A Student's t-based density peaks clustering with superpixel segmentation (tDPCSS) method for image color clustering

Image color clustering is a basic technique in image processing and computer vision, which is often applied in image segmentation, color transfer, contrast enhancement, object detection, skin color capture, and so forth. Various clustering algorithms have been employed for image color clustering in recent years. However, most of the algorithms require a large amount of memory or a predetermined number of clusters. In addition, some of the existing algorithms are sensitive to the parameter configurations. In order to tackle the above problems, we propose an image color clustering method named Student's t-based density peaks clustering with superpixel segmentation (tDPCSS), which can automatically obtain clustering results, without requiring a large amount of memory, and is not dependent on the parameters of the algorithm or the number of clusters. In tDPCSS, superpixels are obtained based on automatic and constrained simple non-iterative clustering, to automatically decrease the image data volume. A Student's t kernel function and a cluster center selection method are adopted to eliminate the dependence of the density peak clustering on parameters and the number of clusters, respectively. The experiments undertaken in this study confirmed that the proposed approach outperforms k-means, fuzzy c-means, mean-shift clustering, and density peak clustering with superpixel segmentation in the accuracy of the cluster centers and the validity of the clustering results.     

动态背景下融合运动线索和颜色信息的视频目标分割算法

针对现有动态背景下目标分割算法存在的局限性,提出了一种融合运动线索和颜色信息的视频序列目标分割算法。首先,设计了一种新的运动轨迹分类方法,利用背景运动的低秩特性,结合累积确认的策略,可以获得准确的运动轨迹分类结果;然后,通过过分割算法获取视频序列的超像素集合,并计算超像素之间颜色信息的相似度;最后,以超像素为节点建立马尔可夫随机场模型,将运动轨迹分类信息以及超像素之间颜色信息统一建模在马尔可夫随机场的能量函数中,并通过能量函数最小化获得每个超像素的最优分类。在多组公开发布的视频序列中进行测试与对比,结果表明,本文方法可以准确分割出动态背景下的运动目标,并且较传统方法具有更高的分割准确率。     

Improved Region Merging Algorithm for Remote Sensing Images

To segment high-resolution remote sensing images (RSIs) accurately on an object level and meet the precise boundary dividing requirement, an improved superpixel segmentation and region merging algorithm is proposed. Simple linear iterative clustering (SLIC) is widely used because of its advantages in performance and effect; however, it causes over-segmentation, which is very disadvantageous to information extraction. In this proposed method, SLIC is firstly adopted for initial superpixel partition. The second stage follows the iterative merging procedure, which uses a hierarchical clustering algorithm and introduces a local binary pattern (LBP) texture feature operator during the process of merging. The experimental results indicate that the proposed method achieved a good segmentation and region merging performance, and worked effectively on cloud detection preprocessing in high-resolution RSIs with cloud and snow overlap situations.     

超像素分割算法研究综述

超像素能够捕获图像冗余信息, 降低后续处理任务复杂度, 已受到了国内外研究者的日益关注。首先分析了超像素分割领域的发展现状, 以基于图论的方法和基于梯度下降的方法为视角, 对现有超像素分割方法进行归纳和论述。在此基础上, 就目前常用的超像素分割算法进行了实验对比, 分析各自的优势和不足。最后, 对超像素分割技术的最新应用进行了介绍和展望。     

基于超像素的点追踪方法

目的由于当前大多数的追踪算法都是使用目标外观模型和特征进行目标的匹配,在长时间的目标追踪过程中,目标的尺度和形状均会发生变化,再加上计算机视觉误差,都会导致追踪的失误。提出一种高效的目标模型用于提高追踪的效率和成功率。方法采用分割后提取的目标特征来进行建模表示外观结构,利用图像分割的方法,将被追踪的目标区域分割成多个超像素块,结合SIFT特征,形成词汇本,并计算每个词在词汇本中的权值,作为目标的外观模型。利用外观模型确定目标对象的关键点位置后,通过使用金字塔Lucas-Kanade追踪器预测关键点在下一帧图像中的位置,并移动追踪窗口位置。结果结合点位移的加权计算有效地克服目标尺度和形状变化产生的问题。结论实验结果表明在目标发生形变或光照变化的情况下,算法也能准确地、实时地追踪到目标。     

