基于SLIC和区域生长的目标分割算法

传统区域生长算法的分割结果依赖于种子点的选取,且图像自身的噪声以及灰度值不均匀等问题易在分割目标过程中形成分割空洞,针对以上问题提出了基于超像素的改进区域生长算法。采用拉普拉斯锐化,增强待分割目标边界,之后根据像素灰度相似的特征采用SLIC（简单线性迭代聚类算法）超像素分割将原始图像分割成若干不规则区域,建立不规则区域间的无向加权图,选取种子区域,根据无向加权图以分割好的不规则区域为单位进行区域生长,最后在分割目标边缘处以像素为单位做区域生长,细化边界。对比于传统区域生长算法,改进后的算法在分割结果上受种子点选取影响较小,且能有效地解决分割空洞等问题。对比于聚类分割,Otsu（最大类间方差）阈值分割法等典型算法,该算法在分割精度上具有明显优势。     

基于Mean-shift的粘连人体目标分割算法

人体目标分割是人体目标视觉分析的关键问题之一。提出了一种基于Mean-shift的粘连人体目标分割算法。首先对视频图像进行预处理,从中分离出运动区域,根据人体外形的统计特征建立人体目标模板。在运动区域中均匀取若干个数据点作为种子点。从种子点出发,基于人体目标模板,应用Mean-shift算法不断迭代逼近模态点。对取得的模态点集合进行聚类,从而自动确定分类数,即运动区域中的人体目标数,并进行合理分割。基于PETS 2006数据库的试验验证了该方法的可行性。     

一种基于区域生长的CT序列图像分割算法

提出一种基于区域生长的CT序列图像的分割算法。在第一张待分割目标区域中选取一个种子点,利用四领域的生长规则对种子点进行区域生长,得到一组点集,将这个点集投影到下一张CT图像中,得到一组新的点集,再提取该点集的轮廓,最后对该轮廓上的点进行四领域的区域生长,分割出最终的目标区域。实验结果表明,该分割算法不仅适用于简单的图像分割问题,而且对于背景复杂、光照不均匀的图像也能取得较好的分割效果。     

一种增量迭代方式下的特征向量聚类方法

采用一种数据组织方式,提出一种特征向量聚类方法。首先选取特征空间中一些容易聚类的高密度数据点作为初始种子集合,并对其进行聚类。然后从剩下的数据点中选取种子集合的所有k近邻数据点,通过半监督判别式分析方法将当前种子集合及其k近邻数据投影到一个新的投影空间中,在该空间中对这些数据点再进行聚类,得到新的聚类结果,并将这些k近邻数据添加到当前种子集合中。通过迭代上述步骤,当种子集合的k近邻数据为空集时,算法结束。实验表明,该聚类方法优于经典的K-means、均值漂移、谱聚类等算法。     

基于生长树的遗传聚类算法研究*

分析了目前基于目标函数聚类算法的不足,面对形状复杂且非重叠的样本聚类问题,定义了最邻近距离和生长树的概念。随机选取生长树初始种子点,以最邻近距离作为生长树生长的方向和样本划分依据,以最终生长树大小为聚类目标函数,引入遗传算法,提出基于生长树的遗传聚类算法,并通过实例进行了算法测试和比较。算法测试表明：基于生长树的遗传聚类算法对于形状复杂且非重叠样本的聚类是完全可行和有效的。     

一种基于代表点和点密度的聚类算法

针对基于密度的聚类方法不能发现密度分布不均的数据样本的缺陷,提出了一种基于代表点和点密度的聚类算法。算法通过检查数据库中每个点的k近邻来寻找聚类。首先选取一个种子点作为类的第一个代表点,其k近邻为其代表区域,如果代表区域中的点密度满足密度阈值,则将该点作为一个新的代表点,如此反复地寻找代表点,这些区域相连的代表点及其代表区域将构成一个聚类。实验结果表明,该算法能够发现任意形状、大小和密度的聚类。     

电力设备红外图像分割的自适应聚类区域生长法

为了提高图像分割的精度，提出一种自适应聚类的区域生长法。提出一种新的自适应聚类选种，实现种子点的自动选取。提出基于全局的灰度阈值和梯度阈值作为生长准则进行生长。利用形态学腐蚀去除小型电力设备的干扰。实验结果表明，与传统分割方法相比，该方法有效地提高了电力设备红外图像的分割效果，同时验证在不同噪声强度的干扰下，该方法具有良好的鲁棒性。     

