Mean Shift算法在图像分割中的应用研究

提出了灰度图像和彩色图像统一的分割方法,Mean Shift算法的图像分割.这种分割方法跟人眼对图像的分析特性相近,运用此算法能够得到较为稳健、快速的图像分割结果.文中简要介绍了Mean Shift算法的基本原理,并将算法运用于图像分割,通过实验证明了分割效果的有效性和稳定性.Mean Shift算法在图像处理领域有很好的应用前景,此算法的理论与应用还不是很完善,值得大家去探索.     

基于小波多尺度分解的Mean Shift图像滤波方法

将小波多尺度分解与传统Mean Shift滤波算法相结合提出的一种有效的图像滤波方法。先将含噪声图像进行Mallat塔式分解,获得不同尺度、不同频带的子图像。将低频近似图像保持不变,对高频细节进行Mean Shift滤波,最后将低频近似图像与高频滤波后的图像进行合成得到去噪后的图像。由于Mean Shift算法是一种迭代方法,要保证较高的数值计算精度则需要较多的迭代次数,耗费较长的计算时间,为克服这一缺点,提出了采用Fourier级数来近似计算高斯函数。实验结果表明该方法在降低噪声的同时能够尽可能的保留图像细节,其去噪效果优于传统的高斯滤波、Wiener滤波方法和单一小波域值法和Mean Shift滤波方法。     

Mean Shift图像分割算法的并行化

图像分割作为高性能并行计算的一个主要应用领域,其算法本身的时间复杂度和实时性需求要求不断改进计算机硬件技术和并行处理的算法。Mean Shift算法是图像分割领域一个比较经典的算法,在图像分割过程中,不需要任何先验知识,是一种无监督的分割过程,在图像分割的具体实现中应用广泛。利用TBB（Threading Building Block）工具和CUDA（Compute Unified Device Architecture）对Mean Shift算法进行多核和GPU(Graphic Processing Unit )并行化改造。文中首先分析出Mean Shift分割过程中最耗时的部分Mean Shift聚类,之后利用TBB和CUDA对Mean Shift聚类进行了并行化改造,并对两种并行方法进行了对比分析。实验结果表明,两种并行方法都取得了较好的加速效果,加速比都随着图像增大和带宽参数的增加而增大,基于TBB的加速比稳定趋于核数。     

Mean Shift图像分割的快速算法

Mean Shift算法是一种搜索与样本点分布最相近模式的非参数统计方法。在图像聚类分割中,Mean Shift算法是一种有效的方法。但是,由于Mean Shift算法是一种迭代方法,要保证较高的数值计算精度则需要较多的迭代次数,耗费较长的计算时间。为克服这一缺点,提出了在数字图像空间中标记收敛点,同时采用Fourier级数来近似计算高斯函数。仿真实验表明,该方法对于加速Mean Shift计算过程是十分有效并且是相当精确的。     

基于改进的Mean Shift算法虚拟人脑图像分割

为了克服Mean Shift算法各向同性的缺点,使用结构信息构造各向异性高斯核,使其具有各向异性,从而克服细长目标的影响;将颜色空间投影到新的坐标系下,使得相近颜色可以有较大的距离,以增大虚拟人脑图像中灰质与下层数据之间的区别.虚拟人脑图像分割结果说明,该算法可以得到较好的分割结果.     

基于Mean Shift随机游走图像分割算法

针对传统随机游走算法分割目标轮廓易受自然纹理背景干扰,并且算法运行效率低的问题,提出一种基于Mean Shift随机游走图像分割算法.首先应用Mean Shift算法对图像进行预分割,将图像分成许多同质区域,再将其代替经典随机游走算法中节点来建立对应的无向图;将彩色直方图作为区域描述算子,采用欧氏距离与高斯权函数相结合...     

Kalman滤波和Mean Shift算法在疲劳预警系统中的应用

为了预防交通事故的发生,针对驾驶员在驾驶过程中出现疲劳现象,重点对驾驶员眼睛的检测与跟踪的算法进行了研究与改进。通过人的肤色检测出人脸,通过AdBoost算法检测到眼睛,基于Kalman滤波和Mean Shift算法相结合的方法,能够在眼睛部分被遮挡或者眼睛闭合的情况下,在疲劳预警系统中实时地跟踪驾驶员眼睛,准确地判断眼睛的位置。     

嵌入Mean Shift 的粒子滤波目标跟踪算法

传统的粒子滤波算法通常使用大量粒子表示目标状态的后验概率密度函数,算法的计算量较大,跟踪的实时性较差,且无法对快速、遮挡目标进行准确跟踪．针对以上问题,提出了一种嵌入MeanShift（均值偏移）的粒子滤波算法,该方法充分利用了MeanShift聚类作用,使得粒子分布更加合理,不但提高了粒子的多样性,而且有效减少了描述目标状态的粒子数目．实验结果表明,改进的目标跟踪算法具有较强的鲁棒性和较好的实时性．     

基于Kalman滤波和Mean Shift算法的人眼实时跟踪

非接触式的人眼跟踪方法在一些基于视觉的人机交互应用中具有很重要的意义.但目前的人眼跟踪方法普遍存在着诸如对眼睛的部分遮挡、人脸尺度变化和头部的深度旋转等过于敏感的不足,这就极大地限制了其应用范围.本文提出了一种综合运用Kalman滤波和Mean Shift算法的人眼跟踪算法,实验结果验证了该算法对于上面所提到的不足情况具有较强的鲁棒性.     

