基于最小生成树的图像分割

基于最小生成树思想,给出了一种利用改进的最小生成树进行图像分割的方案,减少了最小生成树的构建过程,对初分割的结果利用NNG算法进行合并。该方案节约了分割时间,并且对分割后的图像进行了有效的合并,达到了较好的分割效果。     

一种交互式的云模型图像分割方法

论文针对图像分割中存在的不确定性问题,通过研究不确定性人工智能中定性和定量的转换模型—云模型,提出一种新的基于云模型的图像分割方法。该方法采取交互式的方式选择训练样区,利用训练样区中的像素生成云模型,并通过泛概念树生成算法生成泛概念树,最后通过极大判定法判定像素所属类别,实现图像分割。这种方法能较好地描述图像目标的不确定性。通过几组实验,证明该方法可以准确地分割出目标,并优于传统的图像分割算法。     

基于边缘强度特征和线性谱聚类的 SAR 图像超像素生成方法

面对高分辨合成孔径雷达(SAR)图像的海量数据,学界广泛通过基于超像素的方法 简化图像处理过程。一般适用于光学图像的超像素分割算法对存在斑噪的 SAR 图像分割性能均 不够理想。面向 SAR 图像改进现有超像素生成算法是目前的研究热点之一。在探讨了将边缘强 度特征引入超像素分割算法的可行性的基础上,结合边缘强度特征和线性谱聚类方法,提出了 一种新的 SAR 图像超像素生成方法(e-LSC)。通过仿真 SAR 图像和实测 SAR 图像的比较实验, 证实了 e-LSC 算法与其他几种典型超像素生成算法相比,生成的超像素在边缘贴合度和匀质区 域的规则化上都有所提高。     

压缩域中基于自动标记的图像分割

针对传统像素域中图像分割算法计算复杂的缺陷,提出了一种压缩域中快速图像分割算法。对图像分块,提取离散余弦变换（DCT）系数结合颜色矩作为块特征,利用支持向量机（SVM）实现对压缩域中图像块的自动标记,采用提出的阈值最小生成树（TMST）算法对已标记块进行区域生长,应用形态学相关算法对分割出的图像进行修补。通过Corel图像数据库对提出的方法进行验证,结果表明该方法能够更加快速有效地进行图像分割。     

采用高斯混合模型及树结构的立体匹配算法

针对传统立体匹配算法无法同时为图像边缘和低纹理区域提供一个合适大小的聚合窗口而导致匹配精度较低的难题,提出一种结合高斯混合模型及最小生成树结构的立体匹配算法。通过图像初始视差、像素颜色及距离信息将图像分为初始若干区域及待分割候选像素;基于高斯混合模型并行迭代更新各区域参数,得到最终的分割;在各分割上建立最小生成树计算聚合值求取视差;通过邻域内的有效视差修正误匹配点,获取精度较高的稠密视差图。与其他算法相比,该算法能有效降低误匹配率,尤其在深度不连续区域的匹配效果显著改善。     

基于模糊连接度的近邻传播聚类图像分割方法

针对现有近邻传播聚类图像分割方法分割精度低的问题,提出一种基于模糊连接度的邻近传播聚类(FCAP)图像分割算法。针对传统模糊连接度算法不能得出任意点对间模糊连接度的不足,结合最大生成树提出了全模糊连接度算法。FCAP算法先使用Normalized Cut超像素技术进行超像素分割,这些超像素可以看作数据点以及它们之间的模糊连接度;然后使用所提出的全模糊连接度算法计算超像素间的模糊连接度,根据模糊连接度和空间信息计算超像素的相似度;最后使用近邻传播(AP)聚类算法完成分割。实验结果表明,FCAP算法明显优于超像素处理后直接使用AP聚类算法进行分割的方法,并且优于无监督图像分割方法。     

基于最小生成树的图像分割方法

图像分割是数字图像处理的重要分支,它研究的是将图像中感兴趣的部分准确、快速分割,以便于后续利用,它是从图像处理到图像分析的关键步骤.图像分割的好坏直接影响图像分析的精确度.由于图像的直观、可视性等特征,图像可以较准确地还原物体,许多领域的研究可以转变为对图像的研究.介绍了图像分割的基本概念及常见的几种图像分割方法,重点介绍了基于最小生成树的图像分割原理,并对最小生成树图像分割的优缺点进行分析,针对其缺点提出了改进的意见,并就图像分割的应用前景进行了简单的阐述.     