车载激光点云中杆状目标自动提取

针对车载激光扫描数据中杆状目标点云自动提取易受临近地物干扰的问题,提出了一种基于扫描线聚类判别的杆状目标自动提取方法。该方法根据不同地物在扫描线数据中的形态,设计了从单条扫描线到多条扫描线的数据处理流程。首先对单条扫描线上的点进行距离聚类,得到不同的地物横剖面点集;然后根据点集内点的数量和杆状目标在扫描线上的分布形态,对聚类点集进行杆状目标种子点集判别;最后在疑似杆状目标种子点集的平面投影位置处,对多条扫描线进行点集聚类和去噪处理得到杆状目标点云。实验分析表明,针对不同的激光扫描数据,该方法能有效降低临近地物干扰,提取出道路两侧的杆状目标。     

基于改进区域生长的水岸线提取方法研究

针对无人船在水面目标识别及视觉导航中涉及到的水岸分割问题,提出了一种基于改进区域生长的水岸线提取方法。首先在Lab颜色空间对图像进行阈值分割,得到水面种子点候选区域;然后通过构建最小二乘问题在种子点候选区域自动选取最优初始种子点,并基于图像标准差实现生长规则阈值自适应;最后依据初始种子点和生长规则进行区域生长,并对得到的水面区域进行边缘提取,从中分离出水岸分界线。采用该方法对水岸样本图像进行实验,通过相关系数和偏移误差对水岸线提取结果进行评价。实验结果表明,该方法能够提取出复杂环境下的水岸线,具有一定的鲁棒性,且基本满足实时性要求。     

基于分水岭的多目标核聚类图像分割

传统的聚类图像分割方法一般仅仅利用图像中的灰度信息。为了更好地利用图像中的区域和边缘信息,提出一种基于分水岭过分割的多目标模糊核聚类图像分割算法。该算法采用分水岭算法获得图像的过分割区域,采用多目标模糊核聚类算法对区域代表点和分水岭上的像素进行聚类。根据聚类结果将图像中的像素进行标记,得到最终的分割图像。实验结果表明,由于利用了图像区域信息,使得目标能够比较完整地从背景中分离出来。     

统计聚类模型研究综述

聚类分析在工程领域如生物序列分析、图像分割、文本分析等广泛应用。聚类方法涉及广泛,而基于概率统计理论的方法是其中的一大类。从最基本的FCM模型出发,阐述了势函数(Potential)、山脉(Mountain)函数聚类方法、信息熵方法,分析比较了这些方法的适用范围和优缺点,介绍了当今流行的核聚类、谱聚类和高斯混合模型聚类方法及其求解过程,并分析了它们的优缺点、计算复杂性等指标。最后,介绍了一些崭新的聚类模型的研究方向。     

一种新的红外图像快速分割方法研究

研究红外图像目标分割快速优化问题。在高分辨率红外图像的分割中,红外图像存在数据量大、目标的边缘模糊和噪声较大等导致分辨率低和实时性差。为了快速准确分割,提出基于低尺度分割阈值预测的快速红外图像分割方法(LFIRS)。首先建立尺度阶数计算模型以确定保留原始红外图像目标基本信息所需的最小尺度,在分析多尺度过程对具有目标/背景强相关特性的红外图像进行分割阈值,建立多尺度红外图像分割阈值的相关模型(CLM),结合经典二维阈值法得到的最低两个尺度的阈值CLM模型参数,可以通过CLM模型与最小尺度的快速获取原始尺度的分割阈值,实现红外图像的快速分割。实验结果表明,改进方法提高了图像分辨和分割速度,且改善了分割效果。     

A stochastic gravitational approach to feature based color image segmentation

In this paper, a novel image segmentation algorithm based on the theory of gravity is presented, which is called as “stochastic feature based gravitational image segmentation algorithm (SGISA)”. The proposed SGISA uses color, texture, and spatial information to partition the image into homogenous and semi-compact segments. The proposed method benefits from the advantages of both clustering and region growing image segmentation techniques. The SGISA is equipped with a new operator called “escape” that is inspired by the concept of escape velocity in physics. Moreover, motivated by heuristic search algorithms, we incorporate a stochastic characteristic with the SGISA, which gives algorithm the ability to search the image for finding the fittest regions (pixels) that are suitable for merging. Several experiments on various standard images as well as Berkley standard image database are reported. Results are compared with a well-known clustering based segmentation method, C-means, a gravitational based clustering method (SGC), and the well-known mean-shift method. The results are reported using unsupervised criteria and pre-ground-truthed measures. The obtained results confirm the effectiveness of the proposed method in color image segmentation.     

