基于K均值聚类分割彩色图像算法的改进

基于人类视觉将图像分割成若干个有意义的区域是目标检测和模式识别的基础.应用K均值聚类算法对图像进行分析,分析了图像的空间、色彩以及纹理特征对聚类效果的影响,针对K均值算法的存在的过分割问题提出了一种修正方法,先基于空间、颜色和纹理特征分割图像,再基于色彩及纹理特征进行合并,解决了K均值聚类产生的过分割问题,并在区域合并时引入修正函数,抑制了图像中因场景明暗变化而产生的斑点.实验结果表明提出的聚类算法对图像分割效果有明显提高.     

显著特征融合的主颜色聚类分割算法*

针对颜色密度聚类分割模型容易产生误分割的问题,提出基于视觉显著性调节的主颜色聚类分割算法.首先,根据空间颜色信息和Mean-shift算法平滑结果分别计算图像的全局显著特征和区域显著特征,并融合2类显著特征作为特征空间聚类的约束项.然后,采用核密度估计方法计算图像主颜色作为初始类,并将显著特征作为调节因子进行聚类分割.最后,进行区域合并.在标准的分割图像库上进行实验并与多种算法对比,结果表明,文中算法具有更高的区域轮廓准确度,并且有效利用图像显著特征,降低密度聚类形成的区域不一致性,提高像素聚类的精度和分割的鲁棒性.     

基于HSV空间改进的多尺度显著性检测

图像显著性特征已被广泛地应用于图像分割、图像检索和图像压缩等领域,针对传统算法耗时较长,易受噪声影响等问题,提出了一种基于HSV色彩空间改进的多尺度显著性检测方法。该方法选择HSV色彩空间的色调、饱和度和亮度作为视觉特征,先通过高斯金字塔分解获得三种尺度的图像序列,然后使用改进的SR算法从三种尺度的图像序列中提出每个特征图,最后将这些特征图进行点对点的平方融合和线性融合。与其它算法的对比实验表明,该方法具有较好的检测效果和鲁棒性,能够较快速地检测出图像的显著性区域,能够突显整个显著性目标。     

基于视觉显著性的非监督图像分割

交互式的图像分割算法需要用户输入先验信息,从而增加了算法的时间复杂度和用户的负担。提出了基于视觉显著性的非监督图像分割算法。该算法首先通过均值漂移算法先对图像进行预处理,将图像过分割成互不重叠的小区域。这些区域采用区域邻接图表示,当两个区域相邻时对应的节点之间存在边。其次,通过计算各个区域的颜色相异性和纹理一致性,得到相邻区域之间的合并概率。再次,根据区域的颜色和空间位置信息,定义每一个区域的显著性指标,选择最大显著性指标对应的区域作为目标种子区域,图像边缘区域中显著性指标最小的区域作为背景种子区域。最后,基于最大相似性合并策略,对与种子区域相邻的且合并概率最大的区域进行合并。实验表明,所提算法 不需要先验信息,且可以得到较好的分割效果;与非监督图像分割算法相比,所提算法可以避免过分割。     

基于FCM和离散正则化的多目标图像分割

针对机器视觉中的多目标图像分割问题,提出一种适用于多目标物体的图像分割算法.首先对图像进行图像增强预处理;然后采用基于直方图的模糊C均值聚类算法完成分类任务,实现图像的初分割,将分类后的像素作为种子集;最后利用离散正则化的半监督方法得到自动修正分类结果.实验结果表明,与已有的多目标分割算法相比,该算法分割结果更加精确.     

