快速自动模糊C-均值聚类彩色图像分割算法

针对传统模糊C-均值（FCM）聚类算法计算复杂度高、无法自动确定聚类数目的问题,提出了一种快速自动FCM聚类彩色图像分割算法。首先通过改进的简单线性迭代聚类（SLIC）超像素算法预分割图像,将传统基于单个像素的聚类转化为基于超像素区域的聚类,降低FCM计算复杂度;其次利用改进的密度峰值算法自动确定聚类数目,提高算法灵活性;最后,对超像素图像进行基于直方图的FCM聚类,完成图像分割。为验证所提算法的有效性,采用BSDS500、AID和MSRC公共数据库作为实验数据集,并与其他4种FCM分割算法进行了比较。实验结果表明,所提分割算法在分割精准度、模糊分割系数、模糊分割熵和视觉效果等方面均优于其他几种比较算法。     

基于自适应区域限制FCM的图像分割方法

提出一种基于自适应区域限制FCM（Fuzzy C-Means）的彩色图像分割方法,结合隐马尔科夫模型,把超像素具有区域一致性作为先验知识自适应融入到聚类过程中,以提升聚类性能.算法首先生成图像的超像素,计算像素对该超像素的贡献度,以此计算该超像素的区域隶属度函数;然后根据像素所属超像素是否具有主标签,选择像素级隶属度函数或区域级隶属度函数计算该像素的点对先验概率,以加强分割结果的区域一致性;其中,使用区域隶属度函数将引导聚类优化的方向,因此在迭代过程中去除未被使用的标签;最后迭代终止获得图像的分割结果.实验结果表明,相对于比较算法,本文算法的分割性能有显著提升.     

一种基于模糊C均值的图像超像素分割方法

在分析现有图像分割算法基础上,提出一种基于超像素的模糊C均值分割算法.首先利用像素间灰度和距离定义像素间相似度,从而循环迭代出图像的超像素;然后进一步提取每个超像素的小波能量特征并利用模糊C均值算法对该特征进行聚类.大量实验表明,提出的图像分割算法对噪声有一定稳健性,分割准确率高,并能有效抑制孤立点的影响.     

基于超像素和DTCWT的火焰检测

结合超像素和双树复小波变换(DTCWT)给出了一种基于图像的火焰检测算法。该算法使用简单线性迭代聚类(SLIC)方法对图像进行超像素分割,并采用RGB-HSV混合颜色空间对超像素进行处理,分割出疑似火焰区域;然后利用DTCWT对疑似火焰区域图像进行多尺度多方向分解,分别对高低频系数提取HOG特征和圆形度特征;最后通过特征融合,并使用交叉网络搜查法的SVM实现火焰的识别。大量实验结果表明该算法火焰识别的精度较高。     

动态背景下运动车辆的检测与跟踪研究

为实现对车载设备视频图像中车辆的识别和跟踪,针对图像中的运动目标和动态背景,提出了一种基于特征学习的目标检测和超像素跟踪算法.该算法首先对训练图像进行HOG特征提取,并利用AdaBoost算法得到强分类器.利用强分类器对采集的图像进行车辆检测,从而确定搜索区域.结合对搜索区域的超像素分割结果,采用均值漂移聚类算法实现车辆识别与跟踪.实验结果表明,该算法可以很好地实现视频序列中的车辆识别,提高了目标跟踪的实时性.     

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.     

一种新的结合稀疏编码的红外图像聚类分割算法

聚类作为一种重要的图像分割方法得到了大量研究,提出了一种新的结合稀疏编码的红外图像聚类分割算法,扩展了传统的基于K-means聚类的图像分割方法。结合稀疏编码的聚类算法能有效融合图像的局部信息,而且易于利用像素之间的内在相关性,但是对于分割会出现过分割和像素难以归类的问题。为此,在字典的学习过程中,将原子的聚类算法引入其中,有助于缩减字典中原子所属类别的数目防止出现过分割;同时将稀疏编码系数同原子对聚类中心的隶属程度相结合来判断像素所属的类别。这种处理方式能更好地实现利用像素的内在相关性进行聚类分割,并在其中自然引入了局部空间信息,达到更好分离目标区域和背景区域的目的。实验结果表明,结合稀疏编码的K-means聚类分割算法能更好的实现复杂背景下红外图像重要区域的准确分割提取。     

结合模糊聚类与区域合并的彩色图像分割方法

提出了一种结合模糊聚类与区域合并的无监督彩色图像分割方法.首先,根据彩色图像建立对应的三维直方图,运用爬山法得到初始聚类中心和聚类数;然后,运用基于空间邻域像素的模糊均值聚类算法对图像在颜色空间进行聚类,得到初始分割结果;最后,应用提出的区域合并算法合并图像初始分割结果得到最终分割图像.仿真结果表明,算法的分割结果与人的主观视觉也有较好的一致性.     

