面向RGBD图像的标记分水岭分割

目的 针对分水岭分割算法中存在的过分割现象及现有基于RGB图像分割方法的局限,提出了一种基于RGB图像和深度图像(RGBD)的标记分水岭分割算法。方法 本文使用物体表面几何信息来辅助进行图像分割,定义了一种深度梯度算子和一种法向量梯度算子来衡量物体表面几何信息的变化。通过生成深度梯度图像和法向量梯度图像,与彩色梯度图像进行融合,实现标记图像的提取。在此基础上,使用极小值标定技术对彩色梯度图像进行修正,然后使用分水岭算法进行图像分割。结果 在纽约大学提供的NYU2数据集上进行实验,本文算法有效抑制了过分割现象,将分割区域从上千个降至数十个,且获得了与人工标定的分割结果更接近的分割效果,分割的准确率也比只使用彩色图像进行分割提高了10%以上。结论 本文算法普遍适用于RGBD图像的分割问题,该算法加入了物体表面几何信息的使用,提高了分割的准确率,且对颜色纹理相似的区域获得了较好的分割结果。     

结合分水岭的纹理梯度各向异性图像分割

目的 目前,许多图像分割算法对含有丰富纹理信息的图像的分割效果并不理想,尤其是在不同纹理的边缘信息的保持方面。为了解决这一问题,提出一种基于连续纹理梯度信息的各向异性图像分割算法。方法 在分水岭算法的基础上,引入纹理梯度各向异性算法,能够在避免纹理信息影响分割效果的前提下,最大限度地保证纹理边缘信息的完整。针对纹理特征数据敏感的特性,本文将离散的图像高度信息映射到连续的纹理梯度空间,能够有效减少由细小差异造成的过分割现象。结果 本文方法在BSD500 Dataset和Stanford Background Dataset中选择了大量的纹理信息丰富的图片与最新的分割算法进行了实验与对比。本文方法在分割效果（降低过分割现象）、保持边缘信息和分割准确率等方面均获得明显改进,并在图像分割的平均准确率方面与最新算法进行比较发现,本文算法的平均分割准确率达到90.9%,明显超过了其他最新算法,验证了本文方法的有效性。结论 本文提出的基于分水岭的纹理梯度各向异性算法对纹理图像的分割具有保边和准确的特点,采用连续梯度空间的方法能够有效地减少传统分水岭算法的过分割现象。本文方法主要适用于纹理信息丰富（自然纹理和人工纹理）的图片。     

背景吸收的马尔可夫显著性目标检测

目的 现有的基于马尔可夫链的显著目标检测方法是使用简单线性迭代聚类（SLIC）分割获得超像素块构造图的节点,再将四边界进行复制获得吸收节点,但是SLIC分割结果的好坏直接影响到后续结果,另外,很大一部分图像的显著目标会占据12个边界,特别是对于人像、雕塑等,如果直接使用四边界作为待复制的节点,必然影响最终效果。针对以上存在的缺陷,本文提出一种背景吸收的马尔可夫显著目标检测方法。方法 首先通过差异化筛选去除差异较大的边界,选择剩余3条边界上的节点进行复制作为马尔可夫链的吸收节点,通过计算转移节点的吸收时间获得初始的显著图,从初始显著图中选择背景可能性较大的节点进行复制作为吸收节点,再进行一次重吸收计算获得显著图,并对多层显著图进行融合获得最终的显著图。 结果 在ASD、DUT-OMRON和SED 3个公开数据库上,对比实验验证本文方法,与目前12种主流算法相比,在PR曲线、F值和直观上均有明显的提高,3个数据库计算出的F值分别为0.903、0.544 7、0.775 6,验证了算法的有效性。结论 本文针对使用图像边界的超像素块复制作为吸收节点和SLIC分割技术的缺陷,提出了一种基于背景吸收马尔可夫显著目标检测模型,实验表明,本文的方法适用于自底向上的图像显著目标检测,特别是适用于存在人像或雕塑等目标的图像,并且可以应用于图像检索、目标识别、图像分割和图像压缩等多个领域。     

