基于目标形态特征的工件自动分割方法

为了使交互式工件分割算法满足实时性的要求,提出了一种将工件形态特征与图像分割算法相结合的工件自动分割方法.利用MeanShift算法分割图像提取目标区域;利用形态学开运算消除目标区域的噪声,进而分离相连的目标区域;对目标区域进行边缘检测,计算完整的工件轮廓信息,然后根据外轮廓的面积确定工件区域;利用工件区域的最小外接矩形在图像中标出前景和背景区域,再利用GrabCut算法分别对前景和背景建立高斯混合模型,然后通过mincut/maxflow算法分割前景与背景区域,最终实现工件目标的提取.实验结果表明,对于制造商提供的样本,该方法分割工件的召回率和准确率分别为94.97%和88.48%,具有较强的实用性和良好的实时性.     

基于多尺度的区域生长的图像分割算法

针对医学图像的特点,提出了一种多尺度区域生长分割算法。该算法首先利用高斯滤波器对原图像进行滤波处理,之后利用区域生长算法分别对原图像与平滑图像进行分割操作,最后将两个分割图谱进行比对,获得最终的分割结果。进行区域生长算法时,从背景区域选择一个像素作为初始种子点进行区域生长。该方法的优势为噪音具有较好鲁棒性,初始种子点选取规则简单。该方法同样适合于其他背景简单、目标区域复杂的图像分割情形。为了选取合适分割阈值,提出了最大梯度概念。利用图像的最大梯度矩阵的统计特性,将阈值选取问题转化为求最小值问题。实验表明,该方法能够准确地获得医学图像的分割结果。     

基于图游走和图注意力的点云分类与分割

针对点云特征提取中远距离特征和局部几何结构信息欠缺的问题,提出了一种基于图游走和图注意力的点云分类与分割网络。首先,利用带有导向性的图游走算法,对点云全局特征补充额外的几何信息和远距离特征信息;其次,嵌入图注意力机制,使模型聚焦于点云的关键区域,提升网络的特征提取能力;最后,在初始点云中提取距离特征作为初始残差嵌入到网络中,避免网络过平滑。在ModelNet40数据集、ScanObjectNN数据集进行了点云分类实验,在ShapeNetPart数据集与Toronto-3D数据集上分别进行了点云部件分割与点云语义分割实验,实验结果表明：相较于基准网络DGCNN,分类精度分别提升了1.3百分点、5.6百分点;分割精度分别提升了1.2百分点、33.1百分点。通过在ModelNet40-C数据集上进行稳健性分析,验证了所提网络具有较强的鲁棒性。     

用遗传-神经网络方法进行图像分割的研究

目标图像因其背景复杂、照度不均而难以通过常规分割方法得到有效分割，本文使用一种遗传-神经网络算法来分割图像，即对神经元网络引入遗传算法进行训练，并且采用了自适应的遗传参数，提出了分两个级别加以训练．实验表明，该算法可以正确分割图像，能够大幅度提高分割效率，有效提高图像分割的鲁棒性和精度，对具有不同目标大小和信噪比的图像也能得到较好的分割效果．     

基于多尺度互注意力的遥感图像语义分割网络

为了解决在遥感图像语义分割任务中存在的目标物体之间巨大尺度差异和丢失空间细节信息导致分割精度下降的问题，提出多尺度互注意力与指导上采样网络.利用多尺度互注意力模块获得不同尺度图像之间的像素关系，平衡不同尺度物体的权重，提高小尺度物体的分割性能.编码指导上采样模块利用编码结构中的信息，指导图像上采样的过程，融合空间细节信息，提升目标物体边界像素的分类效果.在Potsdam数据集和Jiage数据集上的m IoU得分分别为85.52%和86.59%，较次优网络分别提升了1.32%和1.46%.     

一种基于场景合成和锚点约束的SAR目标检测网络

随着深度学习方法在计算机视觉领域的崛起,如何将其应用于具有全天时、全天候等优点的SAR图像也成为一大研究重点.相较于传统图像,SAR图像由于其难判读、应用人群较少等原因难以获得大量标注数据.本文提出一种基于场景合成和锚点约束的SAR图标检测方法.通过区域生长算法和阈值法对SAR车辆目标及其阴影进行分割,然后随机嵌入SAR复杂场景中的合理区域来合成目标检测数据集.针对SAR车辆目标的几何特性、图像分辨率参数,对Faster-RCNN中的锚点大小进行约束,减少不符合SAR车辆目标检测框尺寸的候选框,大量约简冗余计算,提升训练、测试效率及精度.     

