图像边缘检测的多尺度灰度Gap统计模型

汲取Hastie和Tibshiran i等人提出的“Gap statistic”的思想方法,利用样本灰度数据分布的差别定义多尺度的图像灰度间隙,在提出反分布函数概念的基础上,建立了图像边缘检测的多尺度灰度Gap统计模型。通过分析分布间隙和灰度间隙的一致性,优化了Gap统计模型的边缘检测算法。分析不同尺度下的检测结果,并比较了灰度Gap统计模型与Prew itt和Sobel边缘算子之间的相互关系。通过实例与分析,证明了该模型具有抗噪声、多尺度的特点。     

基于知识的多层Mumford-Shah向量值图像分割模型

针对多层Mumford-Shah模型不能正确分割对比度小且部分被遮挡的复杂医学图像问题, 将目标形状先验知识窄带水平集统计形状模型集成到多层Mumford-Shah模型, 提出了基于目标形状先验知识的多层Mumford-Shah向量值图像分割模型和求解该图像分割模型泛函最小值的水平集逐层迭代算法. 实验结果表明, 该方法能够有效分割对比度小且部分被血管遮挡的早期青光眼病人视乳头图像.     

基于水平集逐层迭代算法的多层Mumford-Shah图像分割、去噪与重建模型

针对能够同时进行图像分割、去噪与重建目的的Mumford-Shah能量泛涵最小值图像模型求解非常困难这一问题,提出了"多层Mumford-Shah图像分割、去噪与重建模型"和求解该多层模型最小值的"水平集逐层迭代算法".该多层模型是Mumford-Shah"最小分割问题"的"多层"模型.实验结果表明,该方法不仅能够同时进行具有T型图像边缘或更复杂拓扑结构图像边缘的图像分割、去噪与重建,而且比Tsai A.等人提出的多层求解轮廓和Chan T.等人提出的多相水平集方法更简单更有效.     

基于多尺度统计形状模型的Levelset分割方法

提出并建立了一种基于小波分析的多尺度统计模型,将该统计模型作为先验知识引入Mumford-Shah能量约束函数,从而指导水平集函数进行图像分割。实验表明,当对拓扑结构复杂的医学图像进行分割时,该方法具有明显的效果,同时分割速度和精度都得到了明显改善。     

多层Mumford-Shah向量值图像分割、去噪与重建模型

针对多层 Mumford-Shah 图像分割、去噪与重建模型不能进行彩色等向量值图像处理的问题, 提出了多层 Mumford-Shah 向量值图像分割、去噪与重建模型和求解该模型泛函最小值的水平集逐层迭代算法. 该模型是 Mumford-Shah ``最小分割问题'的向量值图像``多层'实现模型. 实验结果表明, 该方法不仅能够同时进行具有 T 型图像边缘或更复杂拓扑结构图像边缘的向量值图像分割、去噪与重建, 而且比 Tsai A 等人提出的多层求解轮廓和 Chan T 等人提出的多相水平集方法更简单有效.     

Mumford-Shah模型在卫星云图分割中的应用

利用Mumford-Shah模型对卫星云图进行分割和识别。根据卫星云图自身的特征,提出了基于核心灰度的Mumford-Shah模型,并用此模型分割出了单通道卫星云图中的高云、中云和低云。同时提出了一种基于核心灰度的Mumford-Shah模型的向量图像分割方法,对两个通道的卫星云图进行分割,更加准确地识别出中低云系在红外通道和可见光通道中的位置。     

基于简化Mumford-Shah模型的水平集红外图像分割算法

由于红外图像大多具有目标模糊,对比度低的特点,传统的分割方法容易受到噪声和边界轮廓的影响而导致分割效果不佳,提出了一种基于简化Mumford-Shah模型的水平集红外图像分割算法.该算法能够通过将初始闭合曲线嵌入水平集函数,利用函数的求解从而达到图像分割的目的.仿真实验结果表明,该分割算法与初始轮廓线位置无关,受边界轮廓线和图像噪声的影响较小,具有较强的鲁棒性,在目标与背景灰度级差别较小的红外图像的分割中取得了较好的效果.     

