基于K均值聚类与区域合并的彩色图像分割算法

提出一种基于K均值聚类与区域合并的彩色图像分割算法。首先,对图像运用mean shift算法进行滤波,在对图像进行平滑的同时保持图像的边缘;然后,运用K均值算法对图像在颜色空间进行聚类,得到初始分割的结果;最后,给出了一种区域合并策略,对初始分割获得的区域进行合并,得到最终的分割结果。仿真结果表明,算法的分割结果和人的主观视觉感知具有良好的一致性。     

基于MSP-ROA边缘检测和区域合并的图像组合分割方法

提出一种基于MSP-ROA边缘检测和区域合并的图像组合分割算法，算法中对边缘检测的结果做种子生长、标注和区域填充，并根据相似性准则对填充的初始分割结果进行相邻区域的合并处理，最终得到同质性和连通性都较好的图像分割结果。     

融合快速全局K-means与区域合并的图像分割

提出一种融合快速全局K-means与区域合并的图像分割方法。该方法利用中值滤波方法对图像去噪;运用快速全局K-means算法对图像的颜色空间进行聚类分析;结合区域合并准则,对初始分割合并得到最终的分割结果。实验表明,与同类算法比较,该方法的分割结果在图像细节方面能够很好地满足人的主观视觉。     

一种融合颜色和空间信息的区域生长算法

该文提出了一种基于图像颜色和局部空间信息的种子区域生长算法,并用于彩色图像分割。该算法首先根据相对欧式距离使用均值聚类算法对图像进行颜色量化,形成图像的初始分割结果,然后通过计算局部颜色散度,进行分级区域合并,最后,利用形态学相关算法对分割区域的边缘进行平滑。实验表明,该算法能得到与人类视觉判断相一致的有意义区域的分割。     

基于组件树滤波及快速区域合并的分水岭分割算法

针对分水岭算法存在过分割的问题,提出一种结合组件树滤波及快速区域合并的图像分割算法。该算法在图像预处理阶段利用组件树来表示梯度图像且根据顺序极值计算分水岭的相对势能和属性,并对其进行滤波,从而减少梯度图像中的局部极小值。对滤波后的梯度图像进行分水岭初始分割,然后利用完美场景准则对初始分割结果进行快速区域合并。实验结果表明,采用组件树对梯度图像进行滤波能够减少由于噪声而产生的局部极小值,大大减少了分水岭初始分割区域数量,提高了区域合并的准确性,加快了合并速度。     

一种融合颜色和空间信息的彩色图像分割算法

提出了一种基于图像颜色和空间信息的彩色图像分割算法.该算法首先根据所提出的颜色粗糙度概念对图像进行颜色量化,并在此基础上使用增量式的区域生长算法发现颜色相近的像素之间的空间连通性,形成图像的初始分割区域.然后,根据融合了颜色和空间信息的区域距离,对初始分割区域进行分级合并,直到系统满足了所提出的停止区域合并的准则.最后,利用形态学的有关算法对分割区域的边缘进行平滑.实验证明,算法的分割结果与人的主观视觉感知具有良好的一致性.     

一种快速高分辨率遥感影像分割算法

高分辨率遥感影像(如IKONOS 影像)海量数据、复杂细节的特点决定了高分辨率遥感影像分割的技术难点,提出了基于同质性梯度特征、分水岭算法和最小代价合并的快速分割方法。首先对于原始图像进行同质梯度计算得到同质梯度图像;其次利用一种高效的分水岭变换获得初始分割图像;最后给出一种改进的区域合并算法来优化初始分割区域。应用于IKONOS影像的实验证明与其他的分割算法相比,采用所提出的分割方法能快速、准确地获得高分辨率遥感图像的分割结果。     

