改进的Fast Marching方法在医学图像分割中的应用

Fast Marching方法应用于医学图像分割取得了较好的分割结果,但是Fast Marching方法对边缘比较模糊的图像不能准确完整地分割出来。提出了一种结合像素间信任连接算法和Fast Marching方法的医学图像分割方法,首先用高斯滤波器对图像进行滤波,然后对图像用基于像素间信任连接的算法提取待分割图像中目标区域,取得较大的同质区,最后用Fast Marching方法对图像进行分割。实验结果表明,该方法对边缘模糊和目标内部存在伪边缘的医学图像能取得较好的分割结果。     

基于空间聚类和边缘梯度的图像分割算法

提出一种结合空间聚类和边缘梯度信息的图像自动分割算法。在判断超像素颜色及纹理相似性的同时,进一步给出更加精确的分段边缘梯度计算方法,并采用测地距离来刻画超像素之间的相似性,使得分割结果更好地融合边缘不连续性与区域相似性。大量图像分割实验结果表明,该方法能更准确地找出分割边界,提高图像分割的准确性。     

结合区域协方差分析的图像显著性检测

目的 图像显著性检测的目的是为了获得高质量的能够反映图像不同区域显著性程度的显著图,利用图像显著图可以快速有效地处理图像中的视觉显著区域。图像的区域协方差分析将图像块的多维特征信息表述为一个协方差矩阵,并用协方差距离来度量两个图像块特征信息的差异大小。结合区域协方差分析,提出一种新的图像显著性检测方法。方法 该方法首先将输入的图像进行超像素分割预处理;然后基于像素块的区域协方差距离计算像素块的显著度;最后对像素块进行上采样用以计算图像像素点的显著度。结果 利用本文显著性检测方法对THUS10000数据集上随机选取的200幅图像进行了显著性检测并与4种不同方法进行了对比,本文方法估计得到的显著性检测结果更接近人工标定效果,尤其是对具有复杂背景的图像以及前背景颜色接近的图像均能达到较好的检测效果。结论 本文方法将图像像素点信息和像素块信息相结合,避免了单个噪声像素点引起图像显著性检测的不准确性,提高了检测精确度;同时,利用协方差矩阵来表示图像特征信息,避免了特征点的数量、顺序、光照等对显著性检测的影响。该方法可以很好地应用到显著目标提取和图像分割应用中。     

基于区域中心的交互式图像前景提取方法

图像分割是从图像中提取有意义的区域,是图像处理和计算机视觉中的关键技术。而自动分割方法不能很好地处理前景复杂的图像,对此提出一种基于区域中心的交互式图像前景提取算法。针对图像前景的复杂度,很难用单一的相似区域描述前景,文中采用多个区域中心来刻画目标区域。为提升图像分割的稳定性,给出基于超像素颜色、空间位置和纹理信息的相似性度量方法;为确保图像分割区域的连通性和准确性,定义了基于超像素的测地距离计算方法。使用基于测地距离的超像素局部密度,来分析图像的若干区域中心;基于用户交互的方式来分析前景的区域中心,得到图像前景。经过大量彩色图像的仿真表明,在分割过程中利用少量的用户交互信息,可有效提升图像分割的稳定性和准确性。     

基于密度峰值搜索聚类的超像素分割算法

本文提出了一种新的基于密度峰值搜索聚类的超像素分割算法.首先在图像平面内的局部区域内估计像素的局部密度.其次为每个像素寻找一个距离最近的大密度像素并计算两个属性:距离和归属.之后根据距离和归属将所有像素组织成一个归属关系树,该树反映了像素之间的归属关系.然后选择局部密度和距离较大的像素作为超像素的种子,并标记在归属关系树中.最后在归属关系树中搜索距离每个像素最近的超像素种子为其分配标记,实现超像素分割.该算法有两个优势:超像素分割过程无需迭代优化,计算速度非常快;可以精确控制超像素的数目和大小,使用灵活.与其它9种同类算法的对比实验表明:文中算法在边缘召回率、欠分割误差、可达分割精度、计算和存储复杂性方面表现出比较优越的性能.     