一种模糊特征驱动曲线演化的图像分割

利用模糊特征向量表示图像上各区域上的特性,然后把模糊特征向量集成到简化Mumford-Shah模型。这种推广的Mumford-Shah模型与原来的Mumford-Shah模型相比能包含更多的图像信息,增强了图像分割的性能,而复杂程度却没有提高。原来的模型是推广模型的特例。对弱边缘、凹凸区域和复杂背景的图像能较好地分割。人工合成图像、真实图像的实验说明推广模型对图像分割的有效性。     

一种基于分层Mumford-Shah模型的颅脑图像分割方法

在介绍简化Mumford-Shah模型和水平集（LevelSet）方法的基础上,针对颅脑多目标分割问题,提出了一种基于分层Mumford-Shah模型的图像分割方法,并运用改进图像分割方程进行计算求解,对颅脑MR图像的分割实验证明了该方法的有效性。     

基于Mumford-Shah模型的快速水平集图像分割方法

该文对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法做了两方面的改进:首先改进了C-V方法的偏微分方程,使得C-V方法可以快速计算出全局最优分割;其次,采用源点映射扫描方法来快速计算符号距离函数,克服了常规水平集方法中构造符号距离函数计算量大的缺点,并结合该文所提出的基于快速步进法生成符号表的方法,进一步提高了计算稳定性.两方面的改进提高了计算的速度和分割效果,试验统计结果显示,对于512×512的大幅图像,一般只需要10次左右的迭代就可以得到最优的分割效果.对合成图像、生物医学图像的分割结果表明了本文方法的稳健、快速.     

基于支持向量机的连续超声图像集分割算法

针对传统的支持向量机（SVM）模型对连续超声图像集进行分割时需要为图像集中每张图片提取样本点来建立分割模型的问题,提出了一个对整个连续超声图像集的统一的SVM分割模型。首先,从图像的灰度直方图中提取灰度特征作为表征图像集中图像连续性的特征;其次,从图像集中选取部分图像作为样本,并从中提取像素点的灰度特征;最后,将各像素点的灰度特征与各像素点所在图像中表征图像集连续性的特征相结合,用SVM的方法训练出分割模型对整个图像集进行分割。实验结果表明,与传统SVM分割方法相比,新模型在面对大量的有连续变化的图像集的分割问题上,大幅地减少了人工选取样本点的工作量,并且在分割的准确率上也有保证。     

基于双随机场能量函数的区域化图像分割*

为了提高图像分割算法的抗噪性,并充分利用特征场和标号场在能量函数分割模型中的作用,提出基于双随机场能量函数的区域化图像分割方法.首先,利用几何划分将图像域划分为一系列子区域.在此基础上,采用多值高斯分布的负对数定义区域化特征场能量函数,用于描述同质区域内像素颜色的统计分布一致性.扩展传统建模邻域像素标号关系的Potts模型至邻域子区域,定义区域化标号场能量函数,用于表征各子区域标号之间的相关性.联合特征场和标号场,采用KL散度定义异质性能量函数,用于刻画同质区域间颜色统计分布异质性.利用非约束吉布斯表达式将定义的特征场和标号场能量函数转换为描述图像分割的概率分布函数.最后,在最大化上述概率分布函数准则下,设计合适的M-H采样算法,获得最优图像分割.在合成图像、遥感图像和自然纹理图像上进行分割实验,验证文中方法的有效性和准确性.     

DeepLabv3plus-IRCNet：小目标特征提取的图像语义分割

目的 为了解决经典卷积神经网络无法满足图像中极小目标特征提取的准确性需求问题,本文基于DeepLabv3plus算法,在下采样过程中引入特征图切分模块,提出了DeepLabv3plus-IRCNet（IR为倒置残差（inverted residual,C为特征图切分（feature map cut））图像语义分割方法,支撑图像极小目标的特征提取。方法 采用由普通卷积层和多个使用深度可分离卷积的倒置残差模块串联组成的深度卷积神经网络提取特征,当特征图分辨率降低到输入图像的1/16时,引入特征图切分模块,将各个切分特征图分别放大,通过参数共享的方式提取特征。然后,将每个输出的特征图进行对应位置拼接,与解码阶段放大到相同尺寸的特征图进行融合,提高模型对小目标物体特征的提取能力。结果 本文方法引入特征图切分模块,提高了模型对小目标物体的关注,充分考虑了图像上下文信息,对多个尺度下的各个中间层特征进行融合,提高了图像分割精度。为验证方法的有效性,使用CamVid（Cambridge-driving labeled video database）数据集对提出的方法进行验证,平均交并比（mean intersection over union,mIoU）相对于DeepLabv3plus模型有所提升。验证结果表明了本文方法的有效性。结论 本文方法充分考虑了图像分割中小目标物体的关注度,提出的DeepLabv3plus-IRCNet模型提升了图像分割精度。     

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.     

