改进近邻传播聚类的彩色图像分割

针对近邻传播(AP)聚类算法存在运算时间长、空间复杂度高而难以应用于较大规模图像数据处理的问题,提出一种将mean shift(MS)算法和AP算法相结合的彩色图像分割方法——MSAP算法.首先应用MS算法对输入目标图像进行预分割,将分割后的区域数目代替原图像像素点数目作为AP算法输入数据的规模,计算每个区域中所有像素的彩色向量平均值,并将其作为AP算法输入的数据点,选用数据点间的距离作为相似度的测度指标;然后应用AP算法在数据相似度矩阵上进行聚类,得到最终的图像分割结果.实验结果表明,与AP算法相比,MSAP算法在运行时间和分割效果方面都有显著的提高.     

一种改进近邻传播聚类的图像分割算法

针对近邻传播（Affinity Propagation,AP）聚类算法存在运算复杂度高且未考虑数据点密度对聚类效果的影响的问题,提出一种改进的近邻传播聚类算法并应用于图像分割。首先,在度量数据点之间的相似性时,考虑到密度差异对数据点成为类代表点可能性的影响,利用密度聚类的思想设置偏向参数,同时引入数据点的空间邻近位置信息,充分利用图像信息,提高相似度矩阵构造的合理性,增强聚类的内聚性,并提高分割精度;其次,为降低计算相似度矩阵的复杂度,减小计算机内存开销,引入Nystr?m逼近策略求解相似度矩阵,提升了算法的效率。实验表明,改进后的算法与传统的近邻传播聚类算法相比获得了更好的图像分割效果。     

基于多代表点近邻传播的大数据图像分割算法

基于多代表点近邻传播聚类算法,提出一种有效的大数据图像的快速分割算法。 该算法首先运用均值漂移算法将彩色图像分割成很多小的同质区域,然后计算每个区域中所有 像素的颜色向量平均值,并用区域数目代替原图像像素点数目,选用区域间的距离作为相似度 的测度指标,最后应用多代表点近邻传播聚类算法在区域相似度矩阵上进行二次聚类,得到最 终的图像分割结果。实验结果证明,提出的算法在大数据图像的分割中取得了较为满意的分割 效果,且分割效率较高。     

基于改进的相似度度量的谱聚类图像分割方法

针对传统谱聚类图像分割方法存在分割准确度不够高的缺点,提出一种基于改进的相似度度量的谱聚类图像分割方法。该方法首先使用超像素分割算法将图像预分割为一定数目的超像素集合,并构建以超像素为节点的图;然后融合超像素的协方差描述子、颜色信息、纹理信息、梯度信息以及边缘信息作为超像素的特征来度量超像素间的相似性,进而得到超像素的相似度矩阵;最后使用NJW算法对超像素图进行分割。大量的实验结果验证表明,改进的分割方法在分割精度上优于目前存在的无监督分割方法,并且在交互式分割的模式下,该方法可以准确分割出用户指定的目标。     

基于自适应超像素分割的点刻式DPM区域定位算法研究

为解决点刻式直接零件标志(Direct part mark, DPM)码基本单元分割困难、区域定位欠精确等问题, 提出使用超像素分割和谱聚类相结合的算法,对含有DPM区域的图像进行初步分割和精确定位. 首先为提高超像素分割的准确、快速和完整性,本文利用近邻传播聚类思想实现自动聚类得到超像素区域, 并引入边缘置信度调整超像素边缘,形成自适应边缘简单线性迭代聚类 (Adaptive edge simple linear iterative clustering, AE-SLIC)算法. 该算法改进了简单线性迭代聚类(Simple linear iterative clustering, SLIC)超像素分割算法存在的未明确界定超像素区域边缘信息和分割数目无法自适应确定等问题; 其次,将超像素作为谱聚类中图的顶点进行二次聚类, DPM区域内超像素因相似度高而被聚集为一类, 从而完成点刻式DPM区域的精确定位.经实验测试和分析,本文算法得到的超像素分割结果在完整性、 运算复杂度等方面优于常见的超像素分割算法.与基于像素点运算的传统定位算法相比, 本文算法具有良好的实时性、定位准确率和鲁棒性.     

超像素SIFT特征航拍地图拼接研究

为解决航拍地图拼接计算量大、内容复杂多变的问题,提出使用超像素尺度不变特征变换(SIFT)特征进行地图拼接.首先利用近邻传播(AP)算法改进简单线性迭代聚类(SLIC)算法实现超像素自适应分割.然后在引导信息下对少数超像素提取SIFT特征,进行SIFT特征匹配.最后在线生成监督机制,在随机抽样一致性(RANSAC)算法配合下,得到少而精的匹配点,计算变换矩阵融合图像,实现图像拼接.实验结果显示:对于较高分辨率的图像,该算法与单纯SIFT拼接算法相比,在计算时间和拼接质量上都显示出较大的优势.     

