水平集超像素及贝叶斯框架下的显著性检测

针对数字图像显著性检测过程中对超像素的分割及相应显著值的计算不准确问题,提出了一种基于水平集超像素和贝叶斯框架的数字图像显著性检测和更新算法.首先,对基于灰度不均匀的水平集方法的结果先进行分割合并操作,可以得到适应图像不同区域大小的水平集超像素.其次,使用图像内部与边缘超像素之间的颜色和距离差异来构建显著性图.接着,使用水平集超像素来表示显著区域,以图像边缘部分的超像素为基础,基于K均值聚类算法并在贝叶斯框架下提出三种更新算法,用来更新显著性图从而得到显著性结果;更新算法可以进一步提高显著图的准确率、召回率、F值这3个指标,降低平均绝对误差.最后,提出了基于人脸识别的检测算法来处理包含有人的图片.在三个公开的数据库上进行了定性和定量的大量实验评测,结果表明本文提出的显著性检测方法和更新算法在准确率、召回率、F值及平均绝对误差这四个指标上均优于FT、CA、XL、MR、w CO、BSCA等已有的图像显著性检测经典算法.     

基于稀疏自表示的模糊聚类图像分割算法

为了提高噪声污染图像分割的鲁棒性,提出一种基于稀疏自表示的模糊C均值聚类图像分割算法。该算法首先将图像过分割为超像素,以超像素作为图像基元,对每一块超像素进行特征提取,所有超像素的特征组成图像的特征矩阵;其次建立特征矩阵的稀疏自表示模型,将其以自身为字典时的表示系数作为表示样本间相关性的判别特征矩阵;最后利用模糊C均值聚类算法聚类图像的判别特征矩阵,得到图像的分割结果。对人造图像、自然图像和遥感图像添加高斯噪声和椒盐噪声,实验结果表明,改进算法对噪声污染的图像有较好的分割质量,有一定的抗噪鲁棒性。     

基于超像素和最近邻图合并的彩色图像分割

针对传统的分水岭算法在分割图像时存在过分割的问题,提出了一种基于多尺度形态学梯度重建与最近邻图合并准则的分水岭图像分割方法.该方法首先使用基于标记符控制的多尺度形态学梯度重建进行图像预处理,消除冗余的区域极值和噪声;然后通过构建最近邻图合并准则进一步对分水岭变换产生的超像素区域进行合并,提高了对目标特征的描述能力,使得算法在分割前景目标的同时也能获得背景目标的特征信息.实验结果表明,该方法能够较好地将相似的区域进行合并,与传统分水岭分割方法相比,可以有效弱化过分割问题,大幅提升目标的分割精度.     

基于超像素的多模态MRI脑胶质瘤分割

为了提高脑胶质瘤分割的精度和鲁棒性,提出了一种基于超像素的多模态MRI脑胶质瘤分割算法。首先,通过使用带加权距离的局部k-均值聚类算法,把多模态MRI过分割成一系列均匀、紧凑、并精确吻合图像边界的超像素(superpixel)。然后应用基于序贯概率比假设检验的动态区域合并算法对产生的超像素逐步合并,形成几十个具有统计意义的区域。最后对这些区域进行后处理以得到GBM各个组织的分割结果。应用该算法对15个GBM病人的多模态MRI数据进行了分割实验,结果表明,相对于基于FCM算法和归一化割(Ncut)算法,文中提出的分割算法更加精确。     

Hough变换和区域分离-合并相结合的分割算法

针对传统区域分离-合并算法中过分割的问题,提出一种基于边缘提取和区域分离-合并相结合的分割算法。即利用Canny算子对图像进行边缘提取,得到边缘像素集。然后将像素集作为边缘线,采用区域分离-合并算法进行图像分割。由于Canny算子所提取的像素集是不完整的,所以需要用Hough变换对其进一步完善,得到连续的边缘线。该算法能够提高区域分离-合并算法的精确度,较好地解决其过分割的问题。实验结果表明,该算法有效。     

基于深度超像素的超图谱分割方法

为提高无监督图像分割准确性,提出一种新的基于深度超像素的超图谱分割方法。首先,通过多种过分割方法得到超像素,以迭代的方式两两求交集表示为深度超像素,作为超图的顶点。其次,根据超像素和深度超像素之间的关联性构建超边,形成超图模型。最后,通过对超图拉普拉斯矩阵进行谱分解将超像素聚成不同的类,从而得到图像的分割结果。相较于经典方法,新方法在伯克利分割图像库上产生更好的分割结果,验证了该方法的有效性。     

一种基于色彩统计的图像分割算法研究

介绍了一种基于色彩统计的图像分割方法,该方法主要包括两步:色彩量化和区域分割.在第一步中,选择一种基于统计聚类的算法来实现色彩量化.将所有的图像像素以少数对应的色彩标记来代替,进而形成图像级别图.此方法的重点在第二步,对得到的图像级别图做出色彩标记分布和色彩直方图的统计,并据此来寻找种子区域,同时分析图像中的色彩特征,实现种子区域的快速增长和合并.实验结果表明,此分割算法在分割效果和计算时间上均有较好性能,可以将其应用于目前系统稳定性要求和用户需求都较高的图像检索领域.     