一种基于AEP和K主曲线的图像分割方法

广泛应用的第一主成分是对数据集的一维线性最优描述,主曲线是第一主成分的非线性推广.在此提出了一种基于AEP和K主曲线的图像分割方法,将统计学中的主曲线很好地应用于图像处理.该方法首先将腐蚀传播算法和区域生长型分水岭方法相结合,标记出图像中不同物体并产生初始边缘;然后,用K主曲线多边形线算法进行边缘点连接.实验结果证明,AEP算法能标记出一幅图中不同的目标,K主曲线能提供精确的目标轮廓线,该分割方法行之有效.     

基于语义分割的活体检测算法

为了提高人脸识别系统的安全性,防止手机、照片中的人脸图像伪装攻击,提出了一种基于语义分割的活体检测算法。首先,通过全卷积神经网络(FCN)对局部人脸区域进行语义分割,并提出了一种带方向的卷积核对网络进行优化。其次,训练了一个快速分类器对语义分割网络的结果进行分类。最后,对深度学习网络进行串联,形成一个端到端的活体识别框架。试验结果表明:本文检测算法在Casia活体数据集和私有数据集上表现突出,在实际项目中泛化能力突出。     

基于水平集的多运动目标检测和分割

针对视频图像的运动分割问题，提出了一种基于水平集方法的多运动目标检测和分割新方法.通过一种基于帧间差分的算法,自动提取初始背景图像，并使用相减法，检测出当前图像中的运动像素.定义了一种新的基于差分图像的局部梯度、目标的方差和背景的方差的速度函数，得到了改进的分割曲线的演化方程，分割出不同的运动目标.在水平集的求解过程，设定了控制演化曲线最终停止在目标边界上的条件，得到了运动目标的边界.实验结果表明，与其他传统方法相比，该运动目标检测和分割方法更有效和具有更好的鲁棒性，能够正确地提取运动目标边界.     

基于改进FCM算法和贝叶斯分类的图像自动标注

为跨越高层语义概念与底层视觉特征之间的语义鸿沟, 本研究提出一种新的图像自动标注方法。该方法首先采用灰度直方图方法对图像分割并提取图像区域的纹理特征, 然后利用FCM算法中增大关联度高的特征权重更好地实现对分割后图像区域的聚类效果。最后改进贝叶斯分类器建立图像区域和语义概念间的关联模型, 通过比较测试图像和训练图像间的最大相似度实现测试图像的自动标注。在Corel通用图像数据集上与其他几种方法进行了对比实验, 实验结果表明改进后的标注方法优于传统标注方法。     

Hough变换和区域分离-合并相结合的分割算法

针对传统区域分离-合并算法中过分割的问题,提出一种基于边缘提取和区域分离-合并相结合的分割算法。即利用Canny算子对图像进行边缘提取,得到边缘像素集。然后将像素集作为边缘线,采用区域分离-合并算法进行图像分割。由于Canny算子所提取的像素集是不完整的,所以需要用Hough变换对其进一步完善,得到连续的边缘线。该算法能够提高区域分离-合并算法的精确度,较好地解决其过分割的问题。实验结果表明,该算法有效。     

一种基于MRF与区域合并的图像分割改进算法

针对现有基于马尔科夫随机场的图像分割算法容易出现过分割、分割结果不理想等问题,提出了一种基于马尔科夫随机场与区域合并的图像分割改进算法。该算法首先基于马尔科夫随机场与高斯混合模型理论的图像分割算法得到初始分割结果;然后利用各个区域间的相邻关系、颜色关系以及边界情况等信息,给出各个区域间的距离;最后按照区域间的距离与区域合并前后的颜色散度变化率对初始分割结果进行区域合并,输出最终的分割结果。使用伯克利标准图像库进行实验仿真,采用Dice系数和Jaccard系数作为评价指标。仿真结果表明,相比于现有基于MRF理论的算法,本文算法具有更好的分割效果。     

