结合最小生成树划分的高分遥感图像分割

针对基于几何划分的区域统计图像分割方法计算量大以及对地物复杂边界分割精度低的问题,提出了一种基于静态划分和区域统计的彩色高分辨率遥感图像分割方法。该方法定义了一种静态MST同质区域划分准则,借助MST能较好表达边界的特点,解决复杂地物边界的表达问题,并避免动态划分方法在迭代过程中反复划分造成的计算量大的问题。首先利用MST划分将图像域划分成若干个同质子区域,并假设每个同质子区域内的像素服从独立同一的高斯分布;然后在贝叶斯理论框架下构建基于区域的图像最优分割模型;最后结合M-H/ML算法进行图像分割和模型参数估计。为了验证提出方法,分别对真实及模拟彩色图像进行分割试验,定性定量评价结果表明了提出方法的可行性和有效性。     

基于图论的彩色图像快速分割方法研究

基于图论的图像分割方法作为一种全局的分割方法,当图像的信息量增大时,问题求解将非常耗时.提出一种基于图论的彩色图像快速分割方法,该方法首先用区域生长法将彩色图像划分为内部相似的一些区域,再用最小支撑树MST(Minimum spanning tree)方法在这些区域之间进行分割,产生最终的分割图像.以彩色图像作为研究对象,实验结果表明,相对于传统的MST图论分割方法,该方法在取得较好分割效果的同时,提高了分割速度.     

基于区域GAC模型的二值化水平集图像分割算法

针对测地线主动轮廓(GAC)模型进行了改进,提出了一种基于区域的GAC模型.通过构造基于区域统计信息的符号压力函数取代边界停止函数,有效解决了弱边界目标或离散状边界目标的分割问题.该模型采用二值化水平集方法实现,避免了传统实现方法水平集函数需要重新初始化为符号距离函数,从而导致稳定性差、计算量大、实现复杂等缺点.对不同类型图像的试验结果表明:该算法迭代收敛速度比GAC模型传统实现方法明显加快,且可有效防止边界泄漏,分割效果优于传统GAC模型与C-V模型.     

基于区域相似性的活动轮廓SAR图像分割

为了克服传统活动轮廓SAR分割模型高度依赖统计分布假定的缺点,结合基于成对相似性的图划分方法和几何活动轮廓模型的优点,提出了基于区域相似性的活动轮廓SAR分割模型.首先将原始图像过分割成同质子区域集;然后结合强度和纹理信息真实度量子区域的成对相似性,并以此定义能量泛函;最后利用基于过分割的规则化和快速曲线演化实现SAR图像的有效分割.真实SAR图像的实验结果表明,该模型能快速、准确地得到SAR图像的分割结果.     

基于深度学习的无人机地物图像分割方法

针对无人机地物图像的传统分割方法工程量大,效率低下,深度学习的无人机地物图像分割算法在复杂场景下精度不高和数据集的类别不均衡（长尾数据）等问题,提出一种基于深度学习的高分辨率无人机地物图像分割方法,用于提高不同地貌区域的分割精度。在语义分割模型DeepLabv3的基础上进行改进,将原始主干网络ResNet101替换为ResNet152并添加预训练模型,调整扩张卷积空间金字塔池化模块的扩张率,采用类别平衡损失函数来解决长尾数据问题。在采集的无人机地物图像数据集上进行训练并通过测试集的分割效果证明模型改进方法的有效性。根据实验模型分割效果表明,改进后的方法在测试集上平均交并比达到70.8%,相比原始模型提升了27.2%,能够得到效果更好的分割结果。     

一种粗糙不确定的图像分割方法

图像分割是计算机视觉领域的一个基础问题,涉及图像检索、物体检测、物体识别、行人跟踪等众多后续任务。目前已有大量研究成果,有基于阈值、聚类、区域生长的传统方法,也有基于神经网络的流行算法。由于图像区域边界的不确定性问题,现有算法并没有很好地解决图像部分区域渐变导致的边界模糊问题。粒计算是解决复杂问题的有效工具之一,在不确定的、模糊的问题上取得了良好的效果。针对现有图像分割算法在不确定性问题上的局限性,基于粒计算思想,提出了一种粗糙不确定性的图像分割方法。该算法在K均值算法的基础上,结合邻域粗糙集模型,先对类别边界区域的像素点进行粒化,运用邻域关系矩阵,得到各类别对各粒化像素点的包含度,从而对边界区域类别模糊的像素点进行重新划分,优化了图像分割的结果。在Matlab2019编程环境中,实验选取了BSDS500数据集中的一张马术训练图片和一张建筑物图片来测试算法性能。实验先对彩色图像进行灰度处理,用K均值算法对图像进行初步分割,再设置邻域因子值,依据边界像素点邻域信息重新划分边界点。对比K均值算法的分割结果可知,所提算法取得了更佳的效果。实验结果表明,该方法在粗糙度这一评价标准上优于K均值算...     

