基于区域色彩空间和LBP算法的图像分割

提出一种基于区域色彩空间和LBP算法的图像分割.该算法用颜色和LBP直方图作为区域描述符,量化HSV颜色空间,并根据LBP算法的Uniform模式,利用较少的LBP算子描述大部分纹理特征,有效降低了区域特征矢量的维数,提高了区域相似度计算的执行效率.此算法能有效地将对象从复杂图像场景中分割提取出来,且结果与人眼的主观视觉有良好的一致性,在轮廓细节和执行效率上比MRSM算法更优.     

基于改进水平集方法的粘连细胞分割

传统水平集方法对粘连细胞分割效果差,同时在分割过程中需要不断地重新初始化水平集函数。为了解决传统水平集方法在粘连细胞分割上的不足,提出了一种基于颜色特征的水平集方法。该方法将能够约束水平集函数与符号距离函数之间偏差的变分公式作为内部能量项,从而无需重新初始化水平集函数;把结合图像颜色特征信息的能量函数作为模型的外部能量项,以改进粘连细胞的分割效果。实验结果表明,该方法能有效地分割粘连细胞,算法实现比较简单。     

多尺度曲波分解下的可变类SAR图像分割

为了实现SAR图像的可变类分割,本文提出了一种基于区域的多尺度可变类分割方法。首先,利用曲波变换对SAR图像进行多尺度分解,获取多尺度曲波系数;然后按尺度由粗-细次序,利用曲波逆变换对各尺度曲波系数进行重构,获取各尺度分解图像,进而获得多尺度分解图像。在此基础上,利用规则划分技术划分图像域;然后利用Gamma分布及马尔科夫随机场（Markov Random Field, MRF）模型建立基于区域的特征场模型及标号场模型;假设图像类别数为随机变量,并服从Poisson分布;并在贝叶斯理论框架下建立基于区域的多尺度可变类分割模型。最后,利用可逆变马尔可夫链蒙特卡罗（Reversible Jump Markov Chain Monte Carlo, RJMCMC）算法以实现该模型求解;在求解过程中,按尺度由粗-细次序,将当前尺度分割解作为下一低尺度分割的初始解,以细尺度的分割解作为最终分割结果。利用提出方法对模拟及真实SAR图像进行可变类分割实验,通过其实验结果验证提出方法的可行性及有效性。      

二维Fisher准则函数在区域生长算法中的应用

本文针对传统区域生长算法中“种子”和“相似性准则”不能自适应获得的缺点,将二维Fisher准则函数算法[1]应用到区域生长算法中,根据图像特征,利用二维阈值,自动确定“种子”和“相似性准则”。实验表明,该算法不仅利用了二维Fisher准则函数算法的优点,而且也使区域生长算法具有自适应性,对荧光磁粉图像具有较好的分割效果。     

基于改进Retinex算法增强夜视融合图像的颜色传递

颜色传递是获得夜视图像自然彩色的一种方法。 本文利用颜色传递技术得到红外与微光融合 图像的自然彩色,在采用匹配邻域亮度均值和标准差颜色传递算法的基础上,提出了通过增 强夜视融合图 像的亮度-对比度来提高匹配精度,减小传统算法中由于亮度接近导致在颜色传递过程中的 误传现象。首先 利用像素平均法将红外和微光图像进行灰度融合;然后采用提出的改进多尺度Retinex增强 算法将融合图像 进行增强;最后在YCbCr颜色空间匹配灰度融合图像与参考彩色 图像亮度的均值和标准差,应用颜色传递 技术得到彩色夜视图像。实验结果表明,本文采用改进的多尺度Retinex算法使融合图像的 亮度-对比度得 到显著的提升,经过颜色传递后得到的彩色图像纹理细节清晰,目标背景对比度高,具有和 参考图像相近的真彩色。     

基于纹理特征的多区域水平集图像分割方法

现有多区域水平集方法大多利用复杂的能量函数来驱动多个水平集函数的演变,这样不仅模型复杂且存在很多限制.为此本文提出一种基于纹理特征的多区域水平集方法,利用任意数量的水平集函数来对相应数量的图像区域进行分割.本文首先对图像的颜色和纹理信息建立联合分布并将其代入能量函数;引入平滑概率标签,根据概率性质建立基于标签驱动的多区域水平集迭代更新方程.之后将每个水平集投影到离散概率空间得到一系列近似标签,并由这些标签得到基于多区域水平集的先验概率,从而将多个轮廓演变信息代入统计框架.而不同区域的统计参数也通过最小化能量函数由概率标签迭代更新.通过与其他分割算法在大量复杂实景图像上的实验对比,验证了本文算法的有效性.     

