均值漂移算法的研究与应用

对均值漂移算法的理论和应用作一全面的综述．首先根据密度函数的非参数估计推导出均值漂移公式的一般形式，说明了均值漂移迭代算法的步骤及收敛性；然后重点讨论核函数的选择以及带宽矩阵的计算等关键技术；最后归纳了均值漂移算法在模式检测、聚类、图像分割以及物体实时跟踪等方面的应用，并展望了均值漂移算法在理论和应用中的研究方向．     

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。     

均值漂移算法的收敛性

均值漂移是一种有效的统计迭代算法,已广泛应用于聚类分析、跟踪、图像分割、图像平滑、滤波、图像边缘提取和信息融合等方面.但是,其收敛性仍没有得到严格的证明,而收敛性是任何迭代算法的必要前提.推广并严格证明了该算法的收敛性.首先将均值漂移算法做了以下推广:反映不同样本点处局部空间结构的差异及其各向异性.然后,在推广的条件下从数学上严格证明了均值漂移算法的收敛性.最后,探讨了均值漂移算法中参数的自适应选择方法.从而为该算法的应用奠定了理论基础.     

基于图像颜色纹理的均值漂移分割算法

针对传统均值漂移算法对图像纹理特征不敏感的不足,利用图像纹理特征的独特性,提出了一种基于颜色纹理的均值漂移分割算法.结合欧式距离和高斯函数计算当前像素点与其周围像素点的颜色相似度,再使用Gabor变换提取图像不同方向、尺度上的纹理特征,结合颜色的相似度,对该像素点均值漂移的过程加权.该算法充分考虑了图像纹理的周期性、尺度性以及图像颜色的关联性.实验结果表明,算法对色彩信息不明显的纹理图像有良好的分割效果,也会提高彩色图像分割结果的准确性.分割算法用于大型水上桥梁识别,能够提高桥梁识别率.     

基于显著性密度修正的均值漂移分割算法

针对固定空间和色彩带宽的均值漂移分割算法无法解决的错分割问题,提出一种基于显著性特征进行密度修正的均值漂移分割算法。首先基于密度估计的主颜色量化结果计算区域视觉显著性;其次,将区域视觉显著性融合像素级显著性作为色彩特征空间聚类的密度修正因子,将密度修正后的融合图像作为输入执行均值漂移分割;最后进行小区域合并获得最终分割结果。实验结果显示,所提分割算法在四种尺度上的真实边界准确率和召回率平均值达到0.64和0.78,与其他方法相比,分割精度有显著的提高;同时,在视觉上有效提高了目标完整性,增强了自然图像中目标分割的鲁棒性。     

基于空间相关性的图像分割算法研究

提出一种充分利用图像的空间相关性来达到高效快速地进行图像分割的新方法。利用均值漂移算法对图像进行分割形成过度分割的区域,并使这些区域保持理想的边缘和空间相关部分,用图结构表示的区域相邻图来代替分割的区域。和K-均值算法的思想一样,迭代循环置信传播算法以其具有收敛速度快的特点被用于最小化开销函数、整合过度分割的区域和获得最终的分割结果。基于分割区域而不是图像像素的图像聚类分割方法可降低噪声敏感性,同时提高图像分割质量。与FCM和MRF算法相比较,该算法在复杂场景图像中显示了更好的分割性能。     

一种快速均值漂移图像分割算法

图像分割是图像分析及图像理解的关键步骤。与其他图像分割算法相比,均值漂移(Mean Shift)算法具有原理简单、无需先验知识、可以处理灰度图像及复杂的自然彩色图像等优点。但该算法需要对图像中每个像素点进行迭代计算,因此分割所需要的时间较长。本文提出了一种快速Mean Shift图像分割算法(Fast mean shift,FMS),将少量像素点作为初始点进行迭代计算,而出现在高维球区域内的其他像素点根据其到已有类中心的距离进行归类,从而减少Mean Shift算法的迭代次数,缩短分割时间。实验结果表明,本文提出的快速Mean Shift图像分割算法可以获得良好的分割结果且具有较高的分割效率。     