基于KMM与超像素的SAR海面暗斑分割算法

提出了一种基于K乘性模型(K multiplicative model , KMM)与超像素分割算法的无监督的SAR海面暗斑检测算法。KMM算法采用矩估计法进行参数估计,应用于海表面含暗斑的感兴趣区域（region of interest, ROI）检测。通过对感兴趣区域生成的超像素进行聚类来完成最终暗斑的边缘分割。在边缘回撤率、遗漏误差、交叉误差上有较大改善,机载SAR的平均误差率为10%,而TerraSAR的平均误差率低于2%。在计算效率上也有较大提高,平均0.53 s内可处理104个像素点。实验基于高分辨率L波段机载SAR数据以及TerraSAR X数据进行,实验结果表明该方法具有较强的鲁棒性以及较高的计算效率。     

基于超像素和模糊聚类的医学超声图像分割算法

图像分割在医学超声图像的定量、定性分析中均扮演着十分重要的作用,并直接影响到后续的分析、处理工作.针对医学超声图像对比度低和噪声强的特点,提出了一种将超像素和模糊聚类技术相结合的图像分割方法.该方法利用简单线性迭代聚类算法产生多个超像素子区域,通过比较各个子区域间特征向量的相似性,利用模糊C均值(FCM)聚类技术对这些过分割区域进行合并,实现超声图像目标区域的有效分割.和传统的基于单像素的FCM聚类算法相比,该方法具有较强的鲁棒性,有效提高了目标区域的分割精度和分割效率,取得了较好的分割效果.     

一种基于视觉注意模型的可移动目标检测方法

提出了一种基于视觉显著性的目标检测算法,用于对位于地面上的车辆、飞 机等地面可移动目标进行检测和定位。针对地面可移动目标在场景中较小的特点,设计了一种用于对 目标检测进行引导的基于视觉注意机制的目标显著模型。首先,提取图像目标的颜色特征、强 度特征和方向Gabor特征,并将其结合起来用于计算显著图。然后以超像素为单位对 显著值进行计算,并结合人眼视觉敏感度对不同距离的超像素之间的差异进行加权处理。实 验结果表明,本文算法可以有效地检测并定位出复杂背景中的地面可移动目标。     

基于超像素分割的深度图像修复算法

为了提高Kinect相机获取的深度图质量,提出了一种基于超像素分割的图像修复算法。 首先对深度图和彩色图分别 进行双边滤波和超像素分割;其次,结合深度图像和彩色图像相似性,记录彩色分割块的位 置,并对应于 深度图中;最后,在每个分割块对应深度区域中,根据丢失像素点在分割块中所占比例,划 分为无空洞区 域、小空洞区域、大空洞区域和全空洞区域4类。采用快速行进算法对小空洞区域进行 修复,利用中 值填补算法进行大空洞区域修复,对全空洞区域利用邻域区间对应彩色图像相似性进行填充 。4种类型中 的无空洞区域无需修复。实验结果表明,本文方法与FMM、Shen和Scheming的方法相比, 平均均方根误差(RMSE) 分别降低了2.958、0.822和0.078,修复 的主观质量也有所提高。     

基于区域限制的EM和图割的非监督彩色图像分割方法

提出一种基于区域限制的EM(Expectation Maximization)和图割的非监督彩色图像分割方法,以解决自动确定分割类数问题.首先,生成图像的超像素,提取图像的CIE Lab颜色特征和多尺度四元数Gabor滤波特征;为了高效自动地确定分割类数,同时避免因直接使用超像素造成的奇异值问题,对每一个超像素采样并使用采样像素表示超像素;然后采用高斯混合模型对采样像素集合进行建模,使用加入区域限制的分量EM自动获取模型组件数及参数,最后使用图割结合高斯混合模型对图像进行优化,获取最终分割结果.实验结果表明,该方法在分割效率和分割质量上均得到较大提升.