基于小波域的模糊化区域竞争模型的图像分割方法

本文中提出了一种基于小波变换的模糊化区域竞 争图像分割算法。该算法利用小波变 换在纹理分类 的优越性,在模糊化区域竞争算法的框架下对图像实施非抽样小波变换,建立起基于小波域 的统计特征参 数,并根据此特征参数构造能量函数。在算法求解过程中,通过采用快速迭代算法加快算法 求解的速度。 本文提出的图像分割算法可以有效地降低信噪比的敏感性,有效地解决模糊图像分割问题。 实验结果表明, 本文提出的分割方法在分割质量和速度上比经典的主动轮廓模型和模糊化区域竟争分割算法 更具有优越性。     

基于U-net卷积神经网络的多尺度遥感图像分割算法

多尺度遥感图像的非本质特征量较大，不仅易导致图像噪声较大，也增加了图像分割的难度。为充分保留分割后多尺度遥感图像的边缘特征，在U-net卷积神经网络下提出新的图像分割算法。以U-net卷积神经网络为基网，提取被分割图像特征，获得被分割图像细节信息；计算相邻像素和原始像素特征向量的欧氏距离，结合去噪算法，通过归一化参数处理，建立相似性函数，实现对多尺度遥感图像分割特征增强处理；计算分割框候选偏差值；根据U-net卷积神经网络结构确定局部最优合并区域对；计算度量区域的距离，使用全局最优区域合并方法更新分割时间复杂度，实现多尺度遥感图像整体分割。由实验结果可知，该算法能够精准确定指定建筑物位置，并保留建筑物完整边缘细节信息。     

一种改进的I-Unet网络的皮肤病图像分割算法

黑色素瘤是常见的皮肤癌,皮肤病图像分割在皮肤癌诊断过程中起到至关重要的作用。为了利用I-Unet深度神经网络强大的编码解码功能来自动分割出皮肤病病灶区域,文中提出一种改进的I-Unet网络的皮肤病图像分割算法。该方法采用空洞卷积扩大卷积感受野,利用类Inception和循环神经网络(RCNN)分别提取图像不同尺度的特征,并进行多尺度特征融合,运用全连接条件随机场(CRF)进行图像后处理。结果表明,所提算法在皮肤病图像分割中取得了良好的效果,算法的Jaccard系数达到了0.780,Dice系数稳定在0.871;与同类最佳研究结果相比,Jaccard系数及Dice系数分别提高了1.5%,2.2%,表明该方法有效提升了网络图像分割的性能。     

一种距离选通图像分割的新算法(英文)

介绍了一种图像分割算法,用于受到距离选通激光夜视技术带来的回波展宽效应影响的图像。该算法利用有效信息区边缘线的平均灰度信息实现对分割图像阈值的选取以分割图像。选取该阈值后,算法利用空间信息实现对噪点的判断以除去噪声。该算法可以准确分割出有效信息区边缘,采用很少的形态学操作,保证了图像的还原质量。实验证明该算法可以准确地分割边缘模糊的距离选通激光夜视图像,对噪声等具有较强的稳健性。     

基于改进多尺度间隙度的海上目标分割方法

针对复杂海面背景下的可见光图像舰船目标分割问题,引入了图像的多尺度间隙度特征,分析了Dong提出的图像间隙度特征提取算法存在的问题,并进行了改进,采用滑动盒子内像素值方差计算滑动盒子的质量,提高了舰船目标与海面背景的可分离程度,最后利用改进算法提取图像的多尺度间隙度特征对海上舰船目标进行分割。实验结果表明,利用改进方法对海面背景下舰船目标进行分割,相对于sobel边缘检测、ostu阈值分割和基于传统提取算法的多尺度间隙度特征分割方法结果更优,可以更好地抑制海面亮度变化、海浪和背景杂波的影响,准确分割出海上舰船目标。     

