利用游程集合的标号传播实现快速连通域标记

为了实现对图像的快速连通域标记,提出一种基于传播游程集合标号的二值图像连通域标记算法.该算法仅对每个由一系列相邻行中的连通游程所构成的游程集合(称为向下连通分支)而非游程分配临时标号,利用一个位置映射表一次性建立向下连通分支中所有游程与其共同临时标号之间的位置关联,将所有向下连通分支的标号构成一个规模很小的具有树形结构的等价信息表;再使等价信息直接在部分路径中传播,并通过最后一次标号表扫描将所有临时标号转换为代表标号.实验结果表明,文中算法原理和实现简单,且由于具有处理的等价信息量小、对向下连通分支内的游程标记操作少,以及在连通分支合并时无需计算最小标号等特点,使其速度快于现有算法.     

快速连通域分析算法及其实现

本文提出一种快速连通域分析算法,它对像素的行程进行操作,并将标号作为行程及连通域的特征之一,特征通过数据结构的指针与行程及连通域相联系.该算法运用了两个关键技术,一是设计了一种链式机制来表示和实现标号的等价关系,二是通过指针的传递来实现标号及其它特征的向下传递和逆向传播,特征在标号过程中动态修改.这样甚至能实现仅对图像一遍扫描便能完成连通域标记和常用特征量的计算.实验表明了本文算法的有效性.     

基于地址-事件表示的高速二值连通域标记方法

为提高二值连通域标记的速度,将地址-事件表示AER（Address Event Representation）思想引入到二值图像处理,提出了一种基于事件对等价标号的二值连通域标记方法。该算法无需多次遍历图像中的背景点和冗余目标点,首先将待标记的连通域以AER“事件对”的方式编码保存,通过“事件对”的遍历生成临时标号和等价标记表;然后根据等价表修改临时标号;完成标号映射后最终实现连通域标记。整个算法只处理极低冗余的事件信息,避免了对全图像素的重复扫描与处理。实验结果表明,图像以AER“事件对”方式存储,数据量仅为全帧图像的10%~35%,有较高的压缩比;且该算法速度快,可达到了传统基于等价标号算法的1.5~8倍。     

基于 ＦＰＧＡ 的快速连通域标记算法

连通域标记是运动目标实时检测系统中的关键部分,从速度和存储空间等方面对已有连通域标记算法优化,可提高系统的实时性。基于此,提出了一种基于现场可编程门阵列（FPGA）的快速连通域标记算法。首先在光栅扫描过程中记录游程行列信息;然后实时合并连通游程信息并提取已结束连通域的特征信息;最后将特征信息叠加在图像上,实现对各连通域的标记。该算法仅通过一次扫描即可得到连通域特征信息,利用FPGA片上随机存取存储器（RAM）地址信息区分各连通域,不产生等价标号与临时标号。实验结果表明,该算法能快速准确的标记各连通域。对于分辨率1920×1080图像,仅需要76.63kbit的片上RAM资源,单帧处理时间不超过20.76ms,对于全高清视频输入亦能满足实时性要求。     

基于标号回传的二值图像连通体标记算法

提出一种基于游程标号回传的二值图像连通体标记算法,该算法以游程为处理对象,将目标结构中的标号传播到游程结构中,进行游程连通性判断,将与当前游程连通的游程中最小值回传到对应的目标结构中,确保在同一连通域中有相同的根标号,进而完成二值图像标记。该算法对二值图像可以实现一次性标记,同时完成连通区域的面积、质心等特征信息的提取。具有占用内存小、实现简单、能标记任意复杂连通区域的优点,可用于红外弱小目标的检测。     

基于等价对的图像连通域标记算法

在研究已有的连通域标记方法的基础上,提出了一种基于等价对的连通域标记算法.算法通过一次扫描对灰度图二值图像的每个前景像素点进行标识并保存等价对表,在满足等价对替换条件时对已标识过的像素点进行等价对替换,解决了重复标记的问题,最终得到二值图像连通域的划分.本文的连通域标记算法可有效应用于活动目标检测中.     

