融合超像素与Wasserstein距离的遥感影像分割方法北大核心CSCD

图像分割技术是图像处理和计算机视觉领域中的关键技术之一。随着近年来遥感成像技术的迅猛发展,传统基于像素的影像处理方法不再适用于高分辨率遥感影像。针对传统图像分割方法在分割准确性以及分割效率等问题上存在的不足,提出了一种融合超像素与Wasserstein距离的遥感影像分割方法。首先,对遥感影像进行SLIC(simple linear iterative clustering)算法预分割,生成超像素;然后,将超像素作为K-means算法的聚类中心,利用Wasserstein距离替代传统欧氏距离计算超像素之间的距离,完成聚类。理论和实验结果表明,新方法具有收敛性,在一定程度上提高了超像素预分割后的完整性,并且Wasserstein距离能够准确计算分布之间的差异性,在超像素距离计算上表现突出。     

结合形态学重建和超像素的多特征FCM分割算法

针对现有模糊聚类分割算法对噪声的鲁棒性差且提取的图像特征不充分等问题,本文提出了一种结合形态学重建和超像素的多特征模糊C-均值(FCM)分割算法.首先,利用形态学闭合重建处理原图像,提高了算法的鲁棒性和细节保护能力.其次,采用Mean-Shift方法预分割重建图像,获得一组超像素区域.再次,提取重建图像各像素的颜色特征、纹理特征和梯度特征,利用平均策略定义各超像素的颜色特征、纹理特征和梯度特征,组成多维特征向量.最后,运用最大熵正则化的加权模糊C-均值算法(EWFCM)的框架,以超像素为单位,以核诱导距离作为距离度量来聚类多维特征向量.选取BSDS300数据集中的6幅图像完成实验对比.结果表明,本文算法具有更高的分割精度.     

基于局部特征约束的TEM图像分割算法

神经细胞图像分割对于神经科学研究具有重要应用价值。神经细胞亚显微结构的复杂性,以及透射电子显微成像（Transmission electron microscope,TEM）易出现的边界丢失、模糊等质量问题,使得神经细胞TEM图像的自动分割成为一个医学图像处理难题。基于神经细胞TEM图像的局部聚簇性特点,应用超像素技术,本文研究设计了一种基于局部特征约束的TEM图像分割算法。首先构建基于图模型的超像素图像结构表示,然后应用Markov随机场（Markov random field,MRF）模型提取超像素局部空间信息,从而有效地解决超像素图像分割方法中超像素点间邻域信息和空间结构复杂的问题,最后通过MRF模型优化和超像素合并处理获取图像分割结果。研究结果表明,该算法分割精度较高、鲁棒性强,且能很好地表征图像亚显微结构信息。     

熵率超像素分割一致性检验视差细化算法

针对传统分割一致性检验视差细化算法处理低纹理图片时优化效果较差的问题,提出一种基于熵率超像素分割的改进方法,使用基于熵率的超像素分割算法代替均值漂移（Mean-shift）分割算法。针对参考图像进行超像素分割处理;将每一个分割块进行统计分析,根据集中趋势值筛选可信值与不可信值;进行视差填充处理获得最终优化后的视差图。选取15组Middlebury数据集中的图像对进行视差图获取并检测。实验结果表明,基于熵率超像素分割的改进方法对于低纹理图片和纹理复杂的图片都有着较好的优化效果,该算法平均误匹配率较传统算法最多降低了5.88个百分点。     

基于区域中心的交互式图像前景提取方法

图像分割是从图像中提取有意义的区域,是图像处理和计算机视觉中的关键技术。而自动分割方法不能很好地处理前景复杂的图像,对此提出一种基于区域中心的交互式图像前景提取算法。针对图像前景的复杂度,很难用单一的相似区域描述前景,文中采用多个区域中心来刻画目标区域。为提升图像分割的稳定性,给出基于超像素颜色、空间位置和纹理信息的相似性度量方法;为确保图像分割区域的连通性和准确性,定义了基于超像素的测地距离计算方法。使用基于测地距离的超像素局部密度,来分析图像的若干区域中心;基于用户交互的方式来分析前景的区域中心,得到图像前景。经过大量彩色图像的仿真表明,在分割过程中利用少量的用户交互信息,可有效提升图像分割的稳定性和准确性。     