优化加权核K-means聚类初始中心点的SLIC算法

超像素是近年来快速发展的一种图像预处理技术,被广泛应用于计算机视觉领域。简单线性迭代聚类(simple linear iterative clustering,SLIC)算法是其中的一种图像预处理技术框架,该算法根据像素的颜色和距离特征进行聚类来实现良好的分割结果。然而,SLIC算法尚存在一些问题。基于优化加权核K-means聚类初始中心点,提出一种新的SLIC算法(WKK-SLIC算法)。算法基于图像像素之间的颜色相似性和空间相似性度量,采用超像素分割的归一化割公式,使用核函数来近似相似性度量。算法将像素值和坐标映射到高维特征空间中,通过对该特征空间中的每个点赋予适当的权重,使加权K均值和归一化割的目标函数的优化在数学上等价。从而通过在所提出的特征空间中迭代地应用简单的K-means聚类来优化归一化割的目标函数。在WKK-SLIC算法中,采用密度敏感的相似性度量计算空间像素点的密度,启发式地生成K-means聚类的初始中心以达到稳定的聚类结果。实验结果表明,WKK-SLIC算法在评估超像素分割的几个标准上优于SLIC算法。     

基于超像素的点互信息边界检测算法

点互信息（PMI）边界检测算法能准确检测图像中的边界,但算法效率受制于采样点的提取。针对采样过程中存在随机性和信息冗余的问题,提出一种利用超像素分割提供的中层结构信息来指导点对选取的方法。首先使用超像素算法对图像进行初始分割,将图像划分成大小形状近似的像素块;然后选取落在相邻超像素中的像素点对,从而使样本点的选取更有目的性,在采样点数目较少时,保证样本点仍能有效完整地获取图像信息。实验通过与原始的PMI边界检测算法在伯克利分割数据库（BSDS）上进行比对验证得出,基于超像素的PMI边界检测算法在采样点对为3500时,平均精准度（AP）达到0.7917,而原始算法则需要6000个同样环境下的采样点对。基于超像素的PMI边界检测算法在保证了检测精度的同时减少了所需的采样点数目,从而能有效提高算法的实时性。     

基于边缘信息的RGB-D图像超像素分割算法

针对简单线性聚类算法（SLIC）中需要初始预设超像素个数和大量重复聚类计算的问题，提出一种基于边缘信息的RGB-D图像超像素分割算法。利用各向异性高斯核提取彩色图像中边缘强度信息，在此之上，自适应地提取图像的初始聚类中心。仅对位于图像边缘附近的像素点进行重新聚类标记计算，这种策略在保证聚类准确的同时，大大降低了重新聚类计算的复杂度。同时，本文提出一种基于边缘信息的距离度量准则来度量两个像素点之间的空间距离。在公开的图像数据集上的实验结果表明，相比其他几种算法，本文算法的分割结果更能反应出场景中物体的轮廓信息，而且算法效率更高。     

基于局部特征约束的TEM图像分割算法

神经细胞图像分割对于神经科学研究具有重要应用价值。神经细胞亚显微结构的复杂性,以及透射电子显微成像（Transmission electron microscope,TEM）易出现的边界丢失、模糊等质量问题,使得神经细胞TEM图像的自动分割成为一个医学图像处理难题。基于神经细胞TEM图像的局部聚簇性特点,应用超像素技术,本文研究设计了一种基于局部特征约束的TEM图像分割算法。首先构建基于图模型的超像素图像结构表示,然后应用Markov随机场（Markov random field,MRF）模型提取超像素局部空间信息,从而有效地解决超像素图像分割方法中超像素点间邻域信息和空间结构复杂的问题,最后通过MRF模型优化和超像素合并处理获取图像分割结果。研究结果表明,该算法分割精度较高、鲁棒性强,且能很好地表征图像亚显微结构信息。     

