一种新的基于超像素聚类的图像分割算法

本文提出了一种使用具有噪声的基于密度的聚类方法进行超像素聚类来提高图像分割准确性的方法,首先以较低计算成本得到超像素分割,然后我们再利用密度聚类的原理将相关联的超像素聚集到一起,利用超像素对图像边缘信息的准确分割,来提高图像分割的准确性。我们在构建图形时使用局部邻域将算法应用于分割中,并利用DBSCAN既可以适用于凸样本集,也可以适用于非凸样本集的特性对超像素进行聚类分析。将所有各组紧密相连的样本划为各个不同的类别,则我们就得到了最终的所有聚类类别结果。该方法的一个重要特征是其能够在像素点密度大过某个阈值时,保留图像区域中的细节。     

基于SLIC超像素粒化的粗糙熵图像分割算法

粒化是粗糙熵阈值化算法的重要步骤,针对图像预处理的粒化方式不同,采用一种基于简单线性迭代聚类(SLIC)超像素的粒化方式.利用SLIC超像素算法的亮度相似性和空间相邻性将像素分为信息粒,在该粒度下构造了图像目标和背景的上下近似集及其粗糙不确定度.在此研究基础上,设计了粗糙熵阈值化分割算法.实验定性和定量地比较了本文算法...     

基于自适应超像素分割的点刻式DPM区域定位算法研究

为解决点刻式直接零件标志(Direct part mark, DPM)码基本单元分割困难、区域定位欠精确等问题, 提出使用超像素分割和谱聚类相结合的算法,对含有DPM区域的图像进行初步分割和精确定位. 首先为提高超像素分割的准确、快速和完整性,本文利用近邻传播聚类思想实现自动聚类得到超像素区域, 并引入边缘置信度调整超像素边缘,形成自适应边缘简单线性迭代聚类 (Adaptive edge simple linear iterative clustering, AE-SLIC)算法. 该算法改进了简单线性迭代聚类(Simple linear iterative clustering, SLIC)超像素分割算法存在的未明确界定超像素区域边缘信息和分割数目无法自适应确定等问题; 其次,将超像素作为谱聚类中图的顶点进行二次聚类, DPM区域内超像素因相似度高而被聚集为一类, 从而完成点刻式DPM区域的精确定位.经实验测试和分析,本文算法得到的超像素分割结果在完整性、 运算复杂度等方面优于常见的超像素分割算法.与基于像素点运算的传统定位算法相比, 本文算法具有良好的实时性、定位准确率和鲁棒性.     

基于快速SLIC的图像超像素算法

针对SLIC(Simple Linear Iterative Clustering)算法在超像素聚类过程中耗时较长的缺陷,提出一种基于快速SLIC的图像超像素算法。该算法首先剔除在颜色空间上与聚类中心相似度较低的像素,从而仅用部分近邻像素更新聚类中心,以确保聚类中心快速达到稳定并阻止误差传播,提高边缘命中率;其次,在初始化网格后,将每个超像素的边缘像素视为不稳定像素,将超像素的非边缘像素视为稳定像素并保持稳定像素的类别不变;最后,通过对不稳定像素进行迭代标记来实现快速超像素图像分割。在MATLAB环境下分别对所提算法与6种对比算法进行测试,在超像素个数相同的情况下,所提算法在BSD500数据集上与经典的SLIC算法相比分割误差率降低5%,分割精度提高0.5%,运行时间减少0.18 s。实验结果表明,与主流的超像素算法相比,所提算法在提升超像素分割质量的同时能够有效降低算法的计算复杂度。     

基于纹理特征的自适应SLIC超像素分割算法

由于简单线性迭代聚类算法（Simple Linear Iterative Cluster,SLIC）只考虑了颜色和空间信息导致分割不准确且边界附着度不高,且人工预设的超像素块数也会影响后续分割效果,提出了一种基于纹理特征的自适应SLIC超像素分割算法。先使用图像复杂度衡量图像分割的难易程度,根据自适应计算合适的图像分割块数,再基于SLIC算法把局部二值模式（Local Binary Patterns,LBP）纹理特征纳入相似性度量,提高SLIC算法分割精度。实验结果表明,本文方法与SLIC算法相比有更高的评价指标。     

