结合CS-LBP纹理特征的快速图割算法

图割算法是目前最有效的交互式图像分割方法之一。针对当前景和背景颜色相似时容易发生分割错误并产生shrinking bias现象,以及基于像素的计算导致交互效率不高的问题,提出一种结合纹理特征的改进算法。该算法首先利用Mean Shift算法对图像进行预分割,构建区域邻接图,然后用累计直方图、CS-LBP纹理描述子对每个区域进行颜色和纹理特征的提取,通过在能量函数中引入纹理约束项以及局部自适应的正则化参数,有效改善了分割效果和shrinking bias现象。实验结果表明,本算法交互效率得到了提高,分割结果更加精确。     

一种基于图割理论的快速立体匹配算法

针对传统的立体匹配算法中存在的低纹理区域和遮挡区域匹配精度低、实时性不好等问题,提出了一种基于图割理论的立体匹配算法.把图像分割成色彩单一的不同区域;计算初始视差图,利用可靠点求取各分割区域的平面模板参数,对模板参数相同的相邻区域进行融合;构造全局能量函数,采用图割算法求取全局能量最小的视差最优分配.实验结果表明,该算法对低纹理区域和遮挡区域均有较好的匹配结果,能够满足高精度、高实时性的要求.     

应用谱直方图相似性的纹理图像分割研究

提出基于谱直图相似性的纹理图像分割算法,在提出的纹理分割算法中,无需选择种子点。首先通过使用一组滤波器来获取纹理图像的纹理特征,基于空域/频域的表示方法,使用谱直方图作为特征统计,然后利用x²统计特征度量谱直方图之间的相似性,得到初始分割,然后基于形态学骨架化的原理,对区域边界进行精确定位,得到最终的分割结果。实验结果验证了算法的有效性。     

基于图割与改进模糊C均值的图像分割

为提高图割算法对图像的分割效果,提出一种改进的模糊C均值聚类算法(FCMA)和图割分割算法相结合的图像分割方法。首先,用均值漂移算法将图像过分割成多个小区域(超像素),用得到的超像素代替像素点作为图的顶点,以相邻像素块间的关系为边构建图模型;然后,采用改进的模糊C均值(FCMA)算法对前景和背景的混合高斯模型分别进行聚类分析;最后,用最大流/最小割算法求取能量函数的全局最优解即得到图像的分割结果。实验结果表明,该方法在分割结果上具有较强的区域一致性及较为清晰、平滑的图像边缘,并且该方法对含有噪声的图像也能得到较好的分割结果。     

改进的规范割方法提取肉品图像中肌肉和脂肪

肉品图像中脂肪与肌肉的精确提取是无损检测的关键技术之一,针对这一问题,在规范割方法（Normalized cut,Ncut）的基础上,为了减少计算复杂度,提出了一种改进算法。首先,利用基于矩的阈值选择方法将肉品区域从背景中分割出来;其次,量化色彩等级,为肉品区域创建彩色直方图;最后,计算彩色直方图的相似度矩阵,并使用规范割做为谱聚类测度对直方图进行划分,按照直方图划分结果提取肌肉和脂肪。实验表明,和基于像素的谱聚类算法相比,改进算法不但降低了计算复杂度,且能有效提取肌肉与脂肪。     

深度图像的分层图割算法研究

以深度图像为分割对象,在迭代图割算法的基础上,通过引入分层机制加快图割执行速度,并通过引入平衡因子来平衡颜色纹理和深度之间的重要程度,从而有效地对深度图像进行分割。利用平衡因子可以在深度信息能够明显区分前背景的情况下,重点利用深度信息来分割图像,反之则重点利用颜色和纹理信息。而在迭代图割算法中,分层机制的引入能够在不降低分割精度的情况下有效地减少图割算法的执行时间。     

一种基于颜色和纹理的显著性目标检测算法

视觉显著性检测是很多计算机视觉任务的重要步骤,在图像分割、自适应压缩和识别物体方面都有很重要的应用。提出了一种基于HSV颜色、纹理特征和空间位置关系相结合的显著性检测算法。该方法先将图像分割成小的图像片以获取图像的局部信息,结合图像片颜色的独特性和空间分布的紧凑性计算得到颜色显著图;同时利用Gabor滤波器对图像进行不同尺度和方向地滤波得到纹理特征向量,然后对特征向量计算纹理差异得到纹理显著图;最后将二者结合得到最终显著图。实验结果表明,该方法在检测效果和抗噪能力等方面均可获得较为满意的结果。     