结合目标色彩特征的基于注意力的图像分割

提出一种基于注意力的图像分割算法,在视觉场景选择机制基础上结合目标色彩特征的任务驱动机制,形成了自下而上和自上而下的注意力集成分割机理。该算法在图像的多尺度空间中,把视觉场景的亮度、颜色和方向特征与任务目标色彩特征同时进行提取,生成场景和目标相结合的显著图,然后在基于视觉注意力图像空间中对“场景-目标” 显著图进行归一化的跨尺度融合,最后通过双线性插值和显著图连通区域二值化分割出图像目标注意力焦点。应用该算法对自然场景与室内场景图像进行实验,结果表明该方法在各种环境中尤其是干扰物体较显著的情形下都能成功地分割提取出目标物体。     

基于图像颜色纹理的均值漂移分割算法

针对传统均值漂移算法对图像纹理特征不敏感的不足,利用图像纹理特征的独特性,提出了一种基于颜色纹理的均值漂移分割算法.结合欧式距离和高斯函数计算当前像素点与其周围像素点的颜色相似度,再使用Gabor变换提取图像不同方向、尺度上的纹理特征,结合颜色的相似度,对该像素点均值漂移的过程加权.该算法充分考虑了图像纹理的周期性、尺度性以及图像颜色的关联性.实验结果表明,算法对色彩信息不明显的纹理图像有良好的分割效果,也会提高彩色图像分割结果的准确性.分割算法用于大型水上桥梁识别,能够提高桥梁识别率.     

基于视觉显著性的水面垃圾目标检测

针对实际水面复杂环境提出了一种基于视觉显著性的水面垃圾目标检测算法。首先对输入图像进行超像素分割,在CIELab、RGB和HSV颜色空间中提取超像素级的显著性特征,然后使用随机森林回归器将显著性特征进行融合得到疑似显著性图,并使用自适应阈值分割得到疑似二值显著性图,最后使用MLP分类器对原始图像中的疑似垃圾目标区域进行判别,去除水波、倒影和反光的干扰,最终检测出水面的垃圾目标。实验结果表明所提基于视觉显著性的水面垃圾目标检测算法的性能优于其他水面目标检测算法。     

基于S-CIELAB空间的彩色图像分割

提出一种基于S-CIELAB颜色空间的彩色图像分割算法。在人类视觉彩色传递模型的基础上,将原始的RGB图像转换到S-CIELAB空间,运用均值漂移算法对图像进行分割。实验结果表明,该算法能模拟人类视觉模糊特性,得到与人类视觉非常接近的分割结果。对于被高斯噪声严重污染的彩色图像,该算法也能有效地进行分割。     

基于前景分割和特征空间自适应选择的视觉目标跟踪

提出一种视觉跟踪任务中鲁棒的目标模型更新算法.首先利用结合空域信息的特征直方图对目标和背景进行建模;然后通过引入信息论中的交叉熵,定量地评价各个特征空间下目标和背景的差异性,选择差异性最大的特征空间更新目标模型,并用均值漂移算法定位目标.为解决模型更新中的偏移问题,采用条件随机场(CRF)模型,通过融合图像序列的时空上下文信息分割出目标前景,利用分割结果减小模型更新的误差.实验结果验证了该算法的有效性.     

Image saliency detection using Gabor texture cues

Image saliency analysis plays an important role in various applications such as object detection, image compression, and image retrieval. Traditional methods for saliency detection ignore texture cues. In this paper, we propose a novel method that combines color and texture cues to robustly detect image saliency. Superpixel segmentation and the mean-shift algorithm are adopted to segment an original image into small regions. Then, based on the responses of a Gabor filter, color and texture features are extracted to produce color and texture sub-saliency maps. Finally, the color and texture sub-saliency maps are combined in a nonlinear manner to obtain the final saliency map for detecting salient objects in the image. Experimental results show that the proposed method outperforms other state-of-the-art algorithms for images with complex textures.     