基于红外CCD的掺钆液体闪烁体液位测量方法

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。     

基于超声图像的自适应谱聚类方法研究

为精确提取超声肿瘤图像的肿瘤区域,基于分裂合并思想,结合自协调谱聚类方法,提出一种基于超声图像的自适应谱聚类方法。该方法在分裂阶段用SLIC算法将图像分割成超像素,根据肿瘤区域和背景区域的纹理特征差异选取合适的纹理特征,在合并阶段用自协调谱聚类算法自动确定谱聚类数目,聚出肿瘤区域,并用先验知识提取分割结果中的肿瘤区域。将该算法提取的肿瘤区域和人工分割的肿瘤区域比较,准确度达到93. 41%,结果比较准确。     

基于近邻搜索花授粉优化的直觉模糊聚类图像分割

为克服传统模糊聚类算法应用于图像分割时,易受噪声影响,对聚类中心初始值敏感,易陷入局部最优,模糊信息处理能力不足等缺陷,该文提出基于近邻搜索花授粉优化的直觉模糊聚类图像分割算法。首先设计一种新颖的图像空间信息提取策略,进而构造融合图像空间信息的直觉模糊聚类目标函数,提高对于噪声的鲁棒性,提升算法处理图像中模糊信息的能力。为了优化上述目标函数,提出一种基于近邻学习搜索机制的花授粉算法,实现对于聚类中心的寻优,解决对于聚类中心初始值敏感,易陷入局部最优的问题。实验结果表明所提算法能在多种噪声图像上取得令人满意的分割效果。     

融合层次聚类的高分辨率遥感影像超像素分割方法

为解决遥感影像分割尺度自动选取难的问题,提出了融合层次聚类的高分辨率遥感影像超像素分割方法。首先采用自适应形态重建的分水岭分割算法将影像分割成多个超像素;然后提取各超像素的灰度特征向量;最后利用层次聚类方法进行超像素合并,实现高分辨率遥感影像的精确分割。实验选用4组景遥感影像;采用定性和定量相结合的方法评价实验结果。实验结果表明,该方法有效提高了遥感影像分割精度,并取得了较好的分割视觉效果。     

基于超像素多特征融合的快速图像分割算法

为了提高高分辨率图像分割效率,解决复杂图案中待分割目标边缘附近前景与背景区分度小而造成的分割目标不完整问题,本文通过引入超像素HOG特征,提出了一种基于超像素多特征融合（superpixel multi-feature fusion,SMFF）的快速图像分割算法.首先采用目前最有效的超像素算法对待分割图像进行超像素预分割,然后提取基于超像素的HOG特征、Lab颜色特征和空间位置特征,设计基于超像素的多特征度量算法,最终采用图割理论实现了基于超像素多特征融合的快速图像分割.实验结果验证了本文算法的有效性,其算法性能接近于目前最经典图像分割算法,且本文算法的时间性能要明显优于其它对比算法.     

基于SLIC超像素分割的SAR图像海陆分割算法

海陆分割在合成孔径雷达(SAR)图像的海面目标检测以及海岸线提取等海洋应用方面具有非常重要的意义。针对合成孔径雷达图像的特点,提出了基于SLIC超像素分割的SAR图像海陆分割算法。首先为抑制SAR图像固有相干斑噪声并较好地保留图像的边缘信息,采用精致Lee滤波对图像进行预处理。然后对图像进行SLIC超像素分割,再将分割后的图像进行FT区域显著性检测以及显著值相似度聚类。最后将处理后的图片二值化得到海陆分割结果。实验结果表明,本文所提海陆分割算法具有很高的处理精度以及较高的处理效率。     

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.     

基于超像素与图卷积神经网络的白细胞分割

白细胞分割是医学图像处理领域的一项富有挑战性的任务,针对目前白细胞分割存在的准确度不高、粘连情况不易分割等问题,将图像的分割转化为区域节点的分类问题,提出基于图卷积神经网络的白细胞分割算法.首先将训练图像经超像素分割得到若干超像素区域,把每个超像素区域作为图的一个节点,并充分利用超像素区域的彩色特征以及空间邻域关系构造稀疏加权图来训练图卷积网络,然后利用训练好的网络对测试图像进行白细胞核、质、背景的三域一次性分类.实验数据表明,本文算法对不同类白细胞均具有较好的分割效果.     

High-dimensional features of adaptive superpixels for visually degraded images

This study presents a novel and highly efficient superpixel algorithm, namely, depth-fused adaptive superpixel (DFASP), which can generate accurate superpixels in a degraded image. In many applications, particularly in actual scenes, vision degradation, such as motion blur, overexposure, and underexposure, often occurs. Well-known color-based superpixel algorithms are incapable of producing accurate superpixels in degraded images because of the ambiguity of color information caused by vision degradation. To eliminate this ambiguity, we use depth and color information to generate superpixels. We map the depth and color information to a high-dimensional feature space. Then, we develop a fast multilevel clustering algorithm to produce superpixels. Furthermore, we design an adaptive mechanism to adjust the color and depth information automatically during pixel clustering. Experimental results demonstrate that regardless of boundary recall, under segmentation error, run time, or achievable segmentation accuracy, DFASP is better than state-of-the-art superpixel methods.     

结合小波局部特征与LDA的人脸识别

提出了一种小波局部特征结合LDA(线性判别分析)的人脸识别算法。首先对图像分块,选取包含图像信息量多的区域进行小波变换并提取特征,将小波分解得到的低频部分利用LDA投影求得人脸识别特征,最后利用最近邻分类器对图像进行分类。在ORL和Yale人脸数据库上进行实验,结果表明使用小波局部特征结合LDA的方法可达到较高的识别率。     

改进U-Net网络的接地网图像超像素分割北大核心CSCD

研究基于改进U-Net网络的接地网图像超像素分割方法,提升红外图像超像素分割效果。通过主成分分析法降维处理接地网腐蚀红外图像;利用Turbopixel超像素分割法分割降维后的红外图像,获取数个超像素区域;在全卷积U-Net网络内添加可变形卷积与重构上采样卷积,并利用反向传播算法,优化网络参数,建立改进的全卷积U-Net网络结构;在改进的全卷积U-Net网络内分割获取的数个超像素区域,输出红外图像超像素自动分割结果。实验证明:该方法可有效降维处理接地网腐蚀红外图像,实现红外图像超像素分割,分割后的红外图像边界清晰;在不同分辨率时,该方法的Dice相似性系数较高、Hausdorff距离较低,具备较高的红外图像超像素分割精度。