无监督模糊C均值聚类自然图像分割算法

提出一种基于无监督模糊C均值聚类的彩色自然图像分割算法。使用置信区间交集准则自适应得到Gabor滤波器中各个像素点对应的尺度,并以该自适应尺度为依据,计算相应的自适应方向、频率以及相位;使用该自适应Gabor滤波方法分别对各通道进行纹理分析得到相应的纹理图像。提出一种快速的基于多项式分割的方法对各个纹理图像进行分析,确定聚类数目,并使用无监督模糊C均值聚类算法得到最终的分割结果。实验结果表明,该算法能够很好地克服图像纹理对于分割结果的影响,有效区分目标与背景,分割结果具有较高的分割精度,是一种有效的自然彩色图像分割方法。     

基于两段多组件图割的非监督彩色图像分割算法

提出基于两段多组件图割的彩色图像分割算法,以解决因标签过多和噪声导致的过分割和图割算法低效等问题.多组件图割算法分割图像时,把标签相同的区域处理为该标签的多个组件,结合两层高斯金字塔形成两段多组件图割,以减少分割错误和标签数量,提高分割的性能.算法首先提取基于多尺度四元数Gabor滤波的texton纹理特征,并自适应融合颜色特征;然后使用两段多组件图割获取图像的优化分割,其中,为了引导图割优化的方向,在平滑项中引入彩色梯度信息;最后去除分割结果中的弱边界,获得最终的分割结果.实验结果表明,相对于比较算法,新算法的分割性能有明显提升.     

结合非局部信息与图割的图像分割算法

基于图割的交互式图像分割方法从图像背景中分离出前景目标,在图像处理和计算机视觉领域引起了广泛的关注.为了进一步提高分割精度,提出一种结合图像非局部信息和图割的交互式图像分割算法.在建模图像非局部信息时为每个像素点设置一个固定大小的搜索窗口,每个像素点只需考虑与搜索窗口内像素之间的关系;计算非局部像素对之间相似性时采用图像片替代像素,通过图像片之间的相似性替代像素之间的相似性,以表征图像的非局部信息;将图像非局部信息引入到图割框架中,在传统能量函数的边界项将图像的局部信息与非局部信息合并,组成结合局部非局部信息的新的能量项;构图时新添加一组边集?非局部边集来表示图像的非局部信息,再通过最大流/最小割算法求解得到最终的分割结果.最后通过实验验证了该算法的有效性和可行性.     

Superpixel-based class-semantic texton occurrences for natural roadside vegetation segmentation

Vegetation segmentation from roadside data is a field that has received relatively little attention in present studies, but can be of great potentials in a wide range of real-world applications, such as road safety assessment and vegetation condition monitoring. In this paper, we present a novel approach that generates class-semantic color–texture textons and aggregates superpixel-based texton occurrences for vegetation segmentation in natural roadside images. Pixel-level class-semantic textons are learnt by generating two individual sets of bag-of-word visual dictionaries from color and filter bank texture features separately for each object class using manually cropped training data. For a testing image, it is first oversegmented into a set of homogeneous superpixels. The color and texture features of all pixels in each superpixel are extracted and further mapped to one of the learnt textons using the nearest distance metric, resulting in a color and a texture texton occurrence matrix. The color and texture texton occurrences are aggregated using a linear mixing method over each superpixel and the segmentation is finally achieved using a simple yet effective majority voting strategy. Evaluations on two datasets such as video data collected by the Department of Transport and Main Roads, Queensland, Australia, and a public roadside grass dataset show high accuracy of the proposed approach. We also demonstrate the effectiveness of the approach for vegetation segmentation in real-world scenarios.     

应用谱直方图和EM的纹理图像分割算法

提出了一种基于谱直方图和EM的纹理图像分割算法。为了获得图像的纹理特征,首先对原始图像进行滤波,然后利用谱直方图的思想和方法,把每个图像子块用独立的谱直方图来进行表示,该直方图在图像的表示上具有很好的本质扩展性。其次采用?字2作为距离度量函数对谱直方图进行计算得到特征值。为了得到初始分割结果,通过EM（期望最大化）对特征值矩阵进行分类,得到有效的初始分割结果。最后使用形态学方法对边界进行定位,从而实现图像的由粗到细的分割。实验结果证明：该算法用于纹理图像分割能获得很好的效果。     