基于超像素统计量的随机森林遥感图像分类

针对遥感图像地物覆盖分类方法对图像空间分布信息利用不足的问题,提出一种基于超像素统计量的随机森林遥感图像分类方法。以北京市海淀区为研究区,选用Landsat-8卫星为主要数据源,通过改进SLIC超像素分割方法,使之适用于多光谱遥感图像中超像素的分割,提取超像素常见的六个统计量(最小值、最大值、均值、标准差、上四分位数、下四分位数)用于随机森林在遥感图像中的分类。实验结果表明,本文对研究区遥感图像的总体分类精度为89.01%,明显改善了对地物的错分和漏分现象,能够推广到Landsat-8遥感图像的地物覆盖分类工作中。     

具有纹理感知能力的超像素分割方法

目的 超像素分割是计算机视觉领域常用的一项预处理技术,目标是将相邻像素聚集成为具有一定语义的子区域,能够大幅度降低后续处理的计算复杂度,但是对包含强梯度纹理的图像分割效果不佳,为此提出一种具有纹理感知能力的超像素分割方法。方法 提出一种能够区分强梯度噪声和纹理像素的颜色距离,其中利用带方向的1/4圆形窗口均值滤波后的颜色信息,提升包含强梯度噪声和纹理图像的超像素分割性能。利用区间梯度幅值与Sobel梯度幅值相乘得到混合梯度幅值,具有纹理抑制、结构保持以及边缘线条细的优点,能够提升超像素的贴合边缘性能,增强超像素形状规则程度。最后,利用混合梯度的幅值计算具有结构回避能力的综合聚类距离,进一步防止超像素跨越物体的边界,增强超像素的贴边性能。结果 在BSDS500（Berkeley segmentation dataset 500）图像数据集和强纹理马赛克图像等不同类型图像上的测试结果显示,与目前主流的超像素分割方法相比,本文算法在UE （undersegmentation error）、ASA （achievable segmentation accuracy）和CM （compactness measure）等性能指标上分别提高了1.5%、0.2%和4.3%。从视觉效果上看,能够在排除纹理干扰的情况下生成结构边缘贴合程度更好的形状规则超像素。结论 本文算法在包含强梯度纹理图像上的超像素分割性能优于对比方法,在目标识别、目标追踪和显著性检测等易受强梯度干扰的技术领域具有较大应用潜力。     

一种改进的标记分水岭遥感图像分割方法

图像分割是图像分析和模式识别需要解决的首要问题和基本问题,也是图像处理的经典难题。分水岭变换则是一种适用于图像分割的强有力的形态学工具,然而其不足之处在于它的过分割结果。提出一种基于ISODATA聚类和标记分水岭的分割方案,该方案首先通过中值滤波来消除部分噪声;然后用ISODATA方法进行聚类,获得更明显的特征差异;接着采用Sobel算子进行梯度重建,得到具有边缘信息的简化图像;在此基础上再进行基于标记的分水岭变换。实验结果表明,该方法分割精度达到80%以上,能够较好地抑制过分割。     

一种新的高光谱遥感图像降维方法

高光谱遥感图像的高数据维给图像进一步处理带来了困难，为了解决这一问题，提出了自适应波段选择(ABS)的降维方法。该方法充分考虑了高光谱图像的空间相关性和谱间相关性，通过计算各个波段的指数来选择信息量大并且与其他波段相关性小的波段。对各波段相应的指数重新排列之后，有两种方法来选择最终波段：一种是选择波段指数比设定指数大的波段，另一种方法是选择波段指数排在前n个的所有波段。为了验证ABS方法的有效性，对降维后的高光谱图像进行了贝叶斯监督分类，分类结果表明自适应波段选择的方法能够选择出信息丰富的波段，分类精度与使用原始波段相比提高10．4％，计算复杂度大大降低。     