基于相似性和统计性的超像素的图像分割

为了解决超像素图像分割的过分割问题,提出了一种基于超像素区域颜色直方图相似性和统计特性的合并判断准则,用来合并超像素图像分割的区域。该合并准则将超像素分割结果作为区域合并的基本单元,利用基本单元的颜色相似性、空间距离大小和统计特性进行区域合并,以解决超像素图像分割中存在的过分割问题。仿真实验结果表明,该方法能有效地改善超像素过分割问题,并且用于评价分割算法的概率Rand指数和信息变化指数都有所提高。     

梯度-纹理特征超像素分割的SAR图像阴影识别

为了克服基于像素的合成孔径雷达(synthetic aperture radar, SAR)图像阴影自动识别中图斑离散和精度低的问题，提出基于梯度-纹理特征超像素分割的SAR图像阴影自动识别方法。首先，提取SAR图像梯度和纹理特征；然后，综合SAR图像梯度和纹理特征进行主成分分析，再采用简单线性迭代聚类算法(SLIC)对前3个主成分合成的图像进行超像素分割；最后，以超像素为分析单元，采用恒虚警率(CFAR)检测算法识别SAR图像阴影。采用MSTAR图像数据集开展实验，并与“像素+CFAR”和“SAR图像超像素分割+CFAR”阴影识别方法进行定性和定量对比。对比实验显示，该方法识别阴影的MIoU值最高(0.882),Hausdorff距离最小(43.55)。实验结果表明，该方法不仅有效解决了SAR图像阴影识别图斑离散问题，而且识别阴影的准确度、识别的阴影边界与真实边界的符合程度均达到了较理想的效果。     

基于自适应SLIC的人体标准姿势图像分割

为了提高在复杂背景下人体图像分割的精度,提出了一种新的人体图像分割算法.该算法针对简单线性迭代算法（SLIC）在进行超像素块分割时需指定像素块个数的问题,借鉴CV能量模型,通过将图片极小化为多个区域进行水平集迭代分割,从而构造出自适应的超像素块,使得分割后的每个超像素块更贴合图像中的单个色块.然后结合人体平均模板,在图片上标记出感兴趣的人体标准姿势区域,提高了算法对复杂背景的抗干扰能力.最后利用k-means聚类算法将每个超像素块作为节点进行聚类,实现标准人体图像分割.在不同环境下采集多组图片进行实验,结果表明：该算法在保证了图像分割效率的情况下,提高了人体标准姿势的分割精度,对色度丰富的复杂背景抗干扰能力强.     

一种新的高光谱遥感图像超像素分割方法

为了解决简单线性迭代聚类算法在高光谱遥感图像超像素分割任务中分割精度较低的问题,提出一种基于多级线性迭代聚类结合改进标签传播算法(LPA)的新的无监督高光谱遥感图像超像素分割方法。首先,扩充简单线性迭代聚类(SLIC)的适用范围至多通道对高光谱图像进行超像素初分割;然后,对色彩标准差较大的超像素进行多级迭代细致分割,引入基于局部二进制模式的高光谱遥感图像纹理特征提取方法计算高光谱图像纹理特征并融合多段光谱特征计算超像素间相似度以构建带权图网络;最后,改进LPA社区发现方法进行超像素合并,将改进的标签传播算法运用于超像素合并可以得到更加稳定准确的超像素合并效果,提高超像素分割精度。将该方法与多种方法进行比较,结果表明,该方法对高光谱遥感图像的超像素分割结果更准确,超像素边缘更贴合真实地物边界,能有效改善高光谱遥感图像超像素分割中精度较低的问题。     

