基于图割与改进模糊C均值的图像分割

为提高图割算法对图像的分割效果,提出一种改进的模糊C均值聚类算法(FCMA)和图割分割算法相结合的图像分割方法。首先,用均值漂移算法将图像过分割成多个小区域(超像素),用得到的超像素代替像素点作为图的顶点,以相邻像素块间的关系为边构建图模型;然后,采用改进的模糊C均值(FCMA)算法对前景和背景的混合高斯模型分别进行聚类分析;最后,用最大流/最小割算法求取能量函数的全局最优解即得到图像的分割结果。实验结果表明,该方法在分割结果上具有较强的区域一致性及较为清晰、平滑的图像边缘,并且该方法对含有噪声的图像也能得到较好的分割结果。     

基于LBP纹理特征和Canny算子的视频分割方法研究

针对目标区域和背景区域交界处颜色相似度较高的图像分割问题,提出基于LBP(Local Binary Patterns)纹理特征和Canny算子的视频分割算法。构造能量函数的数据项颜色模型和光滑项对比度模型;根据当前block直方图与LBP背景模型直方图的相似度调整全局颜色模型和局部颜色模型的比例来改进颜色分量;通过Canny边缘检测方法对改进后颜色模型生成的图像进行检测,将得到的边缘检测结果应用到对比度分量模型中来增加前景和背景对比度;使用Graph Cut算法对能量函数进行求解,得到最终分割结果。实验结果表明,当背景光照发生变化且前景和背景交界处颜色相似时,该算法具有明显优势。     

利用图割实现背景自动切换

视频序列图像的背景切换是从视频图像帧中自动准确的提取出对象图像,然后赋予对象图像新的背景.针对此问题,本文提出基于图割理论的图像对象提取算法.首先提出采用能量最小化模型分离图像对象背景,并利用最小割/最大流算法实现能量最小化模型.其次,为了提高算法分割效果,算法采用HSV颜色模型,削弱V分离的作用从而减弱亮度变化对于分割的影响;最后对分割后的对象二值图像进行修正,提出用形态学操作进行边缘修补,用目标同化进行空洞填补.实验证明,算法提取出的对象图像完整、图像边缘清晰,较好的实现了视频序列图像的背景切换.     

利用视觉显著性与图割的图像分割算法

图割算法是图像分割中经典有效的算法,针对其在前景/背景颜色有重叠时容易产生分割错误、shrinking bias现象及交互实时性不佳的问题,提出一种利用视觉显著性与图割的交互式图像分割算法.首先利用Mean Shift算法将原始图像高效地预分割为基于区域的图结构,使得计算量大大下降;然后结合图像内容的显著性分析提高数据项约束的可靠性,并结合局部自适应的正则化参数,有效地改善了shrinking bias现象.实验结果表明,该算法交互快速,分割结果更加精确.     

面向多种场景的视频对象自动分割算法

针对当前应用于视频对象分割的图割方法容易在复杂环境、镜头移动、光照不稳定等场景下鲁棒性不佳的问题,提出了结合光流和图割的视频对象分割算法.主要思路是通过分析前景对象的运动信息,得到单帧图像上前景区域的先验知识,从而改善分割结果.论文首先通过光流场采集视频中动作信息,并提取出前景对象先验区域,然后结合前景和背景先验区域建立图割模型,实现前景对象分割.最后为提高算法在不同场景下的鲁棒性,本文改进了传统的测地显著性模型,并基于视频本征的时域平滑性,提出了基于混合高斯模型的动态位置模型优化机制.在两个标准数据集上的实验结果表明,所提算法与当前其他视频对象分割算法相比,降低了分割结果的错误率,有效提高了在多种场景下的鲁棒性.     