肺实质CT图像细化分割

目的 由于肺部CT图像中各组织结构复杂、灰度分布不均匀,造成肺实质部分难以准确分割和提取。为了提高肺实质分割的准确率,本文提出了一种基于超像素的细化分割与模糊C均值聚类相结合的自动分割算法。方法 该算法充分利用肺部CT图像的灰度、纹理特征,同时为了正确标记超像素的分类,引入一种空间邻域信息来增强空间约束进而有效地解决灰度不均匀的问题,它能够对肺实质进行分割并除去其周围的主血管,然后利用形态学知识去除肺部的分支血管。结果 在临床患有四类疾病的患者CT图像数据集上采用改进的图像特征,使得肺实质分割的准确率提高了0.8%。同时,算法准确率提高到99.46%。结论 实验结果表明,本文算法能够实现肺部CT图像肺实质的自动细化分割,结果准确适用。该算法鲁棒性好、速度快,是一种精确有效的自动肺实质分割方法。     

阈值标记的分水岭彩色图像分割

目的 针对传统分水岭算法中产生的过分割问题,提出一种基于阈值标记的分水岭彩色图像分割算法。方法 该方法将分水岭算法直接应用到原始梯度图像上而不是简化之后的图像,这样做的目的是可以保护边缘信息不受损失;利用不同尺寸结构元求取彩色图像形态学梯度,解决了关于保护边缘和图像简化之间的矛盾。同时算法设计一种阈值自动选取与标记提取方法,从梯度的低频成分中提取与物体相关的局部极小值,用这些极小值构成的二值图像强制标定原始梯度图像,在修改后的梯度上进行分水岭分割。结果 在仿真实验中,利用本文算法针对不同RGB彩色图像进行分割,获得准确、连续封闭的分割边界,与其他同类方法相比,得到符合人类视觉的最小分割区域数,同时在运行效率上也有很大提高。结论 该方法可以自适应提取标记而不需要先验知识,有效解决了分水岭算法的过分割问题,相对于传统的算法,提高了分割性能,有较好的适用性和鲁棒性,可将其应用于机器视觉、生物医学以及高光谱遥感图像分割领域。     

自适应梯度重建分水岭分割算法

目的 针对灰度分水岭算法存在过分割且难以直接应用到彩色图像分割的问题,提出一种自适应梯度重建分水岭分割算法。方法 该方法首先利用PCA技术对彩色图像降维,然后计算降维后的梯度图像,并采用自适应重建算法修正梯度图像,最后对优化后的梯度图像应用分水岭变换实现对彩色图像的正确分割。结果 采用融合了颜色距离、均方差和区域信息的性能指标和分割区域数对分割效果进行评估,对不同类型的彩色图像进行分割实验,本文算法在正确分割图像的同时获得了较高的性能指标。与现有的分水岭分割算法相比,提出的方法能有效剔除图像中的伪极小值,减少图像中的极小值数目,从而解决了过分割问题,有效提升了分割效果。结论 本文算法具有较好的适用性和较高的鲁棒性。     

GPU加速的交互式医学CT图像区域分割

目的 为了解决交互式医学CT图像区域分割问题,本文提出了基于证据推理规则的区域生长算法(ERRG)。方法 算法综合考虑了医学图像的灰度直方图,Gabor特征和灰度共生矩阵能量3个重要特征,采用Bhattacharyya系数度量相邻像素的相似程度,用效用函数将度量系数合并。针对算法计算效率较低问题,对算法进行并行化,采用GPU进行加速处理。结果 本文算法与基于Random-Walk图像分割算法针对医学CT胃部图像,进行对比实验,表明使用本文算法,真阳性目标像素数占目标区域所有正确像素数的比例(TPF)显著提高,背景像素错误地分割为目标像素的数目占背景正确像素数的比例(FPF)显著降低;通过GPU加速后,算法执行效率显著提高,加速比达到12。结论 本文算法减少了医学CT图像过分割现象,采用GPU加速后能够实现实时交互式医学CT图像分割。     

