基于超像素快速模糊聚类的印刷品图像分割方法

针对当前彩色印刷品色差检测过程中效率低、复杂性高等问题,提出了一种基于超像素快速模糊聚类的印刷品图像分割方法（SFFCM）。先用简单线性迭代聚类（SLIC）算法将图像分割为紧密相邻的超像素区域。每个超像素区域被视为一个独立的聚类单元。随后,将模糊C均值聚类（FCM）算法应用于超像素的归属关系计算中,即引入隶属度值,允许超像素归属于多个聚类中心,并通过权衡归属度值来实现模糊聚类。实验结果表明,相对于其他算法,本文方法在保持良好实时性的同时,实现了较好的分割效果,有效平衡了算法复杂度与分割效果之间的关系。     

基于超像素分类的海天线检测方法

海天线检测是海空背景图像中海面目标提取的一项重要研究内容。根据海空背景图像的特点,提出了一种基于超像素分类的海天线检测方法。该方法首先利用简单线性迭代聚类算法(SLIC)将图像预分割成具有相似特性的图像块,然后提取每个图像块的特征组成该区域的特征向量,利用k-均值聚类算法将图像分成海水和天空两个区域,最后根据海天区域的连接点,采用RANSAC算法确定出海天线直线参数。实验结果表明,该方法可以有效地检测出复杂海天背景下的海天线。     

基于综合辨识信息的SLIC超像素分割算法

简单线性迭代聚类算法(SLIC)作为目前主流的基于聚类的超像素分割算法,能产生形状规整的超像素,但是边界附着度不高,针对以上问题本文提出了基于综合辨识信息的SLIC超像素分割算法.该算法首先调整种子点的初始化选取方式,计算像素梯度值,扩大初始聚类中心的选取范围.其次在距离度量时,加入像素的边缘概率,以权重的方式加入到距...     

基于空间邻域信息的二维模糊聚类图像分割

传统模糊C均值聚类(FCM)算法进行图像分割时仅利用了像素的灰度信息,并且使用对噪声较敏感的欧氏距离作为像素与聚类中心距离度量的标准,因此抗噪性能较差.为了克服传统FCM算法的局限性,本文提出了一种基于空间邻域信息的二维模糊聚类图像分割方法(2DFCM).该方法利用二维直方图描述的像素邻域关系属性,一方面为聚类提供较准确的初始聚类中心,从而避免聚类中的死点问题;另一方面通过提出聚类中心同时在像素值、像素邻域值二维方向上进行更新的思想,建立了包含邻域信息的新的聚类目标函数,实现了图像的分割.实验结果表明,这种方法抗噪能力强、收敛速度快,是一种有效的模糊聚类图像分割方法.     

基于SNIC超像素融合纹理特征和上下文内容的显著性目标检测算法

针对显著性目标检测算法在面对复杂场景图像时存在背景错误凸显和不能凸显纹理细节的问题,提出一种改进的基于SNIC超像素融合纹理特征和上下文内容的显著性目标检测算法。对图像进行SNIC超像素分割,基于超像素的距离、颜色得到超像素显著图;利用LBP算子得到图像的纹理显著图,将超像素显著图以及纹理显著图结合得到初级显著图,最后将初级显著图与CA模型下的显著图融合,得到最终显著图。基于MSRA10K数据集将该文算法与其他5种算法进行对比测试。结果表明：该文所提出的算法与其他现有的显著目标检测算法相比,该文算法可有效抑制相似背景的干扰,突出目标区域的纹理信息,并且具有较高的准确度和稳定性。     

一种基于mean shift的多通道图像分割算法

目的针对目标与背景对象的色彩值比较接近的RGB图像中,目标对象难以有效分割的问题,探索一种基于mean shift的RGB多通道图像的分割方法。方法根据RGB图像的3个通道对颜色的敏感性差异,运用均值偏移算法对RGB图像的3个通道分层聚类,再引入可靠性因子,分别对3个单通道的各聚类像素进行可靠性计算,并保留可靠性高的像素作为分割结果,最后采用逻辑"或"运算融合单通道的分割结果,得到最终分割图像。结果与一般分割算法相比,该方法的分割效果好,误分率低,改善了图像的分割质量。结论该算法具有很好的推广性,能够应用于彩色印品缺陷检测、彩色包装图像检测中。     

基于SLIC超像素分割的图分割算法

图像分割是对图像进行分析和理解的关键步骤,是计算机视觉的基本技术之一.计算复杂度是评判一个图像分割算法好坏的重要标准,因此降低算法的计算复杂度是当前图像分割领域的主要任务之一.本文提出了一种基于SLIC超像素分割的图像分割方法.该方法利用SLIC算法生成超像素,通过构造相应的相似性矩阵,有效降低了Ncut分割算法的计算复杂度,大幅度缩短了Ncut算法的运行时间.由于SLIC超像素分割算法的准确性与高效性,在进行三类自然图像分割实验时,本文提出的方法无论在分割效果,还是在运行时间上,都要明显优于Ncut分割方法及它的改良算法.     

