基于SLIC和改进区域生长的非结构化道路识别

非结构化道路一般没有车道标识线且道路边界模糊,区分道路区域与背景区域难度较大。针对现有非结构化道路识别方法存在全像素域计算分类处理实时性差、易受噪声数据干扰等问题,提出一种基于SLIC（simple linear iterative clustering）超像素分割和改进区域生长算法的非结构化道路识别方法。利用均匀化初始聚类中心的SLIC算法生成低分辨率超像素特征图。在此基础上,利用聚类算法与邻域搜索算法自适应选择种子点,并引入CIEDE2000色差理论作为区域生长法生长准则,初步确定道路区域。根据道路连续一致特点,优化超像素级生长图并映射轮廓区域至原图,获得道路最终区域。基于数据集及真实场景的实验结果表明,该方法具有较高的识别率和抗干扰能力。     

基于SLIC的改进GrabCut彩色图像快速分割

GrabCut算法用户交互量少且分割精度高,但它迭代使用GraphCuts的求解模式使得在处理高分辨率图像时,耗时巨大。提出了一种快速GrabCut算法,在高斯混合模型参数估计过程中,通过SLIC算法构建精简的GraphCuts模型以实现加速。通过SLIC算法将原始图像快速地预分割成具有确定边界且区域内相似度高的超像素图,并以此构建精简的网络图。以块内的RGB均值描述超像素特征进行高斯混合模型参数估计。为了提高分割精度,使用得到的GMM参数对原始图像进行分割。实验结果证明了该算法在时效和精度上都有很好的性能。     

基于SLIC方法的光照偏强农田图像分割研究

精准农业是未来农业发展的趋势,而农田图像分割是精准农业的前提与基础。针对光照偏强条件下农田图像高光点区域丢失植物绿色特征对图像分割质量的影响,以SLIC方法和YCrCb颜色空间中的Cg分量为基础,利用不同分类器实现光照偏强条件下农田图像分割的研究。首先采用SLIC对农田图像进行预处理,获取超像素模块;为避免植物叶面因光照偏强出现高光点区域丢失部分绿色特征,引入YCrCb颜色空间模型中的Cg分量和超绿颜色因子提取特征;为避免监督学习对训练样本要求高,采用半监督学习,将有标签样本和无标签样本进行混合;最后采用不同的分类器进行图像分割,并对实验结果采用混淆矩阵和Kappa系数进行评价。对比实验结果可得,采用距离判别法核函数为diagQuadratic的图像分割效果较其他方法较好,分割正确率较高。     

基于SLIC与Delaunay图割的交互式图像分割算法

针对现有的交互式图像分割算法在处理高分辨率图像时仍不够高效的问题,提出了一种基于简单线性迭代聚类（simple linear iterative clustering,SLIC）与Delaunay图割的交互式图像分割算法。使用一种简化但是高效的SLIC算法将图像分割为多个在感知上有意义的原子区域,并提取这些区域的代表像素点;对处在背景矩形框内的代表像素点进行Delaunay三角剖分,构建图结构;最后利用最小割最大流算法将图中的节点分为两部分,并将这些节点对应为相应的原子区域,达到将图像分割为前景和背景的目的。与其他交互式图像分割算法进行实验对比,结果表明所提算法在计算效率上有较大提升,并更为准确。     

基于SLIC和主动学习的高光谱遥感图像分类方法

在主动学习的基础上,提出一种基于SLIC的高光谱遥感图像主动分类方法。首先提取图像纹理特征并与光谱特征融合,使用PCA对新数据进行降维,取前三个主成分构成假彩色图像,然后使用SLIC处理该图像获得超像素;接着随机抽取定量超像素作为初始训练样本,样本光谱信息为超像素样本中所有像素点的光谱信息均值,样本标签为超像素中出现次数最多的类别;然后通过主动学习得到SVM分类器;最后使用分类器对超像素分类得到其类别,并将超像素类别赋予其包含的像素点,从而达到高光谱遥感图像分类的目的。实验表明：该方法明显降低了主动学习过程的时间消耗,有效地提高了分类效果,其OA,AA和Kappa值显著优于未使用SLIC的主动学习方法。     

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。     

基于纹理特征的自适应SLIC超像素分割算法

由于简单线性迭代聚类算法（Simple Linear Iterative Cluster,SLIC）只考虑了颜色和空间信息导致分割不准确且边界附着度不高,且人工预设的超像素块数也会影响后续分割效果,提出了一种基于纹理特征的自适应SLIC超像素分割算法。先使用图像复杂度衡量图像分割的难易程度,根据自适应计算合适的图像分割块数,再基于SLIC算法把局部二值模式（Local Binary Patterns,LBP）纹理特征纳入相似性度量,提高SLIC算法分割精度。实验结果表明,本文方法与SLIC算法相比有更高的评价指标。     