融合区域合并和Graph Cuts的彩色图像分割方法

针对使用Graph Cuts方法对图像进行分割极大影响分割精度这一问题,提出了一种新的融合区域分级合并和Graph Cuts的彩色图像分割算法。该算法首先使用均值漂移算法对图像进行初始分割,将原图像分割为具有较好边界的同质区域;然后,通过计算区域相似度对区域进行分级合并,之后构建精简的加权图,并使用Graph Cuts进行分割。多幅彩色图像的分割实验结果证明,所提算法具有较好的分割效果。     

融合聚类和分级区域合并的彩色图像分割方法

提出了一种融合聚类的分级区域合并彩色图像分割方法。为平滑图像且保持良好边缘,首先用均值偏移算法进行滤波,在此基础上运用改进的k均值聚类方法在颜色空间对图像进行聚类,形成图像的初始分割区域。融合颜色、空间和邻域信息度量区域的距离,对初始分割区域进行分级合并,直至满足停止区域合并的准则。利用形态学腐蚀与膨胀算法对区域边缘进行平滑。仿真结果表明,算法的分割结果符合人类主观视觉感知,具有良好的一致性。     

融合多特征的运动一致性图像分割

目的:在彩色图像分割中,光流法能够得到运动区域,但难以获得运动目标准确的分割边界,而常用的算法往往会产生过分割。为了克服光流法的不足,在保留显著性区域的同时抑制过分割,从而获得具有运动一致性区域的分割结果,提出融合多特征的运动一致性图像分割算法。方法:首先通过Mean Shift算法获取图像的初始分割,然后利用空域信息（包括颜色、边缘和区域面积）对视觉感知上具有相似性的区域进行合并,再利用时域信息进行运动一致性区域合并,最终得到分割结果。结果:实验结果表明通过结合时空信息,该方法能够有效抑制过分割,不仅弥补了光流场不能准确提取目标边缘的不足,而且提高了分割目标的完整性。结论:与两种流行的彩色图像分割算法相比,所提方法获得了更加理想的结果。     

一种基于区域分级合并的彩色图像分割方法

在区域合并过程中,手工设置颜色相似性和边界距离的权重极大地影响了分割的精度和自动化.针对这一问题,提出了一种新的基于区域分级合并的彩色图像分割算法.该方法能够根据邻接区域的边界特点设置权重因子,从而自适应地融合区域的颜色相似性和边界距离.使用均值漂移算法对图像进行初始分割,将原图像分割为具有较好边界的同质区域;通过计算区域相似度对区域进行分级合并.多幅彩色图像的分割实验结果证明,所提算法优于传统的基于区域合并的方法.     

基于云模型的图像区域分割方法

基于区域的图像分割方法由于其高效、稳健的特点成为自动或半自动图像分割方法的研究热点之一。针对区域分割方法中存在的不确定性问题,提出了一种基于云模型的区域分割方法。首先以云变换为基础确定了区域生长过程中的生长准则,然后以逆向云算法实现分割区域由定量的像素集合到定性的云概念的转换过程,最后以云综合算法为基础将相邻区域进行合并,实现了基于区域的不确定性图像分割。两组图像分割实验表明该方法可以准确地分割出目标,并优于传统的图像分割算法。     

基于上下文分析的无监督分层迭代算法用于SAR图像分割

基于聚类的分割算法能够有效地分析目标特征在特征域的分布结构,进而准确判断目标的所属类别,但难以利用图像的空间和边缘信息,而基于区域增长的分割算法能够在空间域利用多种图像信息计算目标之间的相似性,但缺乏对特征结构本身的深层挖掘,容易出现欠分割或过分割的结果. 本文结合这两种算法各自的优势,针对合成孔径雷达（Synthetic aperture radar,SAR）图像的特点,提出了一种基于上下文分析的无监督分层迭代算法. 该算法使用过分割区域作为操作单元,以提高分割速度,降低SAR图像相干斑噪声的影响. 在合并过分割区域时,该算法采用了分层迭代的策略：首先,设计了一种改进的模糊C均值聚类算法,对过分割区域的外观特征进行聚类分析,获得其类别标记,该类别标记包含了特征的分布结构信息. 然后,利用多种SAR图像特征对同类区域的空域上下文进行分析,使用区域迭代增长算法对全局范围内的相似区域进行合并,直到不存在满足合并条件的过分割区域对为止,再重新执行聚类算法. 这两种子算法分层交替迭代,扬长避短,实现了一种有效的方法来组织和利用多种信息对SAR图像进行分割. 对模拟和真实SAR图像的实验表明,本文提出的算法能够在区域一致性和细节保留之间做到很好的平衡,准确地分割出各类目标区域,对相干斑噪声具有很强的鲁棒性.     