时空联合的红外运动目标提取算法

针对红外图像对比度差、边缘模糊的特点,提出了一种基于时空联合的红外序列图像目标提取的新方法.算法充分利用了红外目标的亮度特征、背景信息以及运动信息.时域分割中通过建立帧差图像背景的高斯分布模型,采用变化检测模板来确定红外目标约束区域.然后,构造图像像素与区域之间的空间关系隶属度矩阵并约束到传统的模糊聚类算法中,空域分割则利用该模糊聚类来对目标约束区域进行有效分割.最后将时空分割结果融合便能实现最终的红外目标提取.实验结果表明,该方法简单有效,能准确提取动态场景中的红外目标.     

基于图像边缘的灰度加权算法应用于LED管芯检测

LED管芯检测的像素级算法受到图像分割的影响,造成目标中部分像素的丢失.本文利用图像边缘区域的灰度加权算法,以求取物体边缘所在像素点的灰度来计算边缘位置.检测结果分析表明,该算法在检测精度上有了明显提高.     

基于K-means聚类十字线的套印偏差检测方法研究

目的研究并改进基于十字线套准标识符的印刷品套印偏差检测算法,以提升偏差量检测精度。方法使用K-means聚类算法对分色后得到的C,M,Y,K图像分别进行聚类处理,然后分割图像并提取出各色前景像素,进而使用C,M,Y图像中的前景十字线分别减去K图像中的十字线,以消除四色重叠区域的干扰,最后提取十字线中心并计算偏差量。结果使用15幅印刷品图像样张进行实验,改进的基于K-means聚类十字线的套印偏差检测算法的检测结果,比大津法更接近人工测量值,误差在±0.04mm以内。结论基于K-means聚类的十字线分割法对前景十字线的提取,较大津法抗叠印干扰性更强。     

拓扑梯度耦合FCMC的全自动图像修复优化算法

目的当前图像修复算法的损坏区域大都是依靠人工来确定,难以自动鉴定损坏区域,使其修复效率较低。此类算法通过利用像素缺失区域的间断边缘来完成填充,导致重构图像视觉间断,且都是依赖随机修复路径,增加了算法时耗。提出拓扑梯度最小重构路径耦合FCMC(Fuzzy C-mean Clustering)的全自动图像修复算法。方法基于图像损坏区域与完好区域之间的性质差异,引入模糊C均值(FCMC),通过损坏区域的聚类中心与各像素之间的距离来计算隶属度函数,设计基于FCMC的损坏区域自动鉴定算法,以自动识别待修复区域;再嵌入拓扑梯度,定义像素缺失区域的关键点选择规则,建立权重距离函数,得到像素缺失区域的连续轮廓,设计最低修复路径成本方案,完成图像重构;以PSNR(Peak Signal to Noise Ratio)为评估指标,构造图像修复反馈机制,优化修复图像。结果仿真结果显示:与当前图像修复算法相比,该算法可自动鉴定图像像素缺失区域,能够提取像素缺失区域的连续轮廓。同时,具有更好的修复视觉效果与更高的修复效率,重构图像不存在模糊与视觉不连通。结论提出的算法能够实现图像的全自动修复,可提高修复图像质量与效率。     

OLED显示屏表面缺陷自动检测方法

目的 为了解决OLED显示屏表面周期性纹理背景和缺陷边界模糊、对比度低的特征导致其表面缺陷检测困难的问题,开展OLED显示屏表面缺陷自动检测方法研究.方法 对OLED显示屏图像进行奇异值分解,选择前2个较大的奇异值重构图像纹理背景,对原图像和重构图像进行差分运算,获得残差图像.将残差图像像素随机赋予初始隶属度值,采用模糊C均值聚类法获得像素最终隶属度值.根据隶属度大小,将残差图像像素聚成2类,并从残差图像中准确地分割缺陷.结果 选取较大的2个奇异值可以有效地重构OLED显示屏的周期性纹理背景;模糊C均值聚类法分割缺陷获得的区域灰度一致性(U)平均值为0.9846.结论 基于奇异值分解的背景重构方法可以有效地检测OLED显示屏表面缺陷;与分水岭法和Otsu方法相比,模糊C均值聚类可以准确地分割模糊边界的缺陷区域.     

区域生长和C-均值聚类结合的图像分割方法

结合边缘检测的模糊C-均值聚类图像分割方法,本文提出一种基于区域生长和模糊C-均值聚类相结合的图像分割方法.采用与区域生长类似的方法,寻找图像中封闭边缘围成的相互独立的区域,根据物理就近原则对边缘点进行归类,完成图像的分割.经实验验证:目标区的分割相对完整.     