结合格式塔完形规则的自然图像分割

目的 由于自然图像容易受到光照等因素的影响,其分割精度往往达不到人类视觉感知的需求,为此提出了一种新的结合格式塔完形规则的自然图像分割方法。方法 首先采用Ncut算法对原图像进行过分割得到若干个子区域,这些局部子区域能弱化光照、背景模糊等自然因素的影响;然后引入格式塔完形规则对区域进行度量,提出了基于区域的量化计算模型,进一步弱化了自然因素的影响,而且所得的区域率更加符合人的视觉感知;最后在区域率的基础上提出了新的合并算法,该算法简单且执行效率高,通过区域合并得到最终的分割结果。结果 30幅图像的定量和目视对比实验表明,本文算法不仅能够很好地将格式塔完形规则应用到图像分割上来,而且对比实验表明,本文算法在评价指数PRI、VOI、GCE上总体性能要优于其他算法,与人工标注的结果比较接近。结论 提出了一种结合格式塔完形规则的自然图像分割方法,该方法在过分割的基础上,采用格式塔完形规则对区域进行度量,有效降低了自然图像易受自然因素的影响,提高了分割精度。实验结果表明,本文提出的结合格式塔完形规则的图像分割算法高效性而准确,但不适合于尖细物体的自然图像的分割。     

结合改进的U-Net和Morphsnakes的肝脏分割

目的 精确的肝脏分割是计算机辅助肝脏疾病诊断和手术规划的必要步骤,但由于肝脏解剖学的复杂性、邻近器官的低对比度和病态等原因,使得肝脏分割在医学图像处理领域仍然是具有挑战性的任务。针对腹部图像器官边界模糊及传统U-Net模型实现端到端的分割时精确度不高等问题,设计了一种基于改进的U-Net （IU-Net）和Morphsnakes算法的增强CT图像肝脏分割方法。方法 首先根据CT图像头文件信息对原始数据进行预处理并构建数据集,然后使用构建好的数据集训练IU-Net,训练过程中使用自定义的Dice层评测图像分割结果的准确率,最后通过OpenCV和Morphsnakes对初始分割结果进行精细分割,最终实现增强CT图像中肝脏的精确分割。结果 实验数据包括200组增强CT,160组用于训练,40组用于测试。本文算法分割准确率达到了94.8%,与U-Net、FCN-8s模型相比,具有更好的分割效果。结论 本文算法可以准确分割增强CT图像中各种形状的肝脏,能够为临床诊断提供可靠依据。     

基于各向异性扩散的医学图像分水岭分割算法

针对医学图像形态建模过程易产生过分割的问题,提出了一种基于各向异性扩散的分水岭分割算法。该算法首先对原始图像进行自适应各向异性扩散滤波,然后引入多尺度的形态梯度图像作为分水岭变换的参考图像,以突出图像中物体的边界轮廓,平滑具有均匀亮度的区域。最后,定义基于边界平均灰度和面积的区域合并准则,对分割后的区域进一步合并。实验结果表明,该算法能有效抑制过分割,具有较强的抗噪声性能,得到的分割结果可以满足医学图像建模的需要。     

基于YOLOv5和FCN-DenseNet水下图像多目标语义分割算法

带视觉系统的水下机器人作业离不开对水下目标准确的分割, 但水下环境复杂, 场景感知精度和识别精度不高等问题会严重影响目标分割算法的性能. 针对此问题本文提出了一种综合YOLOv5和FCN-DenseNet的多目标分割算法. 本算法以FCN-DenseNet算法为主要分割框架, YOLOv5算法为目标检测框架. 采用YOLOv5算法检测出每个种类目标所在位置; 然后输入针对不同类别的FCN-DenseNet语义分割网络, 实现多分支单目标语义分割, 最后融合分割结果实现多目标语义分割. 此外, 本文在Kaggle竞赛平台上的海底图片数据集上将所提算法与PSPNet算法和FCN-DenseNet算法两种经典的语义分割算法进行了实验对比. 结果表明本文所提的多目标图像语义分割算法与PSPNet算法相比, 在MIoU和IoU指标上分别提高了14.9%和11.6%; 与FCN-DenseNet算法在MIoU和IoU指标上分别提高了8%和7.7%, 更适合于水下图像分割.     