图像分割中无向概率图模型研究

针对有限信息中获取图模型结构的困难,构造了一个框架来学习无向图模型的结构。它可以表示变量之间的空间关系,也可应用于图像分割问题。使用以超像素为节点来学习概率图模型的结构构建图像分割体系,将L1正则化方法用于学习图模型的结构。采用条件随机场对图像超像素区域的相互作用和度量进行建模,通过超像素区域特征和区域标签间的相互作用对图像进行分割。实验表明,同其他方法相比较,所提出的分割算法效果良好。     

基于多尺度联合分割的SAR图像电力线走廊变化检测

基于多尺度联合分割方法,提出一种SAR图像电力线走廊变化检测算法。该算法首先通过TurboPixels算法对多时相SAR图像电线塔走廊进行多尺度联合过分割,每个过分割区域即为一个"超像素";然后根据超像素区域的统计分布差异计算每个尺度上的差异度;最后融合多尺度差异,利用自动阈值提取最终的变化检测区域.实验结果表明该算法具有较为满意的变化检测效果.     

面向高光谱图像分类的超像素级Gabor特征融合方法研究

由于高光谱图像中的地物空间分布具有规整性和局部连续性,同时超像素分割是一种将空间图像分割成多个同质区域的有效方法,因此从超像素的角度进行高光谱图像分类将具有重要意义.本文提出了一种超像素级Gabor特征融合的高光谱图像分类方法,简称为SPGF.首先,使用一组预定义的二维Gabor滤波器与原始高光谱图像进行卷积运算,提取有效特征.同时,利用简单线性迭代聚类(简称SLIC)超像素分割方法将原始高光谱图像划分成互不重叠的超像素.然后,对于每个Gabor特征模块,利用支持向量机分类器进行分类,并使用多数投票策略实现各模块分类结果的融合.最后,使用通过SLIC算法得到的超像素图对分类结果进行修正.在2个真实高光谱数据集上的实验结果表明,本文提出的SPGF方法能够比领域内的一些经典算法获得更高的分类效果.     

基于简单线性迭代聚类和快速最近邻区域合并的图像分割算法

针对传统区域邻接图在描述数据结构时,搜索全局最优解难的问题,提出了一种基于简单线性迭代聚类(SLIC)和快速最近邻区域合并的图像分割算法。该方法在区域邻接图基础上引入了最近邻接图来优化全局搜索,首先用SLIC超像素算法将图像分割成小区域,利用区域邻接图(RAG)和最近邻接图(NNG)的邻接表数据结构来描述区域之间的关系,然后计算每个待合并区域与其所有邻接区域之间的不相似度函数值,最后合并不相似度值最小的区域。实验结果表明:本文方法能较好地将最相似的区域进行合并,与传统的区域合并算法相比,降低了合并计算的复杂度,大幅度提高了区域合并的准确性。     

基于加权多核子空间聚类的图像分割方法

为了解决单核子空间聚类算法在图像分割任务中无法较好地处理数据非线性结构和噪声等问题，提出了一种基于非凸低秩子空间聚类的图像分割方法。首先，采用自适应形态学重构种子分割方法对梯度图像进行逐点最大值运算，将图像预分割为不同区域大小的超像素图像，弥补了超像素分割算法过度分割的缺陷；其次，对超像素块进行颜色特征提取，并堆叠成数据矩阵输入到多核子空间聚类算法中；再根据子空间表示求解系数矩阵，进而构造出亲和矩阵；最后，输入谱聚类中得到最终的分割结果。在公共数据集上的对比实验结果表明，所提方法取得了最佳的聚类性能和分割效果。     

EM算法在纹理织物图像分割中的应用

提出了一种基于多特征值高斯混合模型（Gaussian Mixture Model）期望最大化（Expectation Maximization,EM）聚类的图像分割算法.该算法采用YCbCr彩色空间提取每个像素点的颜色特征,选择像素点邻近的一个方块计算每个像素点的纹理特征,然后采用基于高斯混合模型的EM算法对图像每个像素进行聚类,根据聚类结果进行区域合并得到纹理织物图像分割的最终结果.通过和其他分割算法进行对比,此算法具有较好的分割效果.     