结合CS-LBP纹理特征的快速图割算法

图割算法是目前最有效的交互式图像分割方法之一。针对当前景和背景颜色相似时容易发生分割错误并产生shrinking bias现象,以及基于像素的计算导致交互效率不高的问题,提出一种结合纹理特征的改进算法。该算法首先利用Mean Shift算法对图像进行预分割,构建区域邻接图,然后用累计直方图、CS-LBP纹理描述子对每个区域进行颜色和纹理特征的提取,通过在能量函数中引入纹理约束项以及局部自适应的正则化参数,有效改善了分割效果和shrinking bias现象。实验结果表明,本算法交互效率得到了提高,分割结果更加精确。     

一种改进的基于图割的立体匹配算法

为了提高立体匹配算法的精确度,提出了一种结合图割与Mean Shift图像分割的立体匹配算法。首先用Mean Shift算法对参考图像进行图像分割,得到分割后的标记图,然后将分割信息结合到图割算法的能量函数中,最后用改进的能量函数和图割算法得出致密的视差图。实验结果表明,提出的算法具有更高的精确度和更好的边缘特征。     

图切割支持的融合颜色和梯度特征的实时背景减除方法

通过融合图像的颜色和梯度特征,实现了一种实时背景减除方法.首先融合颜色和梯度特征建立新的能量函数;然后基于图切割算法最小化能量函数,并对前景/背景进行分割;最后使用光流验证前景区域的真实性,并更新背景模型.对不同场景的实验结果表明：该方法可以实时地检测出视频序列中的运动物体,结果准确、有效.     

一种新的结合非下采样Contourlet域融合和参数化内核图割的SAR图像无监督水灾变化检测

目的：基于非下采样Contourlet变换(NSCT)融合策略可以有效地抑制背景信息增强变化区域的信息。但是融合后图像具有复杂的统计特征,传统的基于统计特征的变化检测难以实现。基于参数化内核图割的遥感图像分割不受统计特征的限制。为此提出了一种基于NSCT融合和参数化内核图割的SAR图像无监督水灾变化检测新算法。方法：将均值比差异图像和对数比差异图像采用基于NSCT的融合算法进行融合,将融合后的差异图像采用参数化内核图割算法进行前景/背景的分割,得到最终的变化检测结果。结果：融合后的差异图像利用前两种差异图像的互补信息提高了变化检测精度。算法不受统计模型限制,不需要先验知识,适用性强。结论：实验结果表明,本文算法的检测精度优于传统的变化检测方法。     

基于Manifold Ranking和结合前景背景特征的显著性检测

针对基于图和流形排序（Manifold Ranking）的显著性检测算法（MR算法）过度依赖边界节点的背景特征的问题,提出一种改进的结合前景背景特征的显著性检测算法。首先,对图像进行超像素分割,建立闭环图模型;然后利用流形排序算法根据图像前景特征和背景特征分别得出前景种子和背景种子;再通过亮度和颜色特征对两类种子进行结合,筛选出更为准确的查询节点;最后再利用流形排序算法进行显著值计算,得到最终的显著图。实验表明,改进方法与MR算法相比在精确率、召回率、F值等多个评价指标上均有明显提升,得到的显著图更接近真值。     

基于小波变换与图割的彩色图像分割方法

为提高图割算法的分割效率与质量并改善shrinking bias现象,提出将图割理论与小波变换相结合的方法.该方法利用小波变换多分辨率分析的特点,将变换中的低频子带图像作为估计GMM参数的训练样本进行多尺度迭代分割,提高算法效率,利用简单高效的CS_LBP纹理描述子提取高频子带图像中的纹理信息,将颜色与纹理特征相结合改善分割效果,并利用高频系数进行多尺度边缘检测,用于计算局部自适应的正则化参数,改善对细长边界的分割.实验结果表明,分割效果得到了改善,算法效率得到了提高.     

基于两段多组件图割的非监督彩色图像分割算法

提出基于两段多组件图割的彩色图像分割算法,以解决因标签过多和噪声导致的过分割和图割算法低效等问题.多组件图割算法分割图像时,把标签相同的区域处理为该标签的多个组件,结合两层高斯金字塔形成两段多组件图割,以减少分割错误和标签数量,提高分割的性能.算法首先提取基于多尺度四元数Gabor滤波的texton纹理特征,并自适应融合颜色特征;然后使用两段多组件图割获取图像的优化分割,其中,为了引导图割优化的方向,在平滑项中引入彩色梯度信息;最后去除分割结果中的弱边界,获得最终的分割结果.实验结果表明,相对于比较算法,新算法的分割性能有明显提升.     