渐进式前景更新和区域关联的图像协同分割

目的 图像协同分割技术是通过多幅参考图像以实现前景目标与背景区域的分离，并已被广泛应用于图像分类和目标识别等领域中。不过，现有多数的图像协同分割算法只适用于背景变化较大且前景几乎不变的环境。为此，提出一种新的无监督协同分割算法。方法 本文方法是无监督式的，在分级图像分割的基础上通过渐进式优化框架分别实现前景和背景模型的更新估计，同时结合图像内部和不同图像之间的分级区域相似度关联进一步增强上述模型估计的鲁棒性。该无监督的方法不需要进行预先样本学习，能够同时处理两幅或多幅图像且适用于同时存在多个前景目标的情况，并且能够较好地适应前景物体类的变化。结果 通过基于iCoseg和MSRC图像集的实验证明，该算法无需图像间具有显著的前景和背景差异这一约束，与现有的经典方法相比更适用于前景变化剧烈以及同时存在多个前景目标等更为一般化的图像场景中。结论 该方法通过对分级图像分割得到的超像素外观分布分别进行递归式估计来实现前景和背景的有效区分，并同时融合了图像内部以及不同图像区域之间的区域关联性来增加图像前景和背景分布估计的一致性。实验表明当前景变化显著时本文方法相比于现有方法具有更为鲁棒的表现。     

基于分形的改进Grabcut目标自动分割

针对传统Grabcut 算法依赖人工互动,分割效率低的缺点,提出一种基于微分计盒快速算法的Differential Box-Counting Grabcut（DBC-Grabcut）方法,实现复杂自然背景下的人工目标自动分割。应用微分计盒快速算法检测出人工目标的轮廓,进而确定出Grabcut的初始分割轮廓和混合高斯模型参数,运用最小割方法分割图像,再通过少量的迭代使能量函数最小化完成目标分割。实验结果表明,该算法能够自动分割出人工目标,且分割结果较为完整,能充分保留目标的原始信息。     

强度和梯度稀疏约束下的图像平滑

目的 为了在图像平滑过程中达到更好地保留边缘去除细节效果,提出一种以像素强度和梯度的稀疏特性为双重约束的图像平滑算法。方法 该算法首先构造一个像素强度和梯度的0-范数函数,作为平滑模型的约束项;然后采用半二次变量分裂法引入辅助变量,构造最终的较易求解的平滑模型;最后利用交替最小化算法求解该模型,并在傅里叶频域内求解平滑图像的解析解,以加快算法的运行速度。结果 在自然图像上进行的平滑实验并与其他算法对比表明,本文的算法时间仅需3.42 s,比双边滤波算法快7.85 s,能够较好地满足图像平滑保留边缘去除细节的要求以及计算效率的要求。结论 本文以强度和梯度的稀疏特性为约束的图像平滑算法能够较好地去除图像中不重要的细节,保留图像的边缘特征,较好地实现了图像的平滑效果,适用于含有复杂背景噪声的图像平滑去噪及边界增强。     

基于图论的Normalized Cut图像分割方法研究

基于图论的图像分割是近年来国际上研究图像分割算法领域中一个新的热点研究方向,Normalized Cut（规一化分割）是基于图论的分割方法中比较典型的一种。本文介绍Normalized Cut方法的相关内容,分析它的优缺点并提出几种有效的改进方法。最后,实验显示Normalized Cut在特定图片的分割上取得了不错的效果。     

一种新的基于图谱理论的图像阈值分割方法

提出了一种新的图像阈值分割方法,该方法采用图谱划分测度作为区分目标和背景的阈值分割准则.采用基于灰度级的权值矩阵来代替通常所用的基于图像像素的权值矩阵来描述图像各像素的关系,因而算法所需的存储空间及实现的复杂性与其他基于图论的图像分割方法相比大大减少,从而有利于应用在各种实时视觉系统(如自动目标识别,ATR).大量的实验结果表明:与现有的阈值分割方法相比,文中提出的方法具有更为优越的分割性能.     