基于深度卷积神经网络的气液两相流图像分割方法

为解决气液两相流中气相与液相的精准识别问题，提出了一种基于深度卷积神经网络的图像分割方法。首先，对比研究了4种图像去噪和5种图像分割方法的优缺点；其次，采用图像去噪和图像分割的方法研究了人工合成图像，并采用图像分割评价指标量化分割结果；最后，采用图像去噪和图像分割方法对公开数据集图像和真实气液两相流图像进行实验。实验结果表明，各向异性扩散滤波器、中值滤波器、全变差滤波器和非局部均值滤波器对气泡图像的降噪性能略有差异，非局部均值滤波器的效果最优；采用卷积神经网络方法分割气泡图像时，像素精确度（PA）、平均像素精确度（MPA）、平均交并比（MIoU）、频率加权交并比（FWIoU）四个评估指标的值均超过0.84，其精度较高、分割效果较为优异，但其计算成本高于传统方法。通过对比研究气液两相流图像的处理技术，可以发现深度学习方法是未来气液两相流图像的一个重要研究方向。     

基于联合约束策略和稀疏表示的图像分割

基于像素级的交互式图像分割算法对初始种子位置和噪声敏感,同时仅基于超像素的分割方法无法保留图像细节经常导致分割结果出现欠分割问题。针对上述问题,提出超像素/像素约束和稀疏表示的图像分割模型。该方法利用高斯函数分别对像素和超像素构造了相互约束的代价函数,引入了稀疏分解对模型进行优化以提升模型对图像噪声的鲁棒性,最后利用联合优化策略对代价函数求解估计出目标和背景标记实现目标提取。实验结果表明,与现有的分割方法相比,提出的方法能获得较好的分割效果,对高斯噪声和椒盐噪声具有较强的鲁棒性。     

基于VR技术的X射线图像安检危险品自动识别

针对当前X射线图像安检危险品识别方法未采集模糊静态图像目标,导致安检危险品图像呈现效果较差、危险品识别率较低、识别时间较长的问题,提出了基于VR技术的X射线图像安检危险品自动识别方法。通过X射线获取安检危险品成像,采用VR技术采集模糊静态图像目标,利用光学成像原理分层处理模糊静态图像目标,获取模糊静态图像目标亮度层和细...     

基于Faster R-CNN的显著性目标检测方法

显著性目标检测成为计算机视觉领域中的研究热点问题之一，但目前的方法在面对前景和背景对比度不强及复杂背景的图像时，较难取得好的检测效果。融合多尺度超像素分割方法，提出一种在背景信息相对复杂的场景中基于Faster R-CNN的显著性目标检测方法。首先对图像进行多尺度超像素分割，同时利用Faster R-CNN对图像进行目标检测，根据似物性特点对超像素进行显著性筛选，得到初始目标位置特征后进行显著性检测及优化，最后使用元胞自动机方法对多尺度超像素显著性图进行融合。通过在特定类数据集进行实验，与已有典型显著性检测进行对比分析，验证了本文方法在背景复杂的图像中可提升显著性目标检测的精度。     

基于超像素形状特征的图像复制粘贴篡改检测算法

针对传统图像复制粘贴篡改检测方法中划分子块的数目过大导致算法时间复杂度过高且抵抗几何变换能力较弱的问题,提出一种基于超像素形状特征的图像复制粘贴篡改检测算法.首先提出基于小波对比度自适应划分超像素的方法分割图像并提取稳定的特征点;然后提出新颖的形状编码方式提取超像素形状特征,并与特征点融合,估计可疑伪造区域;最后对可疑...     