面向直方图加权的快速FCM的图像分割算法

提出一种改进的图像分割算法SWFFCM(special weight fast fuzzy C-means algorithm),该方法将需要聚类的二维像素点投影到一维灰度直方图空间,利用不同灰度值图像空间像素离散程度的区别,对一维灰度直方图进行线性加权,每一个灰度值变量使用四分位相对离差系数作为其权值.实验表明,算法减少了FCM(fuzzy C-means algorithm)算法的迭代数量,提高了图像聚类分割速度,减少了像素点错分比例,从而提高了图像的分割精度.     

采用多源图像分形特征的多目标检测方法

针对多目标的检测,本文提出一种采用多源图像分形特征的特征级融合检测方法.首先对多目标检测的特点进行了分析,对分形理论进行了介绍,然后详细介绍了该融合检测算法的思路和原理.该算法首先由红外图像阈值分割出部分目标;然后利用分维数图的统计特征可以增强分形维数的奇异性,在可见光图像的分维数图中搜索与已检测出的目标区域具有相近分形统计特征的区域,进行标记;再根据"距离相似度准则"进行目标的聚类识别,排除背景干扰,最终检测出全部目标.实验结果表明该融合检测算法能有效地进行多目标的检测与识别.     

基于均值聚类和循环导向滤波算法的农业图像去雾研究

采用均值聚类和循环导向滤波(MCLGF)算法对农业图像去雾进行了研究。首先,建立雾天图像光学模型;接着任意选取两个子特征向量作为初始聚类中心,根据分类结果,将有雾图像通过均值聚类分为天空区域和非天空区域,再通过天空区域中求取原图的最大像素值作为大气光值;然后,循环导向滤波实现细节平滑和边缘保持,最小化代价函数使导向滤波器的输出图像与输人图像差异最小;最后,给出了算法流程。实验仿真显示:该算法能够有效地降低图像中的雾气,结构相似度平均值为0.98、信息保真度平均值为0.96、图像信息熵可达9.12,可见边的正则梯度均值可达0.85,这4个评价指标相比其他算法均较好。     

一种新的边缘保持分水岭的图像分割算法

为了达到抑制分水岭过分割和保持物体边缘信息不受破坏的双重目的,提出了一种新的边缘保持水岭(Watershed)算法.首先,根据K-均值聚类将图像分成多块;然后利用噪声标准差构造相对应的双边滤波器平滑每块图像;接着计算形态学梯度,对梯度图像进行H-minima标记;最后对标记图像进行分水岭分割.该算法将双边滤波和分水岭算法相结合,有效地抑制了过分割并且较好得保持了物体边缘信息.     

HSI空间和改进 C-means的彩色人民币号码分割方法

针对采集到的人民币号码图像都是彩色图像并携带有噪声这一现象,本文提出基于 HSI空间和改进的 C-means算法的人民币彩色号码图像分割方法。选用 HSI颜色空间作为彩色分割空间,在 HSI空间内,将 HSI的 3-D搜索问题转化为 3个 1-D的搜索问题,求取图像在 3个 1-D方向上的灰度直方图,该方法根据图像当前点 3×3邻域内每个像素灰度值与当前点灰度值差值的大小情况,确定聚类算法中当前点的灰度值 p(m)的值,采用 C-means聚类算法分别确定文字和非文字的聚类中心,利用欧式距离进行人民币号码前景和背景的聚类判断。该方法直接对彩色人民币号码图像进行分割,考虑了当前点与邻域像素点之间的相互关系,具有一定的自适应性。实验结果表明,提出的号码图像分割方法不受图像噪声和局部边缘变化的影响,且变换后数据量减少,易于计算,该方法对字母和数字的分割都有效,鲁棒性较强。     

一种基于FCM的图像分割方法

提出一种新的图像分割方法 FWFCM(fast walvet fuzzy C-means method),该方法对图像像素点的灰度进行模糊隶属度的分析,将需要聚类的像素空间投影到灰度直方图空间,从而减少了经典FCM算法的迭代计算量,提高了算法的收敛速度;并且利用小波变换的多分辨率的分析,抑制噪声点对图像分割的影响,提高了图像分割的精度.     

基于随机权重粒子群和K-均值聚类的图像分割

K-均值聚类具有简单、快速的特点,因此被广泛应用于图像分割领域.但K-均值聚类容易陷入局部最优,影响图像分割效果.针对K-均值的缺点,提出一种基于随机权重粒子群优化（RWPSO）和K-均值聚类的图像分割算法RWPSOK.在算法运行初期,利用随机权重粒子群优化的全局搜索能力,避免算法陷入局部最优;在算法运行后期,利用K-均值聚类的局部搜索能力,实现算法快速收敛.实验表明：RWPSOK算法能有效地克服K-均值聚类易陷入局部最优的缺点,图像分割效果得到了明显改善;与传统粒子群与K-均值聚类混合算法（PSOK）相比,RWPSOK算法具有更好的分割效果和更高的分割效率.