结合空洞可分离卷积的多尺度医学影像分割算法

传统U-Net语义分割模型在医学影像领域具有广泛的应用,但该模型的准确率受限于单一尺度的预测模式以及上下采样引起的信息丢失。针对上述问题,本文基于U-Net编码—解码架构以及空洞可分离卷积提出了一种高低层级信息丰富的多尺度医学影像语义分割算法,该算法由特征提取网络以及多尺度语义分割预测网络两部分构成。特征提取网络使用空洞可分离卷积和类残差块分别替换原U-Net中上、下采样以及卷积块,在增加感受野的同时使信息得到最大化的保留;提出一个通道注意力机制,强化目标核心特征的表达以及无关背景区域的抑制;在多尺度上挖掘带有图像级全局上下文的卷积特征,进一步提高分割性能。本文在采集的胚胎以及DRIVE数据集上进行仿真实验,其结果表明,与U-Net及其衍生模型相比该方法具有更高的准确率和鲁棒性。     

基于区域最大相似度的快速图像分割算法

针对基于区域最大相似度图像分割(MSRM)算法中利 用颜色直方图描述符计算相邻区域之间相似度存 在着计算量大和描述能力的不足,提出改用基于局部二值模式(LBP)纹理描述符计 算相邻区域相似度的改进MSRM(IMSRM)算法。LBP描述符通过对像素点之间局 部微结构进行编码实 现了对其空间关系的描述,有效提高了对区域特征的描述能力,并且所获得的特征矢量维数 远小于颜色直 方图,区域之间的相似度计算效率大幅度得到提高。与MSRM算法对比实验表明,IMSRM算法 可以从各种复杂背景中有效提取待分割对象的轮廓,所提取的轮廓边缘细节上更优,算法执 行效率能够提高50%左右。     

融合注意力机制的金属缺陷图像分割方法

由于金属表面缺陷图像的特性,有效精确分割是图像处理任务中的一大挑战.为了获得缺陷的类型、大小及位置信息,本文提出一种融合注意力机制的金属缺陷图像分割网络.该网络分为两条路径,语义信息路径主要由残差块构成的卷积网络获得特征图,采样过程中分步融合注意力机制以增强特征与背景对比度.旁路路径设计注意力机制模块获得位置信息的权重...     

Depth estimation of supervised monocular images based on semantic segmentation

In recent years, the research method of depth estimation of target images using Convolutional Neural Networks (CNN) has been widely recognized in the fields of artificial intelligence, scene understanding and three-dimensional (3D) reconstruction. The fusion of semantic segmentation information and depth estimation will further improve the quality of acquired depth images. However, how to deeply combine image semantic information with image depth information and use image edge information more accurately to improve the accuracy of depth image is still an urgent problem to be solved. For this purpose, we propose a novel depth estimation model based on semantic segmentation to estimate the depth of monocular images in this paper. Firstly, a shared parameter model of semantic segmentation information and depth estimation information is built, and the semantic segmentation information is used to guide depth acquisition in an auxiliary way. Then, through the multi-scale feature fusion module, the feature information contained in the neural network on different layers is fused, and the local feature information and global feature information are effectively used to generate high-resolution feature maps, so as to achieve the goal of improving the quality of depth image by optimizing the semantic segmentation model. The experimental results show that the model can fully extract and combine the image feature information, which improves the quality of monocular depth vision estimation. Compared with other advanced models, our model has certain advantages.     

基于梯度卷积的激光光斑图像分割

为解决传统方法对存在背景噪声干扰的光斑图像分割效果不理想的问题,设计了一种基于梯度卷积的光斑图像分割算法。首先对光斑、背景、噪声的空间灰度分布特性进行分析。而后根据目标与干扰在空间灰度梯度分布特性的差别,构造适应目标尺度的梯度卷积模板,与光斑的梯度图进行卷积,从而在增强光斑特性的同时抑制了背景干扰及噪声。最后,在噪声抑制图像的基础上结合阈值分割和目标特性判别得到最终的分割结果。通过与传统光斑分割算法进行对比实验发现,该算法抗噪能力更强,有效解决了背景与噪声干扰下光斑目标的分割问题。     