基于对称性区域过滤的显著性区域检测方法

为获得精确、完整的目标区域分割图,提出一种基于对称性区域过滤的检测方法来进行图像分割。利用改进的简单线性迭代聚类算法将图像分割成若干超像素,并以超像素为节点建立吸收马尔科夫链。计算转移节点到吸收节点的被吸收时间,将其作为显著值来获取显著图。根据图像目标区域的对称性特征,对显著图进行对称性检测,获取对称轴,通过两侧像素点到对称轴的距离对图像显著值进行区域过滤,从而获得目标图像分割区域。实验结果表明,该方法提取的图像显著目标区域较阈值分割法、最小生成树法和LRR法提取结果更为完整。     

具有纹理感知能力的超像素分割方法

目的 超像素分割是计算机视觉领域常用的一项预处理技术,目标是将相邻像素聚集成为具有一定语义的子区域,能够大幅度降低后续处理的计算复杂度,但是对包含强梯度纹理的图像分割效果不佳,为此提出一种具有纹理感知能力的超像素分割方法。方法 提出一种能够区分强梯度噪声和纹理像素的颜色距离,其中利用带方向的1/4圆形窗口均值滤波后的颜色信息,提升包含强梯度噪声和纹理图像的超像素分割性能。利用区间梯度幅值与Sobel梯度幅值相乘得到混合梯度幅值,具有纹理抑制、结构保持以及边缘线条细的优点,能够提升超像素的贴合边缘性能,增强超像素形状规则程度。最后,利用混合梯度的幅值计算具有结构回避能力的综合聚类距离,进一步防止超像素跨越物体的边界,增强超像素的贴边性能。结果 在BSDS500（Berkeley segmentation dataset 500）图像数据集和强纹理马赛克图像等不同类型图像上的测试结果显示,与目前主流的超像素分割方法相比,本文算法在UE （undersegmentation error）、ASA （achievable segmentation accuracy）和CM （compactness measure）等性能指标上分别提高了1.5%、0.2%和4.3%。从视觉效果上看,能够在排除纹理干扰的情况下生成结构边缘贴合程度更好的形状规则超像素。结论 本文算法在包含强梯度纹理图像上的超像素分割性能优于对比方法,在目标识别、目标追踪和显著性检测等易受强梯度干扰的技术领域具有较大应用潜力。     

整合超像元分割和峰值密度的高光谱图像聚类

目的 传统图像聚类算法多利用像元的光谱信息,较少考虑图像的空间信息,容易受到噪声干扰。针对该问题,提出一种整合超像元分割（SLIC）和峰值密度（DP）的高光谱图像聚类算法。方法 首先,利用超像元分割技术对高光谱图像进行分割并提取超像元光谱特征;然后,根据提取的超像元光谱特征,计算其峰值密度信息,搜索超像元光谱簇,构建像元与类别间的隶属度关系。最后,利用高光谱模拟数据以及两组真实高光谱图像评价算法的鲁棒性和精度。结果 在不同信噪比的模拟数据中,SLIC-DP算法在调整芮氏指标（ARI）最优的条件下,较K-means和SLIC-Kmeans的方差降低61.86%和41.61%,体现优越的鲁棒性。在高光谱数据集Salinas-A和Indian Pines中,SLIC-DP算法的ARI为0.777 1和0.325 7,较K-Means和SLIC-KMeans聚类算法分别增长10.71%,5.01%与78.86%,25.27%。结论 本文算法抗噪声能力强,充分利用空间信息与光谱信息,有效提升高光谱图像聚类精度。经验证,能满足高光谱图像信息提取和分析的要求,可进一步推广和研究。     