纹理图像分割的非局部Mumford-Shah-TV模型及其ADMM算法

为了提高纹理图像分割的准确率,解决纹理图像中纹理图像成分及纹理区域边界难以描述的问题.基于总变差(total variation, TV)规则项可得到纹理图像区域隐藏的图像结构、非局部算子可以描述纹理图像特征的特点,综合TV模型、非局部Mumford-Shah模型,并用二值标记函数划分区域,提出纹理图像分割的非局部Mumford-Shah-TV变分模型;为了提高计算效率,对所提出的模型设计了相应的交替方向乘子算法,将原问题分解为一系列优化子问题求解.数值实验结果表明,该模型计算的纹理图像区域边界较好,并具有较高的准确率.     

基于运动优化语义分割的变分光流计算方法

针对光照变化和大位移运动等复杂场景下图像序列变分光流计算的边缘模糊与过度分割问题,文中提出基于运动优化语义分割的变分光流计算方法.首先,根据图像局部区域的去均值归一化匹配模型,构建变分光流计算能量泛函.然后,利用去均值归一化互相关光流估计结果,获取图像运动边界信息,优化语义分割,设计运动约束语义分割的变分光流计算模型....     

基于局部自适应先验MRF模型的快速BP图像分割算法

针对常规MRF分割模型不能有效描述图像的局部特征、常导致图像的过分割现象,提出了一种局部自适应先验的MRF模型。该模型利用图像的邻接区域信息建立了一种局部自适应特征MRF模型。基于提出的模型,建立了一种具有快速收敛策略的区域BP算法对MRF模型的区域消息进行传递,有效解决了区域BP算法的计算量大的问题。实验结果表明,与常规区域BP算法相比,提出的分割方法具有更快的分割速度和精度。     

基于描述方法的SAR图像分割*

针对减少SAR图像分割中自由参数的问题,提出了基于最小描述长度的SAR图像分割方法。该方法经对数变换将SAR图像乘性噪声转换为加性噪声,对其建立描述模型,在描述长度最短意义上计算出重建图像,在假设SAR图像各区域实际地物后向散射特性对应的像素值恒定的前提下,该重建图像即为SAR图像的分割结果。该方法在分割的同时很好地抑制了SAR图像的相干斑噪声,保留了原始SAR图像的区域边界,并且不需要参数调节,整个分割过程自动完成,是一种非监督SAR图像分割方法。给出了该方法的具体实现步骤,实验结果验证了该方法的有效性。     

快速自适应分片常数CV模型

Chan-Vese模型以其能较好地处理图像的模糊边界和复杂拓扑结构而广泛运用于图像分割中。但针对含灰度不均匀性和复杂背景的图像分割效果较差。提出一种基于图割方法的自适应分片常数式的CV模型。首先通过计算距离函数和邻域相似度修正CV模型的拟合项及长度项;然后根据像素点和拟合中心的相似度控制划分拟合中心所在的区域,以备准确估计拟合中心;最后利用图割算法最小化能量函数并得到新的拟合中心以进行下一轮最小化,从而得到更准确且高效的分割结果。     

基于先验形状信息的水平集图像分割

针对现有水平集方法对于具有强噪声或弱边界的目标进行分割时存在的问题,提出了一种基于形状先验的图像分割方法.该模型采用变分水平集方法,融合了区域特征和边界轮廓特征,并通过相似性匹配选择最佳先验形状.该模型不仅对具有强噪声和弱边界的复杂图像具有较好的分割效果,而且有效地解决了曲线演化的初始轮廓的确定问题.与传统方法进行对比实验,结果表明,该方法具有较好的分割效果和较高的准确率.     