基于自适应局部阈值的彩色图像分割

使用基于图论的最小生成树方法进行图像分割,能够获得全局的分割效果及良好的运行效率,但是图中边的数目太多,而且使用固定阈值合并的最小生成树不能适用于所有彩色图像。本文针对这一问题,结合分水岭方法,先将分水岭变换产生的初始分割区域转变成图论中的顶点和边,再用最小生成树合并,通过分析局部信息变化,得到自适应局部阈值。实验表明,基于自适应局部阈值的最小生成树分割效果比基于全局阈值最小生成树的分割效果要好。     

基于超像素的快速MRF红外行人图像分割算法

针对红外图像中行人目标分割时容易受环境干扰的问题,提出一种基于马尔可夫随机场的红外行人分割方法.为了解决计算最优解时优化算法收敛速度慢的问题,采用simple linear iterative clustering算法将红外图像预分割为超像素块.以像素块作为马尔可夫随机场的分割单位.像素块的颜色信息由该像素块内所有像素的平均灰度值表示.根据马尔可夫随机场与图像信息之间的关系计算图像的局部先验空间结构信息,采用ICM计算后验能量函数的最小化解.实验结果表明,改进分割算法较好的抑制了小的噪声点,获得了比较理想的分割结果,对于360 × 240的红外图像,采用超像素对图像进行预分割可以将分割速度提高10倍以上.     

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。     

基于最小生成树的加权中值滤波算法

根据图像纹理分布特点,提出一种基于最小生成树的加权中值滤波算法。依据最小生成树计算像素点的相关度,对像素点进行初次分类。对初次分类中不能确定性质的像素点,采用模糊理论进行二次分类。根据像素点的分类结果,保持像素点的原有灰度值或采用不同的滤波方法进行滤波处理。仿真实验结果表明,在去除噪声和图像细节保持方面,该算法优于其他中值滤波算法。     

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.     

基于最小生成树的图像融合算法

研究遥感图像融合精度问题。图像融合存在含有冗余和互补信息,造成清晰度降低。针对传统的图像配准算法精度较低,为了提高遥感图像融合的准确度,提出了一种最小生成树遥感图像配准算法,将最小生成树算法应用到图像融合的优化过程中,算法首先提取均匀子采样点集,并在此基础上构造最小生成树,然后使用最小生成树来估计熵,对遥感图像进行配准,最后将图像间的边缘梯度信息融入到融合框架中。算法有效地克服了传统图像融合算法的缺点,仿真结果表明,改进算法有效地提高了图像融合的精确度,并为遥感图像融合提出了有效依据。     

基于加权中值滤波的MST立体匹配算法

传统的最小生成树立体匹配算法对低纹理区域和遮挡区域不敏感,虽然最小生成树立体匹配算法后处理的中值滤波能够消除噪点,但是不能够消除边缘模糊。本文提出一种改进算法来克服这些局限性。首先,由于最小生成树匹配成本区分度不够高,研究并提出新最小生成树的匹配成本,使其可以减小不敏感区域的误匹配。其次,在后处理中使用加权中值滤波,以改善深度图像边缘。实验结果表明,在最小生成树立体匹配算法中使用改进匹配成本算法和加权中值滤波算法,在Middlebury数据集中平均误匹配率达到6.9%,本文算法在Middlebury和KITTI场景中都优于最小生成树立体匹配算法。     

基于Mumford-Shah理论的最小生成树图像分割方法

基于最小生成树的图像分割方法虽然具有较快的分割速度,然而这类方法的结果较为粗糙、冗杂.结合Mumford-Shah理论,提出了一种优化的方法.通过考虑图像中区域间的结合程度以及各区域的几何性质,计算区域间基于结合度的权值并将之加入到最小生成树图像分割方法的区域合并判断公式中,使相互结合较好的区域更易于合并.该方法能够在保留目标区域间较弱边缘的同时,很好地合并目标区域内部结合较好的区域,并得剑简洁平滑的轮廓.     

基于改进的遗传算法的多目标优化问题研究

研究多目标优化算法问题,针对传统的多目标优化算法由于计算复杂度非常高,难以获得令人满意的解等问题,在图论和遗传算法基础上,提出了一种改进的遗传算法求解多目标优化方法。首先采用二进制编码表示最小树问题,然后采用深度优先搜索算法进行图的连通性判断,给出了一种新的适应度函数,以提高算法执行速度和进化效率。最后仿真结果表明,与经典的Prim算法和Kruskal算法相比,新算法复杂度较低,并能在第一次遗传进化过程中获得一批最小生成树,适合于解决不同类型的多目标最小树问题。     

基于改进像素相关性模型的图像分割算法

图像分割是计算机视觉中的研究热点和难点.基于局部信息的模糊聚类算法(FLICM)在一定程度上提升了模糊聚类算法的鲁棒性,但噪声强度较大时无法获得较好的图像分割效果.针对传统的模糊聚类算法分割精度不佳等问题,提出了改进像素相关性模型的图像分割算法.首先通过分析像素的局部统计特征,设计了一种新型的像素相关性模型,在此基础上...     

基于萤火虫算法的无监督最小视觉差彩色图像分割

针对传统阈值分割算法中阈值个数的选择问题,提出一种基于萤火虫算法的无监督最小视觉差彩色图像分割方法。首先,从图像中自动获取差异性比较大的像素作为后续步骤的监督信息,随后,设计萤火虫算法对基于像素的邻域信息和最小视觉差理论的阈值进行优化选择,最后,采用峰值信噪比和概率边缘信息对分割性能相当的结果进一步评价进而选择最终的分割结果。对实际图像的分割实验表明,本文算法在分割效果上和鲁棒性都有了极大的提高。