Structure-Sensitive Superpixels via Geodesic Distance

Segmenting images into superpixels as supporting regions for feature vectors and primitives to reduce computational complexity has been commonly used as a fundamental step in various image analysis and computer vision tasks. In this paper, we describe the structure-sensitive superpixel technique by exploiting Lloyd’s algorithm with the geodesic distance. Our method generates smaller superpixels to achieve relatively low under-segmentation in structure-dense regions with high intensity or color variation, and produces larger segments to increase computational efficiency in structure-sparse regions with homogeneous appearance. We adopt geometric flows to compute geodesic distances amongst pixels. In the segmentation procedure, the density of over-segments is automatically adjusted through iteratively optimizing an energy functional that embeds color homogeneity, structure density. Comparative experiments with the Berkeley database show that the proposed algorithm outperforms the prior arts while offering a comparable computational efficiency as TurboPixels. Further applications in image compression, object closure extraction and video segmentation demonstrate the effective extensions of our approach.     

局部聚类分析的FCN-CNN云图分割方法

空气中的尘埃、污染物及气溶胶粒子的存在严重影响了大气预测的有效性,毫米波雷达云图的有效分割成为了解决这一问题的关键.本文提出了一种基于超像素分析的全卷积神经网路FCN和深度卷积神经网络CNN（FCN-CNN）的云图分割方法.首先通过超像素分析对云图每个像素点的近邻域实现相应的聚类,同时将云图输入到不同步长的全卷积神经网络FCN32s和FCN8s中实现云图的预分割;FCN32s预测结果中的"非云"区域一定是云图中的部分"非云"区域,FCN8s预测结果中的"云"区域一定是云图中的部分"云"区域;剩下不确定的区域通过深度卷积神经网络CNN进行进一步分析.为提高效率,FCN-CNN选取了不确定区域中超像素的几个关键像素来代表超像素区域的特征,通过CNN网络来判断关键像素是"云"或者是"非云".实验结果表明,FCN-CNN的精度与MR-CNN、SP-CNN相当,但是速度相比于MR-CNN提高了880倍,相比于SP-CNN提高了1.657倍.     

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。     

基于边缘强度特征和线性谱聚类的 SAR 图像超像素生成方法

面对高分辨合成孔径雷达(SAR)图像的海量数据,学界广泛通过基于超像素的方法 简化图像处理过程。一般适用于光学图像的超像素分割算法对存在斑噪的 SAR 图像分割性能均 不够理想。面向 SAR 图像改进现有超像素生成算法是目前的研究热点之一。在探讨了将边缘强 度特征引入超像素分割算法的可行性的基础上,结合边缘强度特征和线性谱聚类方法,提出了 一种新的 SAR 图像超像素生成方法(e-LSC)。通过仿真 SAR 图像和实测 SAR 图像的比较实验, 证实了 e-LSC 算法与其他几种典型超像素生成算法相比,生成的超像素在边缘贴合度和匀质区 域的规则化上都有所提高。     

三角网格模型上测地线算法的研究

对三角网格模型上测地线的算法进行研究,分为近似测地线算法和精确测地线算法．其中近似算法介绍经典的FastMarching算法,精确算法以经典的MMP算法为主．并且对两种算法得到的测地线在准确度和时间复杂度上进行对比分析．得出实验数据．并对其应用进行简单介绍。     

基于信息几何的图像去噪

提出一种基于信息几何的图像去噪方法,与传统的欧氏空间中去噪方法不同,基于信息几何的图像去噪方法是在流形上利用两点间的测地线距离的大小来衡量图像中两像素点之间的相似性。流形中的点是通过图像中某区域构建的高斯模型,模型间的测地线距离表示两图像区域平均灰度强度和细节丰富程度的差别。这样将区域的平均灰度强度和细节丰富程度的差别作为像素点间的相似性,能够更加准确地衡量像素点间相似性的差异。实验表明,该算法提高了图像去噪效果,能够很好地保持图像细节。