抑制船尾拖纹的船舶显著性视频检测方法

运动船舶尺寸等参数的视频检测中,与船体同步运动的水面拖纹干扰会严重影响检测精度.为此,在描述显著性检测机理的基础上,提出了抑制船尾拖纹的船舶显著性视频检测方法:根据颜色对比度直方图得到内河场景的显著图;将原图超像素分割成若干子区域,以区域空间位置关系改进直方图对比度显著性检测结果得到区域显著图;通过该区域显著图初始化GrabCut算法,迭代分割过程中加入腐蚀膨胀操作来逼近目标边缘,从而提取运动船舶.实况视频测试结果表明,该方法能有效地抑制船尾拖纹,准确地检测出内河运动船舶,准确性达到94.6％     

基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络. 该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上. 应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征. 提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合. 所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.     

基于Mean Shift和随机游走的图像分割算法

提出了一种改进的随机游走算法。首先,采用Mean Shift算法对图像进行预处理,将图像划分成一些同质区域,用同质区域作为节点进行随机游走,在降低节点数的同时也抑制了噪声对分割的影响;其次,利用马氏距离定义区域之间的权值;对种子点进行了改进,增加了辅助种子点,利用辅助种子点和用户标记的种子点进行随机游走,实现同质区域的合并,实现图像的最终分割。实验结果表明,该算法提高了图像分割的精度。     

一种基于显著性活动轮廓模型的图像分割方法

为了有效地提取图像中物体的轮廓,结合视觉注意机制,提出一种改进的距离正则化水平集活动轮廓模型的分析方法。首先提取图像的初级特征,构成图像显著图;然后采用最大类间方差法获得显著区域的初始轮廓,以此作为活动轮廓模型中曲线演化的初始位置;最后利用距离正则化水平集演化,获得目标物体的边界,完成图像分割。这种结合视觉注意机制与改进的距离正则化水平集演化方法能够显著降低水平函数演化次数,提高图像分割效率。仿真结果表明,它能有效检测单个及多目标物体的边界,且定位准确。     

基于混沌粒子群和模糊聚类的图像分割算法研究

针对模糊C-均值聚类算法受初始聚类中心和隶属度矩阵的影响,易陷入局部最优解,以至于得不到最佳聚类结果等问题,提出了一种新的基于混沌粒子群的模糊C-均值聚类的图像分割算法。该算法采用逻辑自映射函数初始化均匀分布的粒子群,当算法陷入早熟收敛时进行混沌优化,以改善因粒子停滞而收敛到局部最优解的能力。实验结果表明,该算法具有更快的分割速度和更高的分割精度。     

基于AHLO与K均值聚类的图像分割算法

针对图像分割中K均值算法全局搜索能力差、初始聚类中心选择敏感的问题,提出了一种将自适应人类优化算法与K均值算法相结合的聚类算法.该算法利用自适应人类学习优化算法初始化聚类中心,提高K均值算法的稳健性.结果表明,该算法聚类得到的标准差相比传统K均值算法和基于粒子群K均值(PSO-Kmeans)算法分别小两个数量级和一个数量级,同时图像分割得到的PSNR值均较高,具有算法收敛速度更快,聚类质量更好,图像分割效果更好,适应性更强的优点.     

基于哈希表结构和图像分割的快速图像标注

为了快速、准确地标注大型图像数据集中的图片,提出了一种利用图像分割和基于kNN(k-nearest neighbor)图的半监督学习来标注图像的算法.该算法先将图像分割为若干个局部区域,使用局部敏感的哈希表来构建图像局部区域的kNN图,并基于图像局部区域的kNN图来构建原始图像的kNN图,利用基于图的半监督标签传递算法来标注未标注的图像.在具有269 648张图像的大型图像数据集NUS-WIDE和具有5 000张图像的Corel数据集上的实验结果表明,该算法能获得较快的标注速度和标注精度.     

改进的分水岭分割算法在图像分割中的应用

针对基于区域的分水岭分割算法通常存在过分割现象,提出了一种新的分割算法,其分割流程大致为：先求形态梯度图像的浮点活动图像,然后进行分水岭变换,这样边缘定位会更准确;接着使用区域生长法对图像作进一步分割,可以很好地抑制过分割现象,感兴趣的区域也得以保留．实验表明该算法简单有效,能够得到理想的分割结果．