GPU加速的二值图连通域标记并行算法

结合NVIDIA公司统一计算设备架构(CUDA)下的图形处理器(GPU)并行结构和硬件特点,提出了一种新的二值图像连通域标记并行算法,高速有效地标识出了二值图的连通域位置及大小,大幅缩减了标记时间耗费。该算法通过搜索邻域内最小标号值的像素点对连通域进行标记,各像素点处理顺序不分先后并且不相互依赖,因此可以并行执行。算法效率不受连通域形状及数量的影响,具有很好的鲁棒性。实验结果表明,该并行算法充分发挥了GPU并行处理能力,在处理高分辨率与多连通域图像时效率为一般CPU标记算法的300倍,比OpenCV的优化函数(CPU)效率高近17倍。     

基于递归的二值图像连通域像素标记算法

在研究以前二值图像连通算法的基础上，提出了一种基于递归方法的二值图像连通域像素标记算法。通过对二值图像的扫描和分析可得到二值图像中的连通域划分和连通域的数目。算法主要包括两个步骤：对输入的二值图像进行一次扫描，得到所有目标像素的连通域划分和标记的等价对表；利用递归对等价对表进行分析，得到正确的连通标记划分和连通区域数目。实验结果表明，该算法对于任意复杂形状、任意数目(小于1 000)的连通区域都能正确检测。     

一种遥感二值图像目标区域分割的新方法

基于线段扫描法进行二值图像连通域分割时,对数据量较多且形状复杂的遥感二值图像,容易使邻接表存储大量的等价对信息,即浪费存储空间也不利于算法合并处理。针对这一不足,提出了一种基于线段的快速标号算法,采用“双表”实时记录和修正等价标号,很好地解决了标记冲突的问题。经模拟数据和真实遥感二值图像验证表明,该算法比传统算法在处理效率上有显著提高,具有较好的应用价值。     

基于游程编码的连通区域标记算法优化及应用

为提高空间液滴蒸发实验中图像实时反馈控制系统的鲁棒性,在液滴的边缘提取中采用了连通区域标记算法,并从两个方面对该算法进行了优化,从而在实时图像处理中获得较快的处理速度和较小的内存占用。一是在DSP实时图像处理中应用了游程编码来减少对象数量和存储所需空间;二是优化了Suzuki的连通区域标记算法,解决了该算法在一次扫描的赋值过程中可能会出现标记等价信息丢失的问题,通过改变对标记连接表的赋值,实现了只需要一次扫描就能获得完整的标记等价信息。实验结果表明,优化算法比传统算法运行速度更快并减少了内存占用。     

Fast connected-component labelling in three-dimensional binary images based on iterative recursion

We propose two new methods to label connected components based on iterative recursion: one directly labels an original binary image while the other labels the boundary voxels followed by one-pass labelling of non-boundary object voxels. The novelty of the proposed methods is a fast labelling of large datasets without stack overflow and a flexible trade-off between speed and memory. For each iterative recursion: (1) the original volume is scanned in the raster order and an initially unlabelled object voxel v is selected, (2) a sub-volume with a user-defined size is formed around the selected voxel v, (3) within this sub-volume all object voxels 26-connected to v are labelled using iterations; and (4) subsequent iterative recursions are initiated from those border object voxels of the sub-volume that are 26-connected to v. Our experiments show that the time-memory trade-off is that the decrease in the execution time by one-third requires the increase in memory size by 3 orders. This trade-off is controlled by the user by changing the size of the sub-volume. Experiments on large three-dimensional brain phantom datasets (362 × 432 × 362 voxels of 56 MB (megabytes)) show that the proposed methods are three times faster on the average (with the maximum speedup of 10) than the existing iterative methods based on label equivalences with less than 1 MB memory consumption. Moreover, our algorithms are applicable to any dimensional data and are less dependant on the geometric complexity of connected components.     

基于预流推进的最小标号最大流算法

针对原始最高标号预流推进算法中的回溯现象导致其在部分网络中执行效率低下的问题,提出了基于预流推进的最小标号算法。该算法仍以预流推进为基础,但在选取活跃节点时依据贪心原则寻找最小标号活跃节点作为调整点,同时还需构造回溯检验方法终止回溯现象以提升算法效率。在仿真实验中,该算法能够适应各类复杂网络,并在稀疏网络中具有最高标号预流推进算法5倍以上执行速度;在被应用于图像分割领域时,该算法也具有50%以上性能提升。提出的基于预流推进的最小标号最大流算法能够满足大规模网络流量分配、计算机视觉图像处理等需求。     