结合Ostu阈值法的最小生成树图像分割算法

基于最小生成树的图像分割算法是一种全局最优的算法，然而会出现图像细节的处理不甚理想的问题，即分割结果出现不同程度的过分割和欠分割的现象。针对这一现象，根据图像全局和区域间的最大类间方差（Ostu），将Ostu阈值法与最小生成树（MST）算法相结合，提出了一种基于MST的Ostu阈值法图像分割准则。该图像分割算法是一种MST的优化方法，将区域合并判决条件取决于相互合并的两个区域的Ostu阈值，又考虑到较小的区域包含在较大的目标区域中或者背景区域中，再次使用Ostu阈值进行区域合并。该方法通过实验证明，可以有效地减弱图像的过分割与欠分割比例，减少了误分割率。     

基于区域的多尺度全色遥感图像分割

针对边缘信息不足导致的图像误分割问题,提出一种基于区域的多尺度全色遥感图像分割方法.首先,利用曲波变换对图像进行多尺度分析,获取多尺度分解图像;然后,利用规则划分技术将其图像域划分成一系列子块,结合统计方法,建立基于区域的多尺度统计分割模型;接着设计可逆变马尔可夫链蒙特卡罗(RJMCMC)算法求解该分割模型;最后,利用所提出方法对全色遥感图像进行分割实验,实验结果表明,所提出方法能够有效解决图像误分割问题,并较好地实现图像分割.     

大纹理图像多粒度分割新算法

针对大纹理图像分割困难的问题,提出一种大纹理图像分割算法.在获取影像的初始过分割区域后,依次使用区域颜色和背景对区域进行划分,得到区域标记图像;依据不同标记之间的空间交互强度,建立全局最优的标记合并序列,获取多粒度的分割结果;提出边界类别分布模型来建模区域或标记的空间交互关系.对比实验结果表明,该算法在处理大纹理图像分割方面有明显优势.     

NMI特征优化边界敏感的LSC遥感影像分割算法

针对线性谱聚类方法处理复杂场景的高分辨率遥感影像时存在地物边界丢失、过分割问题,提出基于归一化转动惯量特征优化边界敏感的线性谱聚类方法。首先,利用LOG算法提取影像边缘信息,将边缘信息与LSC算法融合,并将存在边缘信息的超像素块的区域质心替代原始聚类中心,改善地物边界信息丢失问题;然后,通过边缘敏感的LSC分割方法,对高分辨率影像进行分割,获取地物完整的初始超像素,并确定微小的超像素;最后,计算微小超像素与相邻超像素相似性度量值,并将其合并到相似性度量值最小的超像素,优化过分割结果。实验结果表明,该方法可以有效地解决地物边界丢失、过分割问题,获取较好的分割结果。     

近似测地距离度量下的图像抗噪分割方法

对含有噪声的图像进行有效分割是图像处理中的难点问题之一.为解决欧氏距离带来的空间局限性,对含有噪声的图像进行有效分割,提出一种基于近似测地距离和边界加权的重心Voronoi图划分(CVT)能量模型的图像抗噪分割方法.首先利用图像梯度的大小和方向建立一种近似测地距离计算模型,降低了算法的时间复杂度;然后采用该测地距离测度定义边界加权的CVT能量模型,并极小化能量模型实现数字图像的抗噪分割.实验结果表明,该方法可以有效地对含有噪声的数字图像进行抗噪分割.     

基于贝叶斯分类模型的双水平集算法的大脑图像分割

针对大脑图像中灰质和白质边界结构的复杂性以及拓扑细长部分目标和弱边界目标分割存在的问题,提出了基于贝叶斯分类模型的双水平集分割算法.鉴于传统的水平集有分割过度、泄漏边界的缺点,可通过贝叶斯分类模型计算出水平集曲线位于边界的概率,并将此概率相关联的区域决策因子添加在水平集函数方程中,从而实现利用图像的区域信息提高水平集曲线识别边界能力的目的.将基于贝叶斯分类模型的双水平集算法应用到大脑图像的分割,通过内外两条水平集共同演化作用,得到了比贝叶斯分类模型的单水平集方法更完整的分割效果,并明显提高了分割效率.     

一种新的基于区域竞争模型的水平集医学图像分割方法

传统的基于梯度模型的水平集分割方法在水平集曲线演化过程中存在着边界泄漏问题。针对这个问题,提出了一种基于改进区域竞争模型的水平集分割方法。本方法首先通过概率分布公式计算出水平集曲线属于目标区域和背景区域的概率;其次,将概率差值连同权重因子添加到水平集函数方程中,使曲线在演化过程中能量函数达到最小;最终,利用图像的区域信息提高水平集曲线识别边界的能力。实验结果表明该方法能够很好地实现医学图像的分割。     

基于微粒群优化和粗糙熵的图像分割算法

提出一种基于微粒群优化(PSO)的边界区域粗糙熵的阈值图像分割算法。该算法采用边界粗糙熵作为图像分割的评价标准,利用优化领域的PSO功能把图像分割问题转化为优化问题。实验结果表明,该方法使用PSO算法避免了早期大量熵的计算,相对于分块大小的敏感性较小,得到较好的分割效果,并且能提高计算速度,是一种实用有效的图像分割方法。