融合颜色和区域信息的彩色图像分割新方法

结合了均值漂移算法和区域合并算法,取长补短,提出了一种融合颜色和区域信息的彩色图像分割方法。该算法首先利用均值漂移求取各个局部极值(聚类中心),在带宽求取和权重设置上使用了自适应法则,使算法更具有适用性;然后使用一个基于阀值的区域合并算法,解决了均值漂移对纹理和关照变化的过分割。实验证明,该算法是有效的。     

融合均值漂移和区域合并的彩色图像分割方法

彩色图像分割是从图像处理到分析的关键步骤之一。结合了均值漂移和区域合并算法,在HSV空间,提出一种融合颜色和空间信息的彩色图像分割方法。该算法先由改进的均值漂移（Mean shift）算法求取各局部极值（聚类中心）,并利用全局信息,改进了现有的带宽求取和权重设置自适应法则;针对均值漂移带来的纹理和光影的过分割,使用改进的fisher距离进行区域合并,取散度作为停止度量。实验证明,此算法是有效的。     

基于SLIC融合纹理和直方图的图像显著性检测

针对基于颜色直方图的显著图无法突出边缘轮廓和纹理细节的问题,结合图像的颜色特征、空间位置特征、纹理特征以及直方图,提出了一种基于SLIC融合纹理和直方图的图像显著性检测方法。该方法首先通过SLIC算法对图像进行超像素分割,提取基于颜色和空间位置的显著图;然后分别提取基于颜色直方图的显著图和基于纹理特征的显著图;最后将前两个阶段得到的显著图进行融合得到最终的显著图。此外,通过简单的阈值分割方法得到图像中的显著性目标。实验结果表明,与经典显著性检测算法相比,提出的算法性能明显优于其他算法性能。     

结合伪彩色与上下文感知的肺癌PET图像分割算法

由于肺癌PET成像质量较低且待分割区域边界没有明显的灰度差,使得基于颜色特征的图像分割算法不能做到有效分割。本文提出了结合伪彩色与上下文感知的肺癌PET图像分割算法。首先,将原始的肺癌PET图像根据彩色查找表生成对应的伪彩图;然后,使用改进的上下文感知模型获得伪彩图对应的显著图,并采用大津法对显著图进行二值化处理,初始化显著图的分割区域;最后,使用改进的GrabCut算法迭代分割图像。算法应用于肺癌的PET图像分割。实验结果表明,本文算法有效提升肺癌PET图像的分割效率、提升分割精度,取消GrabCut算法、Snake算法的用户操作,实现图像分割自动化,具有较高的可靠性、执行效率、以及实际应用价值。     

A stochastic gravitational approach to feature based color image segmentation

In this paper, a novel image segmentation algorithm based on the theory of gravity is presented, which is called as “stochastic feature based gravitational image segmentation algorithm (SGISA)”. The proposed SGISA uses color, texture, and spatial information to partition the image into homogenous and semi-compact segments. The proposed method benefits from the advantages of both clustering and region growing image segmentation techniques. The SGISA is equipped with a new operator called “escape” that is inspired by the concept of escape velocity in physics. Moreover, motivated by heuristic search algorithms, we incorporate a stochastic characteristic with the SGISA, which gives algorithm the ability to search the image for finding the fittest regions (pixels) that are suitable for merging. Several experiments on various standard images as well as Berkley standard image database are reported. Results are compared with a well-known clustering based segmentation method, C-means, a gravitational based clustering method (SGC), and the well-known mean-shift method. The results are reported using unsupervised criteria and pre-ground-truthed measures. The obtained results confirm the effectiveness of the proposed method in color image segmentation.     

基于全局和局部特征融合的显著性提取方法

显著性提取方法在图像处理、计算机视觉领域有着广泛的应用.然而,基于全局特征和基于局部特征的显著性区域提取算法存在各自的缺点,为此本文提出了一种融合全局和局部特征的显著性提取算法.首先,对图像进行不重叠地分块,当每个图像块经过主成分分析(Principle component analysis,PCA)映射到高维空间后,根据孤立的特征点对应显著性区域的规律得到基于全局特征的显著图;其次,根据邻域内中心块与其他块的颜色不相似性得到基于局部特征的显著图;最后,按照贝叶斯理论将这两个显著图融合为最终的显著图.在公认的三个图像数据库上的仿真实验验证了所提算法在显著性提取和目标分割上比其他先进算法更有效.