基于联合约束策略和稀疏表示的图像分割

基于像素级的交互式图像分割算法对初始种子位置和噪声敏感,同时仅基于超像素的分割方法无法保留图像细节经常导致分割结果出现欠分割问题。针对上述问题,提出超像素/像素约束和稀疏表示的图像分割模型。该方法利用高斯函数分别对像素和超像素构造了相互约束的代价函数,引入了稀疏分解对模型进行优化以提升模型对图像噪声的鲁棒性,最后利用联合优化策略对代价函数求解估计出目标和背景标记实现目标提取。实验结果表明,与现有的分割方法相比,提出的方法能获得较好的分割效果,对高斯噪声和椒盐噪声具有较强的鲁棒性。     

基于超像素/像素协同约束和稀疏分解的活动轮廓模型

针对水平集图像分割模型的分割结果不够准确且对初始轮廓位置和噪声敏感问题,提出了超像素/像素协同约束和稀疏分解的活动轮廓模型。首先引入超像素提取图像块信息构造符号压力函数防止轮廓在演化过程中陷入局部最优;其次,构建了基于超像素/像素协同约束的能量泛函以弥补超像素无法保留局部细节的缺陷;同时,为了解决基于非全局信息的活动轮廓模型演化速度慢的问题,提出模型利用超像素块加速轮廓演化;最后引入了稀疏分解对模型进行优化以减弱局部噪声对分割精度的影响。与多种水平集分割模型的实验结果对比,证明了提出方法的有效性,尤其与原始的二值选择和高斯滤波正则化水平集模型相比,提出方法对噪声和初始轮廓位置不敏感,平均Jaccard相似度系数提升了34%。     

基于信息理论的合作聚类算法研究

传统的聚类算法是针对一个独立数据集的学习分类算法,如FCM（Fuzzy-C-Means）聚类算法．在现实生活中,一个数据集独立于其它数据集,而往往通过与别的数据集交换信息与之相互合作．因此在聚类过程中,需要考虑来自其它数据集的影响,从而得到更能反映现实的数据结构．该文提出了一种基于信息理论的信息增益方法来建模并定量分析多个数据集间的合作关系,在此基础上,导出了相应的新合作聚类算法CCA（Cooperative C1ustering Algorithm）．理论分析表明该算法最终收敛,实验结果也进一步表明了该合作聚类算法的可行性与有效性.