基于双字典学习的眼底图像血管分割

为辅助诊断眼底疾病和部分心血管疾病,本文提 出一种基于双字典学习和多尺度线状结构检测的眼底图 像血管分割方法。首先在HSV颜色空间利用伽马矫正均衡眼底图像的亮度,并在Lab颜色空间 采用CLAHE 算法提升图像对比度,再采用多尺度线状结构检测算法突出血管结构得到增强后的特征图像 ;然后利用 K-SVD算法训练特征图像块和对应的手绘血管标签图像块,得到表示字典和分割字典,采用 表示字典得到 新输入特征图像块的重构稀疏系数,由该系数和分割字典获得血管图像块;最后进行图像块 拼接、噪声去 除和空洞填充等后处理得到最终分割结果。在DRIVE和HRF数据库测试,利用准确率、特异度 、敏感度 等八种评估指标来检验分割性能。其中,平均准确率分别达0.958和0.951,平均特异度分别 达到0.982 和0.967,平均敏感度分别达到0.709和0.762,表明该 方法具有较好的分割性能和通用性。     

LS-SVM based image segmentation using color and texture information

Image segmentation partitions an image into nonoverlapping regions, which ideally should be meaningful for a certain purpose. Automatic segmentation of images is a very challenging fundamental task in computer vision and one of the most crucial steps toward image understanding. In recent years, many image segmentation algorithms have been developed, but they are often very complex and some undesired results occur frequently. In this paper, we present an effective color image segmentation approach based on pixel classification with least squares support vector machine (LS-SVM). Firstly, the pixel-level color feature, Homogeneity, is extracted in consideration of local human visual sensitivity for color pattern variation in HSV color space. Secondly, the image pixel’s texture features, Maximum local energy, Maximum gradient, and Maximum second moment matrix, are represented via Gabor filter. Then, both the pixel-level color feature and texture feature are used as input of LS-SVM model (classifier), and the LS-SVM model (classifier) is trained by selecting the training samples with Arimoto entropy thresholding. Finally, the color image is segmented with the trained LS-SVM model (classifier). This image segmentation not only can fully take advantage of the local information of color image, but also the ability of LS-SVM classifier. Experimental evidence shows that the proposed method has very effective segmentation results and computational behavior, and decreases the time and increases the quality of color image segmentation in comparison with the state-of-the-art segmentation methods recently proposed in the literature.     

一种有效融合多尺度特征的图像语义分割方法

卷积神经网络在高级计算机视觉任务中展现出强 大的特征学习能力,已经在图像语义 分割任务 中取得了显著的效果。然而,如何有效地利用多尺度的特征信息一直是个难点。本文提出一 种有效 融合多尺度特征的图像语义分割方法。该方法包含4个基础模块,分别为特征融合模块(feature fusion module,FFM)、空 间信息 模块(spatial information module,SIM)、全局池化模块(global pooling module,GPM)和边界细化模块(boundary refinement module,BRM)。FFM采用了注意力机制和残差结构,以提高 融合多 尺度特征的效率,SIM由卷积和平均池化组成,为模型提供额外的空间细节信息以 辅助定 位对象的边缘信息,GPM提取图像的全局信息,能够显著提高模型的性能,BRM以残差结构为核心,对特征图进行边界细化。本文在全卷积神经网络中添加4个基础模块, 从而有 效地利用多尺度的特征信息。在PASCAL VOC 2012数据集上的实验结 果表明该方法相比全卷积神 经网络的平均交并比提高了8.7%,在同一框架下与其他方法的对比结 果也验证了其性能的有效性。     

融合纹理特征与螺旋状搜索聚类的超像素分割算法及应用

针对传统SLIC(simple linear iterative clustering)超像素分割算法没有综合考虑图像的纹理信息特征,导致对边缘信息较强和纹理复杂的图像进行超像素分割时,出现边缘检测不灵敏,分割效果不理想的问题.提出了把原图像先经过噪声抑制提取出纹理特征分量,构建以颜色特性、纹理特征和空间位置特征相融合的相似性度量方法.改进后的方法提高了边缘检测的灵敏度,增强了算法在对边缘信息较强和纹理复杂图像进行分割时的鲁棒性.另外,提出利用螺旋线状的搜索方式进行聚类,加速了算法的收敛速度,提高了分割效率.改进后的方法在BSDS500公共数据集上进行了实验,结果显示改进后的方法在边缘召回率、欠分割错误率、可完成的分割精度以及算法运行时间四项指标上优于传统算法.