基于快速SLIC的图像超像素算法

针对SLIC(Simple Linear Iterative Clustering)算法在超像素聚类过程中耗时较长的缺陷,提出一种基于快速SLIC的图像超像素算法。该算法首先剔除在颜色空间上与聚类中心相似度较低的像素,从而仅用部分近邻像素更新聚类中心,以确保聚类中心快速达到稳定并阻止误差传播,提高边缘命中率;其次,在初始化网格后,将每个超像素的边缘像素视为不稳定像素,将超像素的非边缘像素视为稳定像素并保持稳定像素的类别不变;最后,通过对不稳定像素进行迭代标记来实现快速超像素图像分割。在MATLAB环境下分别对所提算法与6种对比算法进行测试,在超像素个数相同的情况下,所提算法在BSD500数据集上与经典的SLIC算法相比分割误差率降低5%,分割精度提高0.5%,运行时间减少0.18 s。实验结果表明,与主流的超像素算法相比,所提算法在提升超像素分割质量的同时能够有效降低算法的计算复杂度。     

几何距优化质心结合隶属度约束RFCM的脑MRI图像分割算法

针对现有图像分割算法聚类复杂以及分割精度不够高的问题,提出了基于几何距优化质心和粗糙模糊C-均值（RFCM）相结合的医学图像聚类分割算法。首先建立软集表示的像素集,并计算每个像素与质心之间的距离,然后基于像素和质心之间的最小距离,将像素分组到聚类中。为了将软集应用到粗糙模糊C-均值中,定义了一个模糊软集,进一步将输入图像转换为二值图像,通过计算连通区域的几何距选择适当的质心。最后利用这些新的质心计算更新像素的隶属度值,从而完成模糊聚类划分。在Allen Brain Atlas等三个医学数据库上评估了所提出混合算法的性能,获得的Jaccards系数和分割精度（SA）都优于几种对比算法。实验证明,提出的聚类分割算法具有良好的性能。     

基于互近邻一致性的近邻传播算法

近邻传播(AP)算法是一种新提出的聚类算法,是在数据点的相似度矩阵的基础上进行聚类,通过数据点之间交换信息,最后得到聚类结果。提出了基于互近邻一致性近邻传播算法,即KMNC-AP算法,该算法利用互近邻一致性调整数据点之间的相似度,进而提高聚类效率和精确度。实验结果表明,该算法在处理能力和运算速度上优于原算法。     

一种融合多特征聚类集成的室内点云分割方法

针对特定场景下传统点云分割算法不精确及特征描述不全面的问题,提出一种融合2D和3D多特征的近邻传播(AP)聚类集成分割方法。从点云中获得一组表征复杂室内场景不同点云类别的描述子,如彩色图像特征、曲率、法向量、旋转图像等,根据它们之间的差异性,通过对每类特征进行AP聚类得到聚类成员,建立聚类成员簇间一致性矩阵,并利用Ncut算法进行图分割获得最终的点云分割结果。实验结果表明,该算法相较传统的点云分割算法能更准确地区分室内复杂三维点云场景,并且具有更好的稳定性。     

基于模糊连接度的图像分割及算法

提出了一种基于模糊连接度图像分割的方法,在模糊连接度分割的基础上增加了最优路径(即与种子点的所有路径中连接度最大的路径)上各点相对于种子点的属性相似度的检验,使之能在待分割对象边界比较模糊的情况下取得理想的分割结果.同时提出了一种基于图像扫描机制的算法,它以种子点为中心,逐个计算邻居点相对于种子点的模糊连接度,该算法充分利用模糊连接度和属性相似度的性质,能简单、快速地找到两点间的最优路径.实验结果表明,该方法快速、有效地提高了图像分割的质量.     

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。     

双中心组合迭代抑制式模糊C-均值聚类图像分割算法

针对抑制式模糊C-均值聚类算法应用于灰度图像分割时出现收敛速度较慢和像素误判的问题,通过挖掘图像同质区域内像素间的相关性与分析像素位置对类别判定的影响,提出一种双中心组合迭代抑制式模糊C-均值聚类图像分割算法.首先在图像上经选点、扩展、提取等环节优选出较好的初始聚类中心;然后按该中心分别查找图像中灰度值与其相等的像素位置并遴选产生隐藏中心;其次采用负指数函数对像素位置与隐藏中心之间的欧氏距离进行归一化,得到位置特征;接着在对该特征赋权后直接修正模糊划分矩阵;最后结合抑制式思想进一步减少算法的迭代次数.与现有的多种相关算法进行对比,实验结果表明,所提出算法在获得致密且分离性较好聚类的同时,能够改善图像分割的准确率和执行效率.     