LM-UNet: 横向MLP用于增强U-Net的医学图像分割

卷积神经网络(CNN)作为医学图像分割领域中U-Net基线网络的重要组成部分,其主要作用是处理局部特征信息之间的关系.而Transformer是一种能够有效强化特征信息之间的远距离依赖关系的视觉模型.目前的研究表明,结合Transformer和CNN可以在一定程度上提高医学图像分割的准确性.但是,由于医学图像的标注数据较少,而且训练Transformer模型需要大量数据,这使得Transformer模型面临耗时长和参数量大的挑战.基于这些考虑,本文在UNeXt模型的基础上,结合多尺度混合MLP和CNN,提出了一种新型的基于混合MLP的医学图像分割模型——LM-UNet.这种模型能够有效地增强局部与全局信息之间的联系,并加强特征信息间的融合.在多个数据集上的实验表明, LM-UNet模型在皮肤数据集上的分割性能明显提升,平均Dice系数达到92.58%,平均IoU系数达到86.52%,分别比UNeXt模型提高了3%和3.5%.在软骨和乳腺数据集上的分割效果也有显著提升,平均Dice系数分别比UNeXt提高了2.5%和1.0%.因此, LM-UNet模型不仅提高了医学图像分割的准确性,还增...     

基于双分支融合注意力机制的图像分割算法

针对DeepLabV3+在特征提取阶段忽略了不同尺度特征重要程度出现的部分细节信息损失导致图像分割不细致,提出一种融合双分支特征提取和注意力机制的改进算法. ResNet101骨干网络初步提取出的特征图作为注意力机制的输入特征,解决了网络退化及梯度消失的问题,也能够捕获到被DeepLabV3+忽略的图像细节信息;设计双分支特征提取机制扩大特征提取能力,细化图像边缘信息以优化网络对不同尺度特征关注不均的问题;同时,联合采用交叉熵损失和类别不平衡函数两种损失函数作为损失函数,通过聚焦于前景样本降低背景的影响,提高算法分割精度.实验结果表明,改进算法在PASCAL VOC 2012和CityScapes数据集上的平均交并比(MIoU)值分别达到了79.92%和68.59%,与经典算法和基于DeepLabV3+改进的算法相比,特征提取的准确性有所提高,分割效果更优.     

Color texture segmentation based on image pixel classification

Image segmentation partitions an image into nonoverlapping regions, which ideally should be meaningful for a certain purpose. Thus, image segmentation plays an important role in many multimedia applications. In recent years, many image segmentation algorithms have been developed, but they are often very complex and some undesired results occur frequently. By combination of Fuzzy Support Vector Machine (FSVM) and Fuzzy C-Means (FCM), a color texture segmentation based on image pixel classification is proposed in this paper. Specifically, we first extract the pixel-level color feature and texture feature of the image via the local spatial similarity measure model and localized Fourier transform, which is used as input of FSVM model (classifier). We then train the FSVM model (classifier) by using FCM with the extracted pixel-level features. Color image segmentation can be then performed through the trained FSVM model (classifier). Compared with three other segmentation algorithms, the results show that the proposed algorithm is more effective in color image segmentation.     

一种基于纹理特征融合的SAR图像分割方法

在由若干灰度共生矩阵纹理统计量进行特征融合后所生成的图像上,定义多分辨双Markov-GAR模型,采用多分辨MPM参数估计方法及相应的无监督分割算法,对SAR图像进行纹理分割。该方法既利用了像素的灰度信息,也利用了像素的空间位置信息,削弱了斑点噪声对分割的影响。实验表明对于一些高分辨SAR图像,该方法与单纯基于灰度图像上的多分辨双Markov-GAR模型纹理分割相比,分割精度得以提高。     

基于统计先验形状的水平集图像分割综述

对于图像分割来说,常常需要结合尽可能多的先验信息来分割感兴趣组织。对基于统计先验形状的水平集图像分割方法进行了综述。该分割模型的特点是能量函数由两部分组成:首先是基于图像的梯度或区域灰度的数据项;第二项是先验形状项,对处理因遮挡、噪声和裂口而导致的信息缺失的图像具有鲁棒性。深入讨论了如何从感兴趣组织的训练集中构建一个压缩的形状表达——隐含形状模型;如何构建既包括使全局形状一致的隐含曲面约束,又保持了水平集捕捉局部形变的能力的基于先验形状的水平集图像分割模型;介绍了形状对齐和一致性等关键问题。最后指出了目前存在的问题和进一步的发展方向。     

多注意力机制金字塔池化金手指划痕分割方法

针对传统图像处理方法和基于深度学习的分类模型对金手指表面划痕检测效果不理想的情况,提出了一种多注意力机制金字塔池化方法对金手指表面划痕进行语义分割。采用ResNet50模型获取输入图像的特征图;在金字塔的不同层中将特征图分成大小不同的子区域,然后对每个子区域进行平均池化操作;池化后的特征图加入多种注意力机制来提取关键部分的特征信息,并使用边界细化模块对边缘区域进一步精细化,提高分割准确度。通过上采样,将四种不同尺寸的特征图采用级联的方式对划痕区域进行特征融合;与带有整体信息的特征图拼接后经过卷积操作得到最后的预测结果。实验结果表明,本文采用的方法较其他常用分割模型在MIOU和MPA指标上具有明显提升,分别达到86.03%和94.35%,具有一定的应用价值。