基于梯度基元聚合矢量的图像检索算法*

针对图像检索中多特征融合问题,提出了一种基于梯度基元聚合矢量的图像检索算法。该算法在改进的HSV颜色空间计算边缘梯度,通过定义的基元模板扫描梯度图像,生成梯度基元图像,将基元和非基元像素分别组合成聚合和非聚合像素集合;最后利用颜色自相关图算法对上述两个集合提取特征矢量,实现了融合颜色、形状、纹理和空间信息等多特征的图像检索。实验结果表明,该算法能够融合颜色、形状、纹理和空间信息,有效地提高了基于内容的图像检索的查准率和查全率。     

Color image segmentation using automatic pixel classification with support vector machine

Automatic segmentation of images is a very challenging fundamental task in computer vision and one of the most crucial steps toward image understanding. In this paper, we present a color image segmentation using automatic pixel classification with support vector machine (SVM). First, the pixel-level color feature is extracted in consideration of human visual sensitivity for color pattern variations, and the image pixel's texture feature is represented via steerable filter. Both the pixel-level color feature and texture feature are used as input of SVM model (classifier). Then, the SVM model (classifier) is trained by using fuzzy c-means clustering (FCM) with the extracted pixel-level features. Finally, the color image is segmented with the trained SVM model (classifier). This image segmentation not only can fully take advantage of the local information of color image, but also the ability of SVM classifier. Experimental evidence shows that the proposed method has a very effective segmentation results and computational behavior, and decreases the time and increases the quality of color image segmentation in compare with the state-of-the-art segmentation methods recently proposed in the literature.     

基于核模糊聚类的彩色图像色彩-纹理分割方法

提出了一种利用色彩-纹理综合特征进行彩色图像分割的新方法。首先利用HSI色彩模型提取图像的色彩信息,其次,采用与方向无关的Gabor变换对彩色图像的强度信息进行处理,提取图像的纹理基元。根据上述过程所获得的色彩-纹理特征,采用核模糊聚类方法实现彩色图像的自动分割。实验结果表明,所提出的方法综合利用了图像的色彩、纹理信息,使彩色图像的分割结果更准确。     

模糊相关图割的非监督层次化彩色图像分割

目的 基于阈值的分割方法能根据像素的信息将图像划分为同类的区域,其中常用的最大模糊相关分割方法,因能利用模糊相关度量划分的适当性,得到较好的分割结果,而广受关注。然而该算法存在划分数需预先确定,阈值的分割结果存在孤立噪声,无法对彩色图像实施分割的问题。为此,提出基于模糊相关图割的非监督层次化分割策略来解决该问题。方法 算法首先将图像划分为若干超像素,以提高层次化图像分割的效率;随后将快速模糊相关算法与图割结合,构成模糊相关图割2-划分算子,在确保分割效率的基础上,解决单一阈值分割存在孤立噪声的问题;最后设计了自顶向下层次化分割策略,利用构建的2-划分算子选择合适的区域及通道,迭代地对超像素实施层次化分割,直到算法收敛,划分数自动确定。结果 对Berkeley分割数据库上300幅图像进行了测试,结果表明算法能有效分割彩色图像,分割精度优于Ncut、JSEG方法,运行时间较这两种方法也提高了近20%。结论 本文算法为最大模糊相关算法在非监督彩色图像分割领域的应用提供指导依据,能用于目标检测和识别领域。     

高斯颜色模型在瓷片图像分类中的应用

由于RGB颜色空间不能很好贴近人的视觉感知,同时也缺少对空间结构的描述,因此采用兼顾颜色信息和空间信息的高斯颜色模型以获取更全面的特征,提出了一种基于高斯颜色模型和多尺度滤波器组的彩色纹理图像分类法,用于瓷器碎片图像的分类。首先将原始图像的RGB颜色空间转换到高斯颜色模型;再用正规化多尺度LM滤波器组对高斯颜色模型的3个通道构造滤波图像,并借助主成分分析寻找主特征图,接着选取各通道的最大高斯拉普拉斯和最大高斯响应图像,与特征图联合构成特征图像组用以进行参数提取;最后以支持向量机作为分类器进行学习和分类。实验结果表明,与基于灰度的、基于RGB模型的和基于RGB_bior 4.4小波的方法相比,本文方法具有更好的分类结果,其中在Outex纹理图像库上获得的分类准确率为96.7%,在瓷片图像集上获得的分类准确率为94.2%。此方法可推广应用到其他彩色纹理分类任务。