实验结果表明,本文所提海陆分割算法具有很高的处理精度以及较高的处理效率。     

基于改进SLIC算法的SAR图像海陆分割

海陆分割在提高SAR图像舰船目标检测精度方面具有十分重要的意义。针对传统算法不能很好地对SAR图像进行海陆分割,提出了基于改进SLIC超像素分割和分层区域合并准则(HSWO)的海陆分割算法。针对SAR图像统计特性,首先对SLIC超像素分割和HSWO算法模型分别进行改进,然后用SLIC超像素分割算法对图像进行超像素分割,并按照分层区域合并准则对超像素块进行聚类,最终实现海陆分割。实验表明,所提出的改进模型具有较高的处理精度和处理效率,相比于其他算法更适用于SAR图像的海陆分割,具备一定的工程应用价值。     

基于超像素时空显著性的运动目标检测算法

针对复杂背景下运动目标检测存在的背景干扰、目标分割不完整等问题,利用目标静态灰度特征和运动特征,结合目标运动连续特性,提出了一种基于超像素时空显著图的运动目标检测算法。首先对图像基于简单线性迭代聚类算法(SLIC)进行超像素分割,以初始超像素为节点、以运动特征差异性为边建立图结构对超像素区域进行合并,得到最终超像素图像,可以有效解决传统超像素分割方法过分割而导致目标被分为多个部分的问题;然后分别利用目标静态特征对比度和运动特征对比度,得到静态显著性图和运动显著性图,并融合得到最终的时空显著性图;最后利用恒虚警处理技术,结合运动连续特性实现目标的检测,可以有效减少虚警目标。实验结果表明,该算法针对复杂背景具有良好的鲁棒性,并且可以比较完整的保留目标的信息。     

结合显著性和超像素改进的GrabCut图像分割

Grab Cut是一种快捷准确的交互式图像分割方法。但是,当待处理图像复杂度较大时,用户很难有效的标注矩形框,而且运算时间较长。针对以上问题,提出了一种改进的Grab Cut算法。该算法通过视觉显著性实现矩形框的自动标注,与超像素的结合有效的减少了分割算法的时间。首先,通过一种结合改进超像素的流形排序算法来得到显著性图,并进一步得到目标的矩形框,然后用改进的超像素来构建Grab Cut图割模型,最后,进行参数迭代估计从而得到分割图像。实验表明,本文提出的方法在保证Grab Cut算法精度的前提下,实现了自动分割,并有效的减少了分割时间。     

超像素和阈值分割相结合的显著目标检测算法

现有的显著性检测结果普遍含噪及未能完整高亮显著物体,使得后续的显著目标检测仍是一个具有挑战性的问题。提出了一种结合超像素分割和阈值分割的新的显著目标检测算法。算法首先利用超像素分割方法对原图像进行分割计算,然后依据显著性检测结果计算每一个分割区域像素的平均显著度值,接着用平均显著度值表示超像素内每一个像素的原显著度值,最后根据阈值分割算法对其进行计算获取二值掩码图以表示显著目标检测结果。实验结果表明,在4种具有代表性的显著图上,所提算法能有效检测显著目标,具有较高的正确率、召回率和F度量值。     

基于超像素多特征融合的快速图像分割算法

为了提高高分辨率图像分割效率,解决复杂图案中待分割目标边缘附近前景与背景区分度小而造成的分割目标不完整问题,本文通过引入超像素HOG特征,提出了一种基于超像素多特征融合（superpixel multi-feature fusion,SMFF）的快速图像分割算法.首先采用目前最有效的超像素算法对待分割图像进行超像素预分割,然后提取基于超像素的HOG特征、Lab颜色特征和空间位置特征,设计基于超像素的多特征度量算法,最终采用图割理论实现了基于超像素多特征融合的快速图像分割.实验结果验证了本文算法的有效性,其算法性能接近于目前最经典图像分割算法,且本文算法的时间性能要明显优于其它对比算法.     

基于高斯混合背景模型的运动目标检测技术研究

在运动目标检测技术中,使用传统的高斯混合背景模型所得到的检测结果并不能完美地获取运动目标的轮廓信息,而图像中像素的梯度信息,刚好就是反映了各物体的轮廓和边界,并且相对于颜色信息而言,梯度信息对于噪声并不敏感。为此,该文对传统的高斯混合背景模型进行了改进,提出基于梯度时空信息的高斯混合背景模型,证明了改进的算法确实能够取...     

基于SVM和背景模型的显著性目标检测算法

针对显著性目标多样性和不确定性,机器学习算法无法检测没有先验信息的图像问题,提出了一种基于图像边缘信息构建背景模型结合SVM分类算法的显著性目标检测算法.该方法对输入图像进行超像素预处理,使像素级转化为超像素级,既抑制噪声,又提高了计算效率.利用图像边缘超像素构建图像的初始背景模型,得到初始显著图.基于SVM算法建立目...     