球面图像的SLIC算法

简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割算法可以直接用于等距柱状投影(equirectangular projection,ERP)的球面图像,但是投影所造成的球面数据局部相关性破坏,会导致SLIC算法在ERP图像的部分区域无法生成合适的超像素分类,从而影响该算法的性能.为解决这一问题,首先对ERP格式的球面图像进行重采样,生成球面上近似均匀分布的球面像元数据;然后在保持球面图像数据局部相关性的基础上,将重采样数据重组为一个新的球面图像二维表示;并基于此二维表示,将球面数据的几何关系整合到SLIC算法中,最终建立球面图像SLIC算法.针对多组ERP图像分别应用SLIC算法和本文提出的算法,对比2种算法在不同聚类数量下的超像素分割结果.实验结果表明:所提出的球面图像SLIC算法在客观质量上优于原SLIC算法,所生成的超像素分割结果不受球面区域变化影响,且轮廓闭合,在球面上表现出了较好的相似性和一致性.     

基于超像素和密度峰值聚类的图像分割

图像分割是计算机视觉领域的一个重要组成部分。密度峰值聚类已应用于图像分割领域。但由于密度峰值聚类在聚类时只能考虑数据的全局空间信息,不能有效去除图像噪声,因此提出了一种超像素的图像预处理方法。该方法能充分考虑局部空间信息,具有较强的鲁棒性。通过改进的形态梯度重建和分水岭算法得到具有精确轮廓且去噪效果较好的超像素图像。在此基础上,加入密度峰值聚类完成后续分割。通过在光学图像数据集BSDS 500上进行实验,验证了超像素算法及图像分割算法的有效性。     

基于最小栅栏距离的图像超像素分割方法

针对区域规则性和分割有效性,对图像超像素分割方法进行研究,提出一种基于最小栅栏距离的快速超像素分割方法。最小栅栏距离考虑了测地路径上像素的最大强度差异,避免了传统测地路径的误差累积造成的模糊边界欠分割问题;采用快速行军法逐步扩张超像素的成员,以快速生成超像素分割区域。在BSDS500图像分割数据集上进行实验,其结果表明,该方法不仅获得了快速的分割性能,同时获得了具有联通一致性的超像素区域。     

基于随机区域移位和随机像素映射的图像加密

提出基于随机区域移位和随机像素映射的图像加密算法.该算法首先对待加密图像进行分割,然后将分割出来的图像单元顺序随机打乱,扰乱了图像的原始信息;然后再对每个图像单元进行像素映射扰乱,切断了各个单元像素值之间的联系.该算法结合了区域移位算法和像素映射算法的优点.计算机模拟表明该算法自由度大、保密性强,对二值图像和灰度图像加密都取得了很好的效果.     

结合马氏距离的区域化模糊聚类遥感图像分割

传统模糊聚类算法通常将像素光谱测度间的欧式距离作为相似性准则,其仅适用于同质区域内像素光谱测度呈对称分布的图像.同时,基于像素的图像分割算法极易受噪声干扰,导致该类算法难以适用于高分辨率遥感图像分割.因此,提出结合马氏距离的区域化模糊聚类遥感图像分割算法,该算法以Voronoi多边形为基本单元,令多边形内所有像素与该多边形具有同一类属性,并采用马氏距离定义非相似性测度.此外,在目标函数中引入马氏距离规则化项以控制聚类尺度,进而构建区域化高分辨率遥感图像分割模型.通过对合成及真实遥感图像分割结果的定性及定量分析,证明了提出算法具有较强的鲁棒性.     

SLIC超像素与Inception网络的路面裂缝识别方法

沥青路面图像存在大量点状噪声及裂缝不连续的问题,给识别精确度带来挑战,为此,提出了一种结合超像素分割与Inception网络的裂缝识别方法,首先采用超像素分割方法对路面图像进行初始分割,再利用Inception网络对超像素分割结果进行分类,实现对裂缝的粗分割及裂缝区域的准确定位;其次通过像素级与超像素级形态学方法提取裂缝主干,还原裂缝完整形态。与传统图像分割算法相比,有效降低了提取裂缝区域误差,完成裂缝快速准确定位,更适用于实际采集的路面图像裂缝识别。     

基于信息熵的OTSU二次分割算法

OTSU算法是以图像的背景和目标之间的最大类间方差为测度准则,该算法由于未考虑到目标与背景内部像素分布的均匀性问题而影响分割效果.当背景和目标的类内方差的差别较大时,OTSU算法求出的阈值将偏向方差大的那一类,从而将类内方差较大的那一类数据中的部分像素划分到类内方差较小的那一类中,造成图像的错分割.针对这个问题,本文提出了一种基于信息熵的OTSU二次分割算法,将信息熵理论与OTSU算法相结合,在OTSU算法的基础上加入信息熵.该算法首先用OTSU算法求出图像的阈值,然后根据该阈值对图像进行分割,最后根据信息熵的理论对错分割像素进行分割.为了证明本文算法的有效性,将本文算法与常用的分割算法进行了比较,并采用分割精度来判断分割的性能.实验结果表明,本文算法相较于其他算法,能够得到更高的分割精度,有效地改善图像的错分割现象.