快速鲁棒核空间模糊聚类分割

目的 传统模糊C-均值聚类应用于图像分割仅考虑像素本身的聚类问题,无法克服噪声干扰对图像分割结果的影响,不利于受到噪声干扰的工业图像、医学影像和高分遥感影像等进行目标提取、识别和解译。嵌入像素空间邻域信息或局部信息的鲁棒模糊C-均值聚类分割算法是近年来图像分割理论研究中的热点课题。为此,针对现有的鲁棒核空间模糊聚类算法非常耗时且抑制噪声能力弱、不适合强噪声干扰下大幅面图像快速分割等问题,提出一种快速鲁棒核空间模糊聚类分割算法。方法 利用待分割图像中像素邻域的灰度信息和空间位置等信息构建线性加权滤波图像,对其进行鲁棒核空间模糊聚类。为了进一步提高算法实时性,引入当前聚类像素与其邻域像素均值所对应的2维直方图信息,构造一种基于2维直方图的鲁棒核空间模糊聚类快速分割最优化数学模型,采用拉格朗日乘子法获得图像分割的像素聚类迭代表达式。结果 对大幅面图像添加一定强度的高斯、椒盐以及混合噪声,以及未加噪标准图像的分割测试结果表明,本文算法比基于邻域空间约束的核模糊C-均值聚类等算法的峰值信噪比至少提高1.5 dB,误分率降低约5%,聚类性能评价的划分系数提高约10%,运行速度比核模糊C-均值聚类和基于邻域空间约束的鲁棒核模糊C-均值聚类算法至少提高30%,与1维直方图核空间模糊C-均值聚类算法具有相当的时间开销,所得分割结果具有较好的主观视觉效果。结论 通过理论分析和实验验证,本文算法相比现有空间邻域信息约束的鲁棒核空间模糊聚类等算法具有更强的抗噪鲁棒性、更优的分割性能和实时性,对大幅面遥感、医学等影像快速解译具有积极的促进作用,能更好地满足实时性要求较高场合的图像分割需要。     

Fuzzy spectral clustering with robust spatial information for image segmentation

In recent years, spectral clustering has become one of the most popular clustering algorithms in areas of pattern analysis and recognition. This algorithm uses the eigenvalues and eigenvectors of a normalized similarity matrix to partition the data, and is simple to implement. However, when the image is corrupted by noise, spectral clustering cannot obtain satisfying segmentation performance. In order to overcome the noise sensitivity of the standard spectral clustering algorithm, a novel fuzzy spectral clustering algorithm with robust spatial information for image segmentation (FSC_RS) is proposed in this paper. Firstly, a non-local-weighted sum image of the original image is generated by utilizing the pixels with a similar configuration of each pixel. Then a robust gray-based fuzzy similarity measure is defined by using the fuzzy membership values among gray values in the new generated image. Thus, the similarity matrix obtained by this measure is only dependent on the number of the gray-levels and can be easily stored. Finally, the spectral graph partitioning method can be applied to this similarity matrix to group the gray values of the new generated image and then the corresponding pixels in the image are reclassified to obtain the final segmentation result. Some segmentation experiments on synthetic and real images show that the proposed method outperforms traditional spectral clustering methods and spatial fuzzy clustering in efficiency and robustness.     

Improving image segmentation based on patch-weighted distance and fuzzy clustering

Image segmentation is the basis of image analysis, object tracking, and other fields. However, image segmentation is still a bottleneck due to the complexity of images. In recent years, fuzzy clustering is one of the most important selections for image segmentation, which can retain information as much as possible. However, fuzzy clustering algorithms are sensitive to image artifacts. In this study, an improved image segmentation algorithm based on patch-weighted distance and fuzzy clustering is proposed, which can be divided into two steps. First, the pixel correlation between adjacent pixels is retrieved based on patch-weighted distance, and then the pixel correlation is used to replace the influence of neighboring information in fuzzy algorithms, thereby enhancing the robustness. Experiments on simulated, natural and medical images illustrate that the proposed schema outperforms other fuzzy clustering algorithms.

     

基于改进像素相关性模型的图像分割算法

图像分割是计算机视觉中的研究热点和难点.基于局部信息的模糊聚类算法(FLICM)在一定程度上提升了模糊聚类算法的鲁棒性,但噪声强度较大时无法获得较好的图像分割效果.针对传统的模糊聚类算法分割精度不佳等问题,提出了改进像素相关性模型的图像分割算法.首先通过分析像素的局部统计特征,设计了一种新型的像素相关性模型,在此基础上...