基于Kmeans++的自适应超像素投点方法

超像素分割作为目标分割的预处理环节,能够极大地减少后续处理的数据量,对图像分割起着至关重要的作用。在大部分超像素生成算法中,初始种子点的选取都是以规则网格或随机确定,这容易导致欠分割。为了得到良好的初始种子点分布,减少种子点选取引起的欠分割,提出了一种基于Kmeans++的自适应确定超像素种子点方法,并由此改进了简单非迭代聚类算法(Simple Non-Iterative Clustering,SNIC)。实验结果表明,在不耗费大量计算成本的前提下,改进的SNIC算法相比传统算法能够得到更高的边界召回率和更低的欠分割错误率。     

基于改进Lazy Snapping算法的红外图像分割方法研究

针对红外图像含大量噪声以及对比度低等特点,提出一种结合快速模糊C均值聚类的改进Lazy Snapping分割方法。对红外图像使用快速模糊C均值聚类算法进行预分割,通过形态学骨架提取的方法在图像中标记出目标和背景种子点,将Lazy Snapping算法由全局分割转化为聚类区域分割,并构造能量函数,通过最小割算法求解能量函数的最小值并使分割效率得以提升,减少了图像存在的过分割现象,使Lazy Snapping算法由交互式算法变为非交互式算法,实现了红外图像的自动分割,提高了Lazy Snapping算法的实时性。通过对各类不同红外图像进行分割实验,再与其他分割方法进行性能评价比较,结果表明改进的算法具有良好的分割效果及较强的鲁棒性。     

基于近邻搜索花授粉优化的直觉模糊聚类图像分割

为克服传统模糊聚类算法应用于图像分割时,易受噪声影响,对聚类中心初始值敏感,易陷入局部最优,模糊信息处理能力不足等缺陷,该文提出基于近邻搜索花授粉优化的直觉模糊聚类图像分割算法。首先设计一种新颖的图像空间信息提取策略,进而构造融合图像空间信息的直觉模糊聚类目标函数,提高对于噪声的鲁棒性,提升算法处理图像中模糊信息的能力。为了优化上述目标函数,提出一种基于近邻学习搜索机制的花授粉算法,实现对于聚类中心的寻优,解决对于聚类中心初始值敏感,易陷入局部最优的问题。实验结果表明所提算法能在多种噪声图像上取得令人满意的分割效果。     

改进边界指示函数的水平集活动轮廓模型

由于受成像原理的限制,导致超声图像对比度低、边界模糊,因此基于边界的水平集分割效果很不理想。为了提高超声图像的分割精度和分割效率,提出了一种梯度信息与区域信息相结合的水平集分割算法。首先对基于边界的距离正则化水平集演化(DRLSE)模型进行改进,将区域信息引入到边界指示函数中,并用改进后的边界指示函数代替DRLSE模型中的边界指示函数,最后,得到一个梯度与区域信息相结合的水平集演化模型。结果表明,本文中的模型能准确分割甲状腺肿瘤超声图像,且在分割效率和分割精确度方面均比DRLSE模型有所提高。     

基于清晰度的彩色图像分割改进算法

针对K-means算法不能很好的分割目标较小,且目标颜色不能明显区别于背景颜色的彩色图像等缺点,提出了一种基于清晰度的彩色图像分割算法(S-K-means)。该算法引入图像清晰度评价理论,将彩色图像R、G、B三个通道的灰度矩阵转换成清晰度矩阵,然后选用Lab彩色空间,最后进行K均值聚类。为验证算法的有效性,对多幅电力线图像进行了分割实验,并与其他的分割方法进行比较实验,给出了详细的理论分析。实验结果表明该算法效果好,对电力系统中高压巡线具有参考价值,且具有较高的使用价值。     

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。     

一种基于视觉显著图的舰船红外图像目标检测方法

提出了一种基于视觉显著图的红外舰船目标定位方法,即通过改进的Itti模型生成视觉显著图,并基于视觉显著图分割出目标区域,从而实现目标检测。先用小波变换替代Itti模型中的高斯滤波来生成图像多尺度金字塔,然后用center—surround算子提取出多尺度的视觉差异特征,并对生成的视觉特征图进行合成,生成显著图。最后,利用阈值分割方法分割出目标区域,并对原始图像进行标记,从而实现目标检测。实验结果表明,与传统的Otsu阈值分割方法相比,该方法能够准确检测出目标区域。     

基于模糊熵聚类和改进粒子群的MRI脑图像分割研究

现有医学图像生成过程中无法回避噪声的引入,而目前还未有较好的算法对高噪声的MRI医学图像进行分割,分割归属于聚类问题,聚类常用的方法是模糊聚类,但模糊聚类需要解决对噪声和初始化敏感的问题,提出了一种基于模糊熵聚类和粒子群优化算法的MRI脑图像分割算法。首先在模糊熵聚类算法的基础上进行改进,设计了一种利用邻域空间信息的核化模糊熵聚类的新目标函数,然后提出一种基于改进粒子群优化的新算法,最后通过最优化目标函数对MRI图像的白质、灰质和脑脊液进行分割。选取蒙特利尔神经学研究所数据库中的MRI脑图像,将所提出的算法与现有的几种聚类分割算法进行比较,仿真实验结果表明,所提出算法能够解决模糊聚类对噪声和初始化敏感的问题,实现了对高噪声MRI图像的精确分割。     

Application of SVM and its Improved Model in Image Segmentation

In the research and application of images, people are often only interested in the foreground or specific area of the image, so it is necessary to extract the specific area from the image, and image segmentation technology is the key to solving this problem. Aiming at the complex background and the color image with unclear target contour as the target image to be segmented, this paper first uses the texture and color of the image as the feature vector, and proposes an image segmentation algorithm based on SVM. The experimental results show that the segmentation accuracy is 91.23%. Secondly, in order to improve the accuracy of segmentation, the SVM algorithm is improved. The improved SVM algorithm is based on the grid search method to optimize the parameters C and g in the SVM. At the same time, the HIS color channel is added to the feature vector to obtain more Excellent SVM image segmentation model. Finally, the color image segmentation is verified and compared with the standard SVM algorithm. The experimental results show that the accuracy rate of the improved SVM algorithm reaches 97.263%, which improves the segmentation efficiency. It is verified that the improved model proposed in this paper can effectively segment complex color images.