融合标签预处理与节点影响力的重叠社区发现算法

针对节点初始标签散乱及标签传播随机性大的问题，提出一种融合标签预处理与节点影响力的重叠社区发现算法。首先，计算节点影响力，逐步选择影响力值最大的节点作为中心节点；然后，用中心节点的标签对同质的邻居节点进行标签预处理，减少了初始标签数量，降低了后续标签传播的随机性，并初步识别出了重叠节点；其次，通过标签隶属系数识别重叠节点，用节点影响力值选择非重叠节点标签，提高了算法的稳定性和准确性；最后，以最大化自适应函数增量为目标，对内聚度弱的社区进行合并，提高了社区质量。仿真实验结果表明：对于六个真实网络，所提算法在50%的数据集上具有最大的扩展模块度值；而在不同混合度、节点重叠度和节点最大归属社区数的人工基准网络上，该算法在标准化互信息（NMI）指标上都具有最好的性能。综上所述，该算法对各类网络都具有较好的适应性，且具有接近线性的时间复杂度。     

融合标签预处理与节点影响力的重叠社区发现算法

针对节点初始标签散乱及标签传播随机性大的问题,提出一种融合标签预处理与节点影响力的重叠社区发现算法。首先,计算节点影响力,逐步选择影响力值最大的节点作为中心节点;然后,用中心节点的标签对同质的邻居节点进行标签预处理,减少了初始标签数量,降低了后续标签传播的随机性,并初步识别出了重叠节点;其次,通过标签隶属系数识别重叠节点,用节点影响力值选择非重叠节点标签,提高了算法的稳定性和准确性;最后,以最大化自适应函数增量为目标,对内聚度弱的社区进行合并,提高了社区质量。仿真实验结果表明：对于六个真实网络,所提算法在50%的数据集上具有最大的扩展模块度值;而在不同混合度、节点重叠度和节点最大归属社区数的人工基准网络上,该算法在标准化互信息（NMI）指标上都具有最好的性能。综上所述,该算法对各类网络都具有较好的适应性,且具有接近线性的时间复杂度。     

Connected component labeling of binary images on a mesh connected massively parallel processor

An algorithm for connected component labeling of binary patterns using SIMD mesh connected computers is presented. The algorithm consists of three major steps: identifying exactly one point (seed point) within each connected component (region), assigning a unique label to each seed point, and expanding the labels to fill all pixels in the respective regions. Two approaches are given for identifying seed points. The first approach is based on shrinking and the second on the iterative replacement of equivalent labels with local minima or maxima. The shrinking algorithm reduces simply connected regions into single pixels, but multiply connected regions form rings around the holes contained in the regions. A parallel algorithm is developed to break each such ring at a single point. The broken rings are then reduced to single pixels by reshrinking. With iterations consisting of shrinking, breaking rings, if any, and reshrinking, each pattern (of any complexity) is reduced to isolated points within itself. In the second approach every region pixel in the image is initially given a unique label equal to its address in the image. Every 3 × 3 neighborhood in the image is then examined in parallel to replace the central label with the maximum (or minimum) of the labels assigned to the set of region pixels in the neighborhood. This is done iteratively until there is no further change. The seed points are then the locations where the pixel addresses match their converged labels. A parallel sorting method is used for assigning a consecutive set of numbers as labels to the seed points. Parallel expansion up to the boundaries of the original patterns then completes the connected component labeling. The computational complexities of the algorithm are discussed.     

基于网络社区发现的标签传播聚类算法

高维数据的聚类特性通常难以直接观测. 将其构建为复杂网络, 节点间的拓扑结构可以反映样本之间的关系. 对网络中的节点进行社区发现, 可实现对数据更直观的聚类. 提出一种基于网络社区发现的低随机性标签传播聚类算法. 首先, 用半径和最近邻方法将数据集构建为稀疏的全连通网络. 之后, 根据节点相似度进行节点标签预处理, 使得相似的节点具有相同的标签. 用节点的影响力值改进标签传播过程, 降低标签选择的随机性. 最后, 基于内聚度进行社区的优化合并, 提高社区的质量. 在真实数据集和人工数据集上的实验结果表明, 该算法对各种类型的数据都具有较好的适应性.     

基于背景重建和MDBP的视频对象分割算法

提出了背景置信度图像和背景标示图像的概念,给出了一种基于背景重建和象素最小距离(M DBP)的自动视频对象分割方法。首先运用基于背景置信度图像和背景标示图像的背景重建技术从视频序列的多帧图像中重建出可靠的背景图像,然后运用差背景法分割视频对象(VO),同时再利用象素最小距离(M D BP)和总体象素最小距离(W M DBP)准则对分割出的视频对象图像进行处理,克服由于背景的微小变化而引起的前景对象的错误检测。试验结果表明该文给出方法能够较好地重建背景,对于背景静止的视频能够得到更好的分割结果。