基于均值漂移和区域合并的指针仪表图像分割

均值漂移算法在图像分割中有着十分重要的作用,考虑到图像的噪声和边缘保持等因素,提出了一种基于均值漂移的图像平滑和基于阈值的区域合并的指针式仪表图像分割方法.首先利用均值漂移算法对图像进行滤波降噪,然后对滤波降噪后的图像通过阈值的区域合并方法进行阈值分割.经过均值漂移滤波后的图像不仅能很好地保持指针仪表图像的边缘特征,还能有效地去除噪声,而基于阈值的区域合并方法能够使得分割的图像效果更明显.     

基于均值移动算法的图像分割的研究

均值移动算法是一一种统计迭代算法,实际已经在图像分割中得到了广泛应用。但对分割结果的准确性有待于提高。为了能够得到更好的图像分割结果,根据柱状HSV颜色空间三个分量相关性弱、便于计算和颜色差异便于表示的特点,提出了基于柱状HSV空间的均值移动图像分割算法。将图像由RGB空间转化到柱状HSV空间,在转化后空间采用均值移动算法进行图像分割,用白色像素标记不同区域边界。最后通过与对RGB空间的均值滤波器的分割结果比较,验证算法的有效性。     

基于MS-FCM算法的MR图像分割方法

针对传统模糊C-均值(FCM)聚类算法在分割低信噪比图像时准确性较差的问题,提出一种用于MR图像分割的改进算法MS-FCM。针对脑部MR图像相邻像素属于同一分类的模糊隶属度相近的特性,在迭代过程中对隶属度数据集进行滤波,以降低噪声对聚类精度的影响。模拟脑部MR图像和临床脑部MR图像的分割实验证明,该算法可以提高图像分割精度。     

一种改进的One-Cut交互式图像分割算法

GrabCut算法作为一种典型的交互式彩色图像分割算法,是计算机图像领域中的重要技术手段。然而随着大数据时代的到来,图像数据种类和数量都呈指数级增长,显著地增加了图像分割的任务量,对图像分割效率提出了更高的要求。针对GrabCut算法图像分割效率及精度低的问题,提出了一种改进的One Cut交互式图像分割算法。首先采用One Cut的L1距离项构建能量函数避免GrabCut算法所面临的NP hard问题。然后改进能量函数中表观重叠惩罚项,并结合颜色直方图加速技术,优化网络图结构,显著降低网络图的复杂度,从而提高图像分割的效率及精度。实验结果表明,改进后的One Cut图像分割算法显著提升了图像分割效率,提高了分割精度,得到了较好分割结果。     

基于改进的Sobel算子最大嫡图像分割研究

研究图像分割精度问题。针对传统的Sobel算子图像分割容易造成图像分割不清晰、对比度不明显、分割精度低等问题缺陷,提出一种改进的Sobel算子的二维最大墒数字图像分割方法。算法首先根据数字图像特征对图像进行初分割,然后应用Sobel算子检测出数字图像真正的边缘,将通过Sobel算法边缘检测获得的阂值应用到二维最大墒分割方法中。对数字图像目标和目标边缘分别使用不同的阂值进行分割,解决由于局部图像叠加而产生的分割不准确的问题。仿真实验表明,提出的算法对图像分割鲁棒性好,分割准确率高,是一种有效适用的算法。     

基于几何不变性原理图像分割算法研究

研究图像分割精度质量问题,由于图像中存在噪声和伪影,造成区域边界不连续,影响提取质量。传统的图像分割算法提取的图像质量差。为了解决上述问题,提出了一种利用几何旋转不变性特征和直线特征的图像分割算法,有效地提高了图像分割的准确率。算法首先分别对图像提取SIFT和LOFO特征,并在两种特征基础上进行匹配,获得匹配值,然后算法将两个匹配结果有机的结合起来,得到最终的匹配值。仿真结果表明,提出的新的几何不变性原理图像分割算法能快速的有效的分割图像,不仅可以得到了比较高的分割精度,获得有效的提取。还大大减少了计算量,并能够改善图片分割的效率和质量。     