结合位图切割和区域合并的彩色图像分割

就经典分水岭图像分割算法中存在的过分割问题，提出一种结合位图切割和区域合并的彩色图像分割算法。对原始彩色图像通过空域梯度算子求其梯度图像，并利用位图切割重建梯度图像；对新梯度图像进行分水岭预分割；对预分割图像基于异质性最小原则进行区域合并，并获得最终分割结果。相比于现有的同类方法，该算法引入位图切割，抑制噪声对分割结果的影响，在边缘模糊处分割准确，得到符合人类视觉的较小分割区域数目，同时在运行效率上提高。     

非参数化区域竞争方法:一种新的图像分割框架

提出了一种新的图像分割框架--非参数化区域竞争算法.这种算法克服了基于尺度空间滤波的特征空间聚类法的缺陷,提高了原区域竞争算法的性能,并且采取了一种自动选取种子位置及大小的形式化策略.非参数化区域竞争算法可以把图像分割成统计意义上并不具有一致性,但在应用中更有意义的区域,称这样的分割为语义一致(或均匀)的分割.非参数化区域竞争算法把定量地控制分割结果中的区域个数和语义一致的分割结合起来,从而净化了分割结果,并且可以降低后继算法的复杂度.     

结合区域分割和双边滤波的图像去噪新算法

提出一种结合区域分割和双边滤波的图像高斯噪声抑制新算法。基于像素的双边滤波器在滤波时,由于平滑系数的选择受到噪声的干扰,在图像边缘区域的滤波存在一定的盲目性,导致滤波结果中结构信息不能有效保持。本文在图像分割的基础上利用区域图来指导双边滤波过程,根据区域内的噪声属性和区域间的相似程度来分别计算相应像素间的滤波平滑系数。通过对区域内与区域间进行不同模式的滤波,增强了滤波算法对图像结构的自适应性。实验结果表明,该算法在获得良好去噪效果的同时,能有效保持图像的结构信息。     

Perceptual hashing for SAR image segmentation

Image segmentation is an important step in the implementation of the interpretation of synthetic aperture radar (SAR) image due to speckle. This article proposes a SAR image segmentation method based on perceptual hashing. The new algorithm is divided into two phases. The first phase is to obtain initial regions with multi-thresholding based on histogram after reducing the speckle noise. The initial regions are used as input data. And the next phase is to merge regions according to the similarity between regions. In this phase, to segment SAR image effectively, the proposed hashing algorithm is used to obtain hash value and similarity between regions, which preserve the texture features of SAR images. In addition, we can obtain a smooth segmentation result by reducing the redundant information with principal component analysis. Furthermore, morphological methods are used to eliminate the uneven background in the segmentation results. These improvements make our algorithm more effective to segment the images with high speed. The experimental results of four real and one synthetic SAR images verify the efficiency of our algorithm.     

基于区域分割的红外和可见光图像融合方法

针对红外和可见光图像融合在场景监控中的应用,提出了一种基于区域分割的图像融合方法。首先采用改进的区域生长法对源图像进行区域分割,得到用于融合图像的联合区域表示,然后综合考虑目标灰度和面积的特点将区域划分为目标区域和背景区域,分别采取基于区域能量和区域平均梯度的融合规则得到融合图像。通过对两组不同场景下的图像进行实验,结果表明该方法能够有效地保持源图像特征,融合结果有利于人眼感知和机器视觉。