一种改进的标记分水岭遥感图像分割方法

图像分割是图像分析和模式识别需要解决的首要问题和基本问题,也是图像处理的经典难题。分水岭变换则是一种适用于图像分割的强有力的形态学工具,然而其不足之处在于它的过分割结果。提出一种基于ISODATA聚类和标记分水岭的分割方案,该方案首先通过中值滤波来消除部分噪声;然后用ISODATA方法进行聚类,获得更明显的特征差异;接着采用Sobel算子进行梯度重建,得到具有边缘信息的简化图像;在此基础上再进行基于标记的分水岭变换。实验结果表明,该方法分割精度达到80%以上,能够较好地抑制过分割。     

一种融合多种特征的SLIC超像素图像分割方法

为进一步提高分割精度、得到视觉效果更好的分割结果,提出一种融合多种特征的简单线性迭代聚类(SLIC)算法与由FCM和PCM算法(FCM-PCM)结合的图像分割方法。算法先将局部同质性特征与纹理特征融入传统SLIC算法特征中,提出一种融合多种特征的SLIC超像素分割算法(SLICHT);然后对由SLICHT超像素分割算法得到的超像素块运用FCM-PCM算法进行聚类合并,实现图像分割。与其他图像分割方法相比,该算法的实验结果在分割精度和视觉效果方面都有很好的表现。     

基于超像素的印刷品色差在线检测方法

针对彩色印刷行业中,印刷品色差在线检测准确率低、速度慢的问题,提出一种新的检测方法.基于超像素的思想,采用简单线性迭代聚类(SLIC,simple linear iterative clustering)算法,对具有相似特征的相邻像素进行聚类,形成结构紧凑、近似均匀的像素块,每个像素块即为一个超像素.用超像素代替像素块内多个相似像素,分别提取标准图像和待检测图像的颜色特征.再用CIEDE2000色差公式进行色差计算.实验结果表明,该方法在保证检测结果准确率的基础上,能够有效地减少数据计算量,提高检测效率.     

基于超像素块聚类与低秩特性的高光谱图像降噪

高光谱图像通常受到高斯噪声、脉冲噪声、死线和条纹等干扰,因此去噪必不可少。现有基于低秩特性的降噪方法通过引入空间信息改善了降噪效果,但由于其只利用了局部相似性或非局部自相似性,而对在光谱维度存在一定结构信息的稀疏噪声去除效果较差。本文提出了基于超像素块聚类与低秩特性的高光谱图像降噪方法,实现了分块的自适应划分与聚类,在较好地保留了局部细节的同时又充分利用了非局部空间自相似性,且实验表明聚类后的超像素块组成的同物分块具有良好的空-谱双重低秩属性。该方法首先对高光谱图像进行超像素分割,再对超像素块进行聚类,得到同物分块;然后对其建立低秩矩阵恢复模型并求解,最终得到降噪后图像。本文分别在模拟数据和真实数据上进行实验,并与其他基于低秩特性的方法进行比较,结果表明：本文方法对混合噪声,尤其是具有一定结构信息的稀疏噪声具有较好的降噪性能。     

整合超像元分割和峰值密度的高光谱图像聚类

目的 传统图像聚类算法多利用像元的光谱信息,较少考虑图像的空间信息,容易受到噪声干扰。针对该问题,提出一种整合超像元分割（SLIC）和峰值密度（DP）的高光谱图像聚类算法。方法 首先,利用超像元分割技术对高光谱图像进行分割并提取超像元光谱特征;然后,根据提取的超像元光谱特征,计算其峰值密度信息,搜索超像元光谱簇,构建像元与类别间的隶属度关系。最后,利用高光谱模拟数据以及两组真实高光谱图像评价算法的鲁棒性和精度。结果 在不同信噪比的模拟数据中,SLIC-DP算法在调整芮氏指标（ARI）最优的条件下,较K-means和SLIC-Kmeans的方差降低61.86%和41.61%,体现优越的鲁棒性。在高光谱数据集Salinas-A和Indian Pines中,SLIC-DP算法的ARI为0.777 1和0.325 7,较K-Means和SLIC-KMeans聚类算法分别增长10.71%,5.01%与78.86%,25.27%。结论 本文算法抗噪声能力强,充分利用空间信息与光谱信息,有效提升高光谱图像聚类精度。经验证,能满足高光谱图像信息提取和分析的要求,可进一步推广和研究。     