基于Mean Shift的芯片X光图像层次分割算法

针对芯片X光图像多目标、背景复杂、灰度分布不均匀的特点,提出一种基于Mean Shift的层次分割算法。运用旋转缩放不变的模板匹配定位算法定位芯片并确定其兴趣区域（ ROI）,从而实现外层分割。再运用Mean Shift算法对芯片模板图像和芯片ROI图像进行统计聚类分析,分别计算原图像金线模式类的灰度平均值,以芯片模板图像的金线模式类的平均灰度为基准,对芯片ROI的聚类图像采用优化阈值进行自适应阈值分割,从而实现内层分割。实验结果表明：与传统的均值偏移分割算法相比,该方法的多目标分割准确,可靠性高。     

使用Mean Shift进行自适应序列图像目标跟踪*

现有的Mean Shift跟踪方法使用单一半径参数描述目标大小变化,不能适应复杂的目标运动情况。使用带宽矩阵来描述目标尺寸,在两个方向上独立描述目标大小变化,提出并证明了一种新的跟踪方法。实验表明,在不增加任何计算量的情况下,该算法对目标运动的适应性更好。     

一种改进的自然图像分割方法*

提出了一种改进的Mean Shift自然图像分割方法。首先从数据分析的角度出发,由数据本身估计用于聚类的颜色带宽。然后根据上层的视觉任务调整颜色带宽,调整后的颜色带宽可以看作是分割分辨率。根据调整后的颜色带宽,估计每个像素的密度值,并采用直接搜索的方法搜索局部密度极大值点。在局部模式检测之后。通过一个全局标准控制的局部模式融合,就可以将图像分割成最终的结果。在不同的光照条件和复杂的背景下,这个全局标准能达到稳定分割结果和控制最终区域数目的目的。     

一种快速多人脸跟踪算法

提出一个基于Mean Shift的实时多人脸跟踪算法。通过引入自适应目标跟踪窗口,改进了Mean Shift算法的目标连续跟踪性能;提出序贯跟踪法解决多人脸跟踪过程中目标发生粘连重叠的问题;引入多辅助信息解决了相邻两帧中人脸的对应问题。为进一步提高整个算法的跟踪速度和鲁棒性,引入卡尔曼滤波器对目标进行预测。实验结果表明该算法具有很好的实时性和跟踪效果。     

基于Mean Shift和FDoG的图像卡通化渲染

针对现有图像卡通化渲染算法区域划分不明显或提取的边界不够连贯的问题,提出了一种基于Mean Shift和FDoG的图像卡通化渲染方法。该方法通过区域分割与边界处理相融合的手段,获取区域明晰、边界光滑连贯的卡通对象,同时结合亮度量化策略等后处理技术净化对象,最终获得具有卡通效果的图像。渲染算法采用Mean Shift技术对图像进行分割,通过设置合适的参数获取若干有意义的区域;引入FDoG算法思想对图像边界进行分析和提取;最后去除或合并视觉上的干扰区域,并参考卡通画的亮度分布特点对图像进行亮度量化,得到最终的卡通风格图像。方法实现简单,自动化程度较高,实验结果较理想。     

基于多特征融合与均值偏移的粒子滤波跟踪算法

利用单一特征在复杂环境下进行目标跟踪容易导致跟踪失败。针对该问题,提出基于多特征融合与均值偏移的粒子滤波跟踪算法。在粒子滤波的总体框架下,通过嵌入均值漂移聚类算法产生更逼近真实后验分布的粒子,同时采用颜色和结构特征作为观测模型来表示目标,利用融合后的信息计算粒子的权值,并在跟踪过程中不断更新,以减小跟踪偏差。实验结果表明,与基于颜色与结构的跟踪算法相比,该算法在使用相同粒子数目时鲁棒性更高,而且粒子的平均权重得到了提高,重采样次数明显减少,即使在粒子数目较少的情况下也能实现稳定跟踪。     

非线性Mean Shift收敛性分析

作为一种有效的迭代算法,非线性Mean Shift收敛性的研究是应用的基础。虽然Raghav等给出了理论分析,但忽略了对流形上迭代点列收敛性的讨论,对于密度函数收敛性的证明也不够充分。运用黎曼流形的相关知识,指出了算法收敛到局部稳定点的条件,并给出了密度函数和迭代点列收敛的详细证明,为非线性Mean Shift算法的深入研究及应用奠定了理论基础。     

Mean Shift目标跟踪核函数宽度的自适应调整

Mean Shift算法无需穷尽搜索就可快速定位目标,因此被广泛应用于实时性要求较高的目标跟踪领域中。但传统Mean Shift算法的核函数宽度,也即跟踪窗口是固定的,不能适应目标大小变化,定位精度低。针对该问题,提出一种目标尺度度量方法,并应用于Mean Shift算法中,实现核函数宽度随着目标大小变化而自适应调整,实验仿真结果表明改进后的算法能很好地跟踪目标大小的变化,跟踪效果很好。     

均值漂移框架下基于背景差分的运动目标跟踪

提出了一种基于背景差分法原理的均值漂移MS跟踪算法。使用距离度量函数判断目标是否失去跟踪,当MS跟踪目标位置发生较大偏移时,通过使用背景差分法提取的目标形心位置对其进行修正。实验结果表明,该方法应用于实时运动目标的跟踪时具有良好的跟踪效果。