结合模糊聚类算法的图像分割方法

在介绍聚类分析原理的基础上,比较了几种聚类分割算法,得出了模糊C-均值聚类方法在图像分割中的优势.最后,基于排列组合熵和灰度特征,结合模糊C-均值聚类算法对图像纹理进行分割.实验结果表明,该方法既能快速地分割图像,又具有较好的抗噪能力,分割效果较为理想.     

基于区域生长和蚁群聚类的图像分割*

提出了一种基于区域生长和蚁群聚类的图像分割方法——BRGAC。该方法首先用区域生长法对图像作初始分割,然后利用蚁群算法搜索最优解的能力,在区域之间进行聚类合并,获得最终的分割结果。BRGAC算法不但克服了区域生长得不到有意义区域的不足,而且还大大提高了蚁群聚类算法的搜索时间,并利用初始分割后的空间信息和灰度信息定义了一种新的引导函数,可更准确有效引导蚁群聚类。实验结果表明,该方法可以准确地分割出目标,是一种有效的图像分割方法。     

应用模糊增强及均值漂移实现红外目标分割

针对复杂环境下红外图像信噪比和对比度低,边缘模糊,目标分割困难的情况,提出一种基于模糊增强和均值漂移图像滤波的红外目标分割方法。首先定义新的隶属度函数,运用模糊集理论进行红外图像增强,避免了传统模糊增强算法的弊病,有效提高目标与背景的对比度;之后利用ICI（交叉置信区）规则确定均值漂移的带宽参数,提出一种新的自适应带宽均值漂移图像滤波方法,实现图像的进一步平滑和聚类;最后利用自适应阈值实现红外目标分割。实验结果表明,算法能够正确有效地分割出复杂环境下的红外目标,并且很好地保持了目标的轮廓细节。     

基于分裂式K均值聚类的图像分割方法

模糊C均值聚类(FCM)算法是一种有效的无监督图像分割方法,适用于任意分类数,不需要预知图像特征,但其聚类效果直接受待分类样本噪声和分类初始条件的影响。因此,提出了一种适用于彩色图像分割的分裂式K均值聚类(FKM)算法,该算法首先使用中值滤波对分类样本去噪,然后使用一种分裂聚类法对图像样本进行预分类,得到一组样本集初始划分,最后以这组划分为起点,使用基于概率距离的K均值聚类对图像分割进行迭代优化。实验结果表明,该算法可以避免FCM的误分类,诸如陷于中心死区、中心重叠和局部极小值,而且提高了分割速度。     

二型模糊融合的尺度约束多分辨率FCM分割

针对传统多分辨率模糊聚类图像分割算法的不足,提出了将二型模糊应用于多分辨率模糊聚类图像分割的新方法.将最粗尺度图像的聚类中心作为下一较细分辨率图像的初始聚类中心,并采用较粗分辨率图像聚类的类内最大距离对细分辨率图像的模糊聚类目标函数进行约束.对较小的粗分辨率图像进行了模糊隶属度扩展,得到一组隶属度值,再采用二型模糊算法有效融合该隶属度集合,完成聚类分割.实验结果表明,该算法能有效实现目标区域分离,获得理想分割效果.     

不同形状邻域空间信息的模糊聚类图像分割

在经典的融合空间信息的模糊聚类图像分割方法中,图像像素的空间信息大,都采用正方形的邻域窗来获取。为了更好地分割出图像中的边界及细节信息,对不同形状邻域空间信息的模糊聚类图像分割进行了研究。在该方法中,首先采用圆形、三角形和菱形邻域窗获得图像像素的空间信息,然后分别将这三种空间信息引入到融合空间信息的模糊聚类图像分割中。Berkeley图像上的分割实验表明分别采用圆形、三角形和菱形邻域窗获得图像像素空间信息的模糊聚类图像分割方法在分割性能上要优于融合正方形邻域窗空间信息的方法。     

图像分割研究进展

至今提出的分割算法有上千种,而新的算法还在不断被提出。从图像分割实际应用的角度,或者从图像分割中使用的特定的理论工具的角度,可以对图像分割进行分类。Otsu算法、基于聚类的图像分割方法、运动分割、基于图论的图像分割方法和基于活动轮廓的图像分割方法是图像分割的主要研究领域,自然计算算法已成为图像分割新的研究热点。