基于SLIC区域分割的三维地形重建算法

为利用无人机在高空连续拍摄的两幅航拍图像准确实现三维地形重建,提出了通过将图像进行区域分割来达到不同地形区域分别生成数字高程模型DEM数据的方法。首先利用简单线性迭代聚类SLIC超像素算法将图像分割为多个包含单一地形的超像素区域,再利用各区域的颜色信息进行相邻同类地形区域的融合,最后在所得的各区域内通过SIFT特征点提取与匹配、计算三维坐标来生成DEM数据。通过将重建地形结果与卫星地图对比表明,利用该方法能够有效实现地形重建;通过对比本文算法与传统地形重建算法的重建结果表明,利用该方法能准确呈现各地形间的边界信息。     

基于SLIC超像素粒化的粗糙熵图像分割算法

粒化是粗糙熵阈值化算法的重要步骤,针对图像预处理的粒化方式不同,采用一种基于简单线性迭代聚类(SLIC)超像素的粒化方式.利用SLIC超像素算法的亮度相似性和空间相邻性将像素分为信息粒,在该粒度下构造了图像目标和背景的上下近似集及其粗糙不确定度.在此研究基础上,设计了粗糙熵阈值化分割算法.实验定性和定量地比较了本文算法...     

基于SLIC分层分割的无人机图像极小目标检测方法

针对无人机可见光图像目标小、对比度弱的问题,本文提出一种基于简单线性迭代聚类（Simple linear iterative clustering,SLIC）分层分割的极小目标检测方法。首先使用预处理方法提高原始图像的对比度,并利用Top hat融合方法进行初始分割以确定目标区域,其次利用SLIC方法完成目标精细分割,并采用改进的具有噪声的基于密度的聚类方法(Density-based spatial clustering of applications with noise,DBSCAN)对SLIC分割结果进行超像素聚类,最后提取目标的邻域熵等多种底层特征,使用特征匹配方式检测目标,获取最终检测结果。本文提出了一种全局检测和局部检测相结合的检测策略,极大提高了检测速度。仿真结果表明,本文方法可以有效提高无人机小目标的检测性能,加速检测速度。     

用于灰度图像分割的小波区域扩张算法

文献[1,6]提出了小波变换聚类（WaveCluster)算法,该文将这种思想引入区域扩张的图像分割算法中,提出了小波区域扩张算法,首先对图像进行小波变换,在变换空间中进行图像分割,再将分割结果映射到原始空间,有效地提高了分割效率。     

区域生长法在PCB元件分割中的应用

针对PCB图像中元件区域的提取,提出一种基于种子窗口和自适应生长阈值的区域生长算法,实现元件的自动分割.算法改进了以往区域生长算法中种子点的选取方法,并以初始种子点附近区域的统计值和已生长区域的特征相结合的方法自动确定生长阈值,分割过程兼顾元件的局部特征和全局特征.实验结果表明,基于种子窗口和自适应生长阈值的改进区域生长法具有较好的分割效果.     

基于区域生长的多尺度遥感图像分割算法

图像分割是图像解译的关键一步,仅仅利用光谱信息的传统分割方法已不能有效地对高分辨遥感图像进行分割。鉴于高分辨率遥感图像提供了地物光谱、形状和纹理等大量信息,文章提出了一种基于区域生长结合多种特征的多尺度分割算法。首先利用图像梯度信息选取种子点;其次综合高分辨率遥感图像地物的局部光谱信息和全局形状信息作为区域生长的准则进行区域生长。迭代这两个过程,直到所有区域的平均面积大于设定的尺度面积参数则停止生长。该算法用VC实现,实验结果表明该算法能获得不同尺度下的分割结果且分割效率高、分割效果好。     

区域生长法图像分割的数据并行方法研究

针对基于区域增长的图像分割方法,讨论和研究了其数据并行实现方法,证明了这种数据并行方法的正确性,并简要对算法性能进行了分析。对有关结论进行了仿真验证,结果表明,这种基于区域生长法的图像分割的数据并行方法是正确且切实可行的。     

基于图象腐蚀和区域生长的矸石图象分割算法

在实际的矸石分选过程中,要求的目标主要是将大块的矸石分选出来。但是,在拍到的胶带运行过程图片中,往往夹杂着很多小的煤颗粒或是矸石颗粒,如果不滤除掉这些小的颗粒,会影响矸石分选的效果和效率。针对上述问题,提出了一种融合图象腐蚀和区域生长的矸石图象分割算法。该算法首先对采得的原始图象进行图象压缩,然后对压缩的图象进行直方图均衡化,通过设定合适的腐蚀半径对原图象采取图象腐蚀处理,并选择合适的种子和阈值对腐蚀后的图象进行区域生长,最后将处理后的图象和原图象做"与"运算,得到边缘清晰的大块矸石图象。仿真结果表明,该算法能有效分割出大块矸石,且经图象腐蚀后的区域生长阈值的取值范围明显变大,对其它边缘模糊图象具有一定的参考作用。