基于边缘信息的RGB-D图像超像素分割算法

针对简单线性聚类算法（SLIC）中需要初始预设超像素个数和大量重复聚类计算的问题,提出一种基于边缘信息的RGB-D图像超像素分割算法。利用各向异性高斯核提取彩色图像中边缘强度信息,在此之上,自适应地提取图像的初始聚类中心。仅对位于图像边缘附近的像素点进行重新聚类标记计算,这种策略在保证聚类准确的同时,大大降低了重新聚类计算的复杂度。同时,本文提出一种基于边缘信息的距离度量准则来度量两个像素点之间的空间距离。在公开的图像数据集上的实验结果表明,相比其他几种算法,本文算法的分割结果更能反应出场景中物体的轮廓信息,而且算法效率更高。     

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。     

简单线性迭代聚类的超像素算法

当前,图像分割处理中存在过程繁琐、效率低下等问题,加上图像超像素形状及大小不均等影响因素,难以适应高性能计算要求。基于此,本文提出了简单线性迭代聚类改进算法。首先预处理获得像素信息,减少算法执行过程中的计算耗时;其次,通过一系列算法优化,降低访存时间,使其更有利于后续并行化的操作;最后依据像素点的处理之间互不产生依赖的情况,使用向量化和并行化的手段,对算法进行整体加速,进一步提升算法效率。实验结果表明,本文提出SLIC改进算法相比基准模型,在计算速率和算法性能方面得到提升。     

结合卷积神经网络和超像素聚类的细胞图像分割方法

针对细胞图像尺寸大、细胞形状各异,导致从图像中分割出精准的细胞十分困难的问题,以卷积神经网络为基础,结合染色校正方法和简单线性迭代的超像素聚类算法,提出了一种新的结构来进行细胞图像分割。首先,利用染色校正方法对细胞图像进行预处理,提高图像的颜色对比度;然后利用卷积神经网络获得初步分割结果;最后再将简单线性迭代聚类获得的超像素边界信息反馈到初分割图像上进行改进提升。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,本文提出的算法细胞分割准确率达到了92.72%,与经典卷积神经网络、阈值分割等其他细胞分割算法相比,具有更好的分割效果。     

图像分割中的超像素方法研究综述

目的 超像素(superpixel)是近年来快速发展的一种图像预处理技术,它将图像快速分割为一定数量的具有语义意义的子区域,相比于传统处理方法中的基本单元——像素,超像素更有利于局部特征的提取与结构信息的表达,并且能够大幅度降低后续处理的计算复杂度,在计算机视觉领域尤其是图像分割中得到了广泛的应用,为使国内外研究者对超像素理论及其在图像分割中的应用有一个比较全面的认识,对其进行系统综述.方法 以图像分割为应用背景,在广泛调研文献特别是超像素最新发展成果的基础上,结合对比实验,对每种方法的基本思想、方法特点进行总结,并对超像素分割目前存在的局限性进行说明,对未来可能发展方向进行展望.结果 不同的超像素分割算法在分割思想、性能特点上各不相同.当前的超像素方法普遍在超像素数量、紧密度与分割质量、算法实用性之间存在相互制约,同时对于某些特殊目标的分割也难以取得较好的结果.结论 超像素作为一种有效的图像预处理手段具有较高的研究价值,但针对目前超像素存在的一些局限性还需要进行深入的研究.