基于图像分割的森林火灾早期烟检测算法研究

针对森林这样的大空间、复杂场景下的火灾检测,提出一种在单帧视频序列图像中的烟检测方法,并研究一种新的超像素合并算法,改进现有的天地线检测算法。该方法对图像进行SLIC（Simple Linear Iterative Clustering）超像素分割,并用一种新的超像素合并算法解决过分割问题;通过改进的天地线分割算法,排除天空中云对于烟检测的干扰;根据光谱特征,运用支持向量机（SVM）对超像素块进行分类。实验结果表明,超像素合并算法高效简洁,易于编程实现,基于图像分割的烟检测技术能排除云雾等噪声对烟雾检测的干扰,在森林场景下的烟雾检测正确率为77%,可以作为人工森林火灾监测的辅助手段。     

基于超像素的高分遥感影像分割算法

针对高分遥感影像中存在地物数目多,特征信息复杂导致分割边缘不清晰、对象细节丢失等问题,提出一种改进的超像素分割和多特征结合的遥感影像分割合并算法。在对图像进行分割前的预处理阶段,使用超像素分割技术得到初始分割图像;区域合并过程中,基于对象间的异质性和对象内部的同质性,结合光谱、纹理和形状特征,对对象进行合并;通过调整全局分割参数来调整合并尺度,得到最终的影像分割结果。实验结果表明,所提方法能得到较好的影像分割效果。     

基于熵率超像素和区域合并的岩屑颗粒图像分割

针对岩屑颗粒密集和颗粒表面纹理复杂的特点,提出一种基于熵率超像素分割和区域合并的分割方法。熵率超像素分割将图像分为一系列紧凑的、具有区域一致性的区域,不仅边缘定位准确且降低图像计算的复杂度;针对存在的过分割情况,提出一种结合颜色直方图和形状信息的合并准则,进行基于RAG结构的快速区域合并,得到最后分割结果。实验结果表明,将该方法用于岩屑颗粒图像分割,能够取得较好的实验效果。     

基于SLIC的自适应多主体图像分割算法

为了解决多主体图像分割的交互分割问题,提出了一种基于SLIC超像素的自适应图像分割算法。首先利用SLIC对图像进行超像素分割处理,把原图像分割为大小相似、形状规则的超像素,以超像素中心点的五维特征值作为原始数据点通过自适应参数的DBSCAN算法聚类,确定多主体数目和分割边界。算法不需要用户交互,自适应确定分割数目。为了验证算法的有效性,在伯克利大学标准数据集BSDS500上与人工标注的分割图像进行比较, 前期的超像素处理使算法在时间上有很好的提升,对于一幅481×321像素的图像,只需要1.5 s就可以获得结果。实验结果表明,该方法可以有效解决多主体图像分割中的人工交互问题,同时在PRI和VOI的指数对比上也优于传统算法,本文算法可以在保证分割效果的基础上自适应确定分割数目,提高分割效率。     

基于超像素的图像语义区域引导的色彩迁移

针对图像色彩处理技术,提出基于超像素的图像色彩迁移方法,其以图像语义区域进行引导,以LAB色彩空间进行映射。首先,采用K-means和SLIC算法对输入图像进行分割;其次,对每一子区域块进行区域协方差处理,获得其二阶语义特征并生成超像素,并利用相似度测量函数构造相似矩阵,对区域块聚类可生成图像超像素;最后,再对图像内语义信息相似的像素基于LAB空间映射,完成色彩迁移。结果显示,该方法具有处理复杂图像能力较高及颜色迁移效果准确的优点。     

基于空间模式聚类最大熵图像分割算法研究

研究图像分割优化问题,在分割图像中,提取信息受到各种因素影响,分割效果不理想。针对图像分割计算复杂,造成图像分割分辨率低,清晰度不高。同时,当图像中的信息量非常大时,图像分割非常耗时。为了有效地分割图像,提出了一种基于空间模式聚类和最大熵算法原理相结合的图像分割方法。首先对图像采用最大熵算法进行图像分割,为每个熵区域定义特征量。根据不同的特征量计算相似区域之间的欧氏距离和空间距离,从而确定像素聚类中心的距离。然后对分割后的图像区域采用基于空间模式聚类方案进行合并,并对图像进行二值化处理。仿真表明与传统图像分割相比,提高了分割效率,分割出的图像边缘效果清晰,证明了算法的可行性和有效性。