图像分割中算法的应用研究

研究图像优化分割问题,最佳阈值选取直接影响到图像分割的清晰度质量。传统采用经验法进行分割,难以获得最佳阈值,导致分割准确率低,易产生图像误分割。为了提高图象分割准确率,提出一种基于遗传算法的Otsu图像分割。首先对图像进行去噪处理并绘制直方图;然后直方图信息选取适当灰度值作为遗传算法中的初始种群,最优阈值作为目标函数,最后通过选择、交叉和变异等遗传操作得到图像分割最优阈值,并进行图像分割。实验结果表明,遗传算法的Otsu图像分割加快了速度,减少了计算量,提高了图像分割准确率,证明适应于图像实时处理。     

基于两级阈值算法在图像分割中应用研究

在图像分割提高精度问题的研究中,要从图像中提取感兴趣的区域。由于图像模糊或者蜕化图像背景信息融合在一起,导致难以区分,传统的阈值图像分割算法容易造成分割效果不清晰。为解决上述问题,提出了一种新的快速有效的两级阈值结构图像分割算法,采用用迭代算法对图像进行单一阈值分割,在每次迭代过程中以图像均值为依据,对图像进行均衡化处理;在基于全局分割的基础上,在局部范围内根据噪声的统计特性对图像进行去噪处理。仿真结果表明,提出的两级阈值分割算法能快速有效地分割图像,不仅可以得到了比较高的分割精度,还大大减少了计算量,一定程度上能够改善图片分割的效率和质量。     

一种改进的快速SLIC分割算法

近年来,超像素算法被应用到计算机视觉的各个领域。超像素捕获图像冗余信息,降低图像后续处理的复杂度。超像素分割作为图像的预处理过程需要满足图像处理的实时性和准确性。在SLIC算法的框架下,所提算法的主要目的是提高超像素分割的效率;通过原图像降尺度过程,提取原图像中少量像素,生成降尺度图像;利用SLIC算法对降尺度图像进行超像素分割;初次超像素分割之后,根据降尺度图像的分割结果对原图像中像素进行K近邻分类,实现原图像的超像素最终分割结果。实验表明,对于同一处理对象,在准确度相近的状态下,本算法处理速度高于SLIC算法。     

结合SCoW的改进FLICM医学图像分割研究*

为了改善医学图像的分割精度和分割效率,针对模糊局部C-均值 (fuzzy local information C-Means, FLICM)系列算法分割效率低、局部空间信息描述不够准确,提出结合空间约束分水岭 (Spatial-Constrained Watershed, SCoW)的改进FLICM分割算法。首先对图像SCoW预处理分块,压缩预处理数据;然后修正细分割处理,提取各超像素块的均值特征;最后设计一种改进的FLICM算法对各超像素块聚类,完成图像分割。相比较于原FLICM算法的图像分割,本文算法的分割精度更高,分割效率大大提升。经理论分析和实验测试表明,该改进算法更适用于医学临床诊断的需要。     

利用Fisher线性判别细化K-均值聚类算法的灰度图像分割

聚类是图像分割的一种通用方法,K-均值法聚类图像分割具有一定的自适应性,但结果易受聚类中心和几何形状的影响。本文引入Fisher线性判别对K-均值分割的结果进行不断的迭代改进。实验结果表明该方法可以提高分割的精度和准确度。     

基于改进粗糙集概率模型的鲁棒医学图像分割算法*

基于参数化模型的图像分割算法对复杂的医学图像分割精度较低,对此提出一种基于改进粗糙集概率模型的鲁棒医学图像分割算法。首先,将粗糙集的上下逼近与概率边界区引入最大期望算法中,表征每个类簇;然后,将图像的灰度分布建模为一个有限数量的混合粗糙集概率分布;最终,通过马尔可夫随机场引入图像的空间信息,提高图像分割算法的鲁棒性。基于合成脑部MR(核磁共振)图像库与真实脑部MR图像库的分割实验结果显示,本算法的分割精度与鲁棒性均优于其他参数化模型的分割算法及其他专门的脑部MR图像分割算法。