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。     

一种复杂背景下的故障电气设备整体分割方法

针对变电站电气设备红外监测过程中，获取的红外图像背景复杂而导致故障设备定位不准确、分割难度较大等问题，提出了一种在复杂背景下对故障设备进行定位与整体分割的方法。首先，通过SLIC(Simple Linear Iterative Clustering)超像素算法对图像进行分割，并对超像素块进行Lab颜色空间转换，根据阈值判断是否存在故障并获取故障区域。然后，选取故障图像中最大联通量的较亮点作为种子，利用最大类间方差原理控制种子数目，通过改进区域生长法获取目标主体设备。最后，将故障区域与目标主体设备进行交集运算，完成对故障电气设备的整体分割。研究结果表明，该方法能有效完成复杂背景下的故障电气设备定位与整体分割。与其他分割方法相比，该方法获取的故障电气设备更加完整准确。     

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.     

一种新的图像超像素分割方法

针对现有超像素分割方法无法自动确定合适的超像素数目,以及难以有效贴合图像目标边界等问题,该文提出一种新的利用局部信息进行多层级简单线性迭代聚类的图像超像素分割方法。首先,运用基于局部信息的简单线性迭代聚类(LI-SLIC)对原始图像进行超像素初分割,然后,根据超像素的色彩标准差对其进行自适应多层级迭代分割,直至每个超像素块的色彩标准差小于预设阈值,最后,利用相邻超像素间的色彩差异对过分割的超像素进行合并。为验证方法的有效性,该文采用Berkeley, Pascal VOC和3Dircadb公共数据库作为实验数据集,并与其他多种超像素分割方法进行了比较。实验结果表明,该文提出的超像素分割方法能更精确贴合图像目标边界,有效抑制图像过分割和欠分割。     

基于红外CCD的掺钆液体闪烁体液位测量方法

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。     

一种新的结合稀疏编码的红外图像聚类分割算法

聚类作为一种重要的图像分割方法得到了大量研究,提出了一种新的结合稀疏编码的红外图像聚类分割算法,扩展了传统的基于K-means聚类的图像分割方法。结合稀疏编码的聚类算法能有效融合图像的局部信息,而且易于利用像素之间的内在相关性,但是对于分割会出现过分割和像素难以归类的问题。为此,在字典的学习过程中,将原子的聚类算法引入其中,有助于缩减字典中原子所属类别的数目防止出现过分割;同时将稀疏编码系数同原子对聚类中心的隶属程度相结合来判断像素所属的类别。这种处理方式能更好地实现利用像素的内在相关性进行聚类分割,并在其中自然引入了局部空间信息,达到更好分离目标区域和背景区域的目的。实验结果表明,结合稀疏编码的K-means聚类分割算法能更好的实现复杂背景下红外图像重要区域的准确分割提取。     

基于meanshift滤波和蚁群聚类的复杂红外目标分割

提出了一种复杂背景下红外目标分割的有效方法.该方法首先利用meanshift的自适应平滑滤波特性,在不损失目标信息的情况下,滤除复杂背景的杂波干扰;然后根据滤波得到的区域,用蚁群方法在区域之间进行聚类合并,获得最终的分割结果.采用区域来表征蚂蚁,与基本蚁群算法将每个像素看作一只蚂蚁相比,其蚂蚁个数大大减少,因而减小了计算的复杂度,提高了图像处理的效率.在蚁群算法中引入了一种新的引导函数,可以更准确引导蚁群聚类.实验结果表明,该方法可以准确地分割出目标,是一种快速有效的图像分割方法.     

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。     

动态背景下运动车辆的检测与跟踪研究

为实现对车载设备视频图像中车辆的识别和跟踪,针对图像中的运动目标和动态背景,提出了一种基于特征学习的目标检测和超像素跟踪算法.该算法首先对训练图像进行HOG特征提取,并利用AdaBoost算法得到强分类器.利用强分类器对采集的图像进行车辆检测,从而确定搜索区域.结合对搜索区域的超像素分割结果,采用均值漂移聚类算法实现车辆识别与跟踪.实验结果表明,该算法可以很好地实现视频序列中的车辆识别,提高了目标跟踪的实时性.     

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.