融合显著性分析与图割的姿态无关服装区域分割算法

提出了一种针对多姿态人的服装区域分割算法,通过融合显著性分析和图割方法有效地提高了服装区域分割的性能.首先,提出一种基于滑动窗口的视觉显著性区域分析方法,计算前景?背景种子区域初始定位,实现种子区域定位的姿态无关性;然后,通过基于图的分割方法对初始种子区域进行矫正;最后,通过将种子区域作为输入的迭代图割方法——GrabCut获得服装区域分割.实验结果表明,文中算法具有较好的分割性能,具有应用前景.     

结合显著性检测和中心分割算法的文本检测方法

针对复杂背景下的文本检测问题,提出了显著性检测与中心分割算法相结合的文本检测技术。对于输入的图像,首先分别使用前景与背景作为标准的显著性检测方法,背景检测时将图像的四边分别作为基准,前景检测时将背景检测中得到的非背景区域作为基准,最终可得到较准确的备选文本区。然后使用中心分割算法,得到精确的边缘图。由于显著性图备选区域准确边缘细节缺失,而边缘图边缘精确但无法得出备选文本区,因此将两者进行融合处理,得到最终文本区域。实验表明,所提出的方法有较好的检测效果。     

基于高斯超像素的快速Graph Cuts图像分割方法

提出了一种交互式的快速图像分割方法.该方法通过使用高斯超像素来构建Graph cuts模型以实现加速.首先,利用融合了边缘置信度的快速均值漂移算法,将原始图像高效地预分割为多个具有准确边界的同质区域,并将这些区域描述为超像素,用于构建精简的加权图.然后,使用区域的彩色高斯统计对超像素进行特征描述,并在信息论空间中对高斯...     

一种基于图的交互式目标分割算法

静态图片的编辑中,交互式背景、前景分割的高效性研究有着重大的实际意义。传统的分割方法或是应用图片的纹理(色彩)信息,如Magic Wand,或是利用边界(对比度)信息,如Intelligent Scissors。最近提出的Graph cuts分割算法很好地结合了以上的两种信息。该文将介绍Graph cuts算法以及在该算法基础上改进得到的Grab cut算法。Grab cut算法堪称目前交互式分割方法中分割效果较好的方法,其分割精度高,交互工作少,具有较好的应用前景。文章结合作者当前的研究课题,把Grab cut算法应用在医学图像器官分割中得到了令人满意的效果。     

基于FCM和图割的交互式图像分割方法

为了提高在前景和背景颜色相似情况下图像的分割效果,提出了一种基于模糊C均值聚类（FCM）和图割的交互式图像分割方法。首先,利用分水岭算法对图像进行预处理,将图像分成多个小区域,用区域代替像素点进行分析。然后,采用模糊C均值算法对用户标记的前景区域和背景区域分别进行聚类分析,挖掘用户交互所提供的隐藏信息。用未标记区域的颜色分量到前景区域及背景区域类心的最小距离表示相似能量,用未标记区域与其相邻区域的相关性表示先验能量。最后,利用最大流/最小割算法求能量函数的全局最优解。与其他方法相比,该文方法具有较好的分割性能,能从前景背景相似的图像中较精确地提取感兴趣的物体,且用户操作简单。     

Clothing segmentation using foreground and background estimation based on the constrained Delaunay triangulation

This paper proposes a new clothing segmentation method using foreground (clothing) and background (non-clothing) estimation based on the constrained Delaunay triangulation (CDT), without any pre-defined clothing model. In our method, the clothing is extracted by graph cuts, where the foreground seeds and background seeds are determined automatically. The foreground seeds are found by torso detection based on dominant colors determination, and the background seeds are estimated based on CDT. With the determined seeds, the color distributions of the foreground and background are modeled by Gaussian mixture models and filtered by a CDT-based noise suppression algorithm for more robust and accurate segmentation. Experimental results show that our clothing segmentation method is able to extract different clothing from static images with variations in backgrounds and lighting conditions.     

融合区域合并和Graph Cuts的彩色图像分割方法

针对使用Graph Cuts方法对图像进行分割极大影响分割精度这一问题,提出了一种新的融合区域分级合并和Graph Cuts的彩色图像分割算法。该算法首先使用均值漂移算法对图像进行初始分割,将原图像分割为具有较好边界的同质区域;然后,通过计算区域相似度对区域进行分级合并,之后构建精简的加权图,并使用Graph Cuts进行分割。多幅彩色图像的分割实验结果证明,所提算法具有较好的分割效果。