结合KSW和FCNN的道路场景分割

目的 随着自动驾驶技术不断引入生活,机器视觉中道路场景分割算法的研究已至关重要。传统方法中大多数研究者使用机器学习方法对阈值分割,而近年来深度学习的引入,使得卷积神经网络被广泛应用于该领域。方法 针对传统阈值分割方法难以有效提取多场景下道路图像阈值的问题和直接用深度神经网络来训练数据导致过分割严重的问题,本文提出了结合KSW（key seat wiper）和全卷积神经网络（FCNN）的道路场景分割方法,该方法结合了KSW熵法及遗传算法,利用深度学习在不同场景下的特征提取,并将其运用到无人驾驶技术的道路分割中。首先对道路场景测试集利用KSW熵法及遗传算法得到训练集,然后导入到全卷积神经网络中进行训练得到有效训练模型,最后通过训练模型实现对任意一幅道路场景图分割。结果 实验结果表明,在KITTI数据集中进行测试,天空和树木的分割精度分别达到91.3%和94.3%,道路、车辆、行人的分割精度提高了2%左右。从分割结果中明显看出,道路图像中的积水、泥潭、树木等信息存在的过分割现象有良好的改观。结论 相比传统机器学习道路场景分割方法,本文方法在一定程度上提高了分割精度。对比深度学习直接应用于道路场景分割的方法,本文方法在一定程度上避免了过分割现象,提高了模型的鲁棒性。综上所述,本文提出的结合KSW和FCNN的道路场景分割算法有广泛的研究前景,有望应用于医学图像和遥感图像的处理中。     

基于物体间支撑语义关系的室内场景彩色深度图像分割

场景理解是智能自主机器人领域的一个重要研究方向,而图像分割是场景理解的基础.但是,不完备的训练数据集,以及真实环境中的罕见情形,会导致在图像分割时存在先验知识不完备的情况,进而影响图像分割的效果.因此,提出在彩色深度(RGB–D)图像上使用抽象的支撑语义关系来解决多样的物体形态所面对的先验知识不完备问题.在先验知识不完备情况下,针对自底向上的图像分割过程中被过度分割出的物体块,首先对物体块间的支撑语义关系进行建模并计算其支撑概率,然后构造能够度量场景总体稳定性的能量函数,最后通过Swendsen-Wang割(SWC)随机图分割算法最小化该能量函数的值,将物体块间的支撑概率转化为强支撑语义关系并完成物体块合并,实现先验知识不完备情况下的图像分割.实验结果证明,结合支撑语义关系的图像分割能够在先验知识不完备的情况下,将同一物体被过度分割的部分重新合并起来,从而提升了图像分割的准确性.     

全卷积语义分割与物体检测网络

目的 目前主流物体检测算法需要预先划定默认框,通过对默认框的筛选剔除得到物体框。为了保证足够的召回率,就必须要预设足够密集和多尺度的默认框,这就导致了图像中各个区域被重复检测,造成了极大的计算浪费。提出一种不需要划定默认框,实现完全端到端深度学习语义分割及物体检测的多任务深度学习模型（FCDN）,使得检测模型能够在保证精度的同时提高检测速度。方法 首先分析了被检测物体数量不可预知是目前主流物体检测算法需要预先划定默认框的原因,由于目前深度学习物体检测算法都是由图像分类模型拓展而来,被检测数量的无法预知导致无法设置检测模型的输出,为了保证召回率,必须要对足够密集和多尺度的默认框进行分类识别;物体检测任务需要物体的类别信息以实现对不同类物体的识别,也需要物体的边界信息以实现对各个物体的区分、定位;语义分割提取了丰富的物体类别信息,可以根据语义分割图识别物体的种类,同时采用语义分割的思想,设计模块提取图像中物体的边界关键点,结合语义分割图和边界关键点分布图,从而完成物体的识别和定位。结果 为了验证基于语义分割思想的物体检测方法的可行性,训练模型并在VOC（visual object classes）2007 test数据集上进行测试,与目前主流物体检测算法进行性能对比,结果表明,利用新模型可以同时实现语义分割和物体检测任务,在训练样本相同的条件下训练后,其物体检测精度优于经典的物体检测模型;在算法的运行速度上,相比于FCN,减少了8 ms,比较接近于YOLO（you only look once）等快速检测算法。结论 本文提出了一种新的物体检测思路,不再以图像分类为检测基础,不需要对预设的密集且多尺度的默认框进行分类识别;实验结果表明充分利用语义分割提取的丰富信息,根据语义分割图和边界关键点完成物体检测的方法是可行的,该方法避免了对图像的重复检测和计算浪费;同时通过减少语义分割预测的像素点数量来提高检测效率,并通过实验验证简化后的语义分割结果仍足够进行物体检测任务。