基于SLIC和区域生长的目标分割算法

传统区域生长算法的分割结果依赖于种子点的选取,且图像自身的噪声以及灰度值不均匀等问题易在分割目标过程中形成分割空洞,针对以上问题提出了基于超像素的改进区域生长算法。采用拉普拉斯锐化,增强待分割目标边界,之后根据像素灰度相似的特征采用SLIC（简单线性迭代聚类算法）超像素分割将原始图像分割成若干不规则区域,建立不规则区域间的无向加权图,选取种子区域,根据无向加权图以分割好的不规则区域为单位进行区域生长,最后在分割目标边缘处以像素为单位做区域生长,细化边界。对比于传统区域生长算法,改进后的算法在分割结果上受种子点选取影响较小,且能有效地解决分割空洞等问题。对比于聚类分割,Otsu（最大类间方差）阈值分割法等典型算法,该算法在分割精度上具有明显优势。     

基于SLIC的自适应多主体图像分割算法

为了解决多主体图像分割的交互分割问题,提出了一种基于SLIC超像素的自适应图像分割算法。首先利用SLIC对图像进行超像素分割处理,把原图像分割为大小相似、形状规则的超像素,以超像素中心点的五维特征值作为原始数据点通过自适应参数的DBSCAN算法聚类,确定多主体数目和分割边界。算法不需要用户交互,自适应确定分割数目。为了验证算法的有效性,在伯克利大学标准数据集BSDS500上与人工标注的分割图像进行比较, 前期的超像素处理使算法在时间上有很好的提升,对于一幅481×321像素的图像,只需要1.5 s就可以获得结果。实验结果表明,该方法可以有效解决多主体图像分割中的人工交互问题,同时在PRI和VOI的指数对比上也优于传统算法,本文算法可以在保证分割效果的基础上自适应确定分割数目,提高分割效率。     

基于局部特征约束的TEM图像分割算法

神经细胞图像分割对于神经科学研究具有重要应用价值。神经细胞亚显微结构的复杂性,以及透射电子显微成像（Transmission electron microscope,TEM）易出现的边界丢失、模糊等质量问题,使得神经细胞TEM图像的自动分割成为一个医学图像处理难题。基于神经细胞TEM图像的局部聚簇性特点,应用超像素技术,本文研究设计了一种基于局部特征约束的TEM图像分割算法。首先构建基于图模型的超像素图像结构表示,然后应用Markov随机场（Markov random field,MRF）模型提取超像素局部空间信息,从而有效地解决超像素图像分割方法中超像素点间邻域信息和空间结构复杂的问题,最后通过MRF模型优化和超像素合并处理获取图像分割结果。研究结果表明,该算法分割精度较高、鲁棒性强,且能很好地表征图像亚显微结构信息。     

基于超像素形状特征的图像复制粘贴篡改检测算法

针对传统图像复制粘贴篡改检测方法中划分子块的数目过大导致算法时间复杂度过高且抵抗几何变换能力较弱的问题,提出一种基于超像素形状特征的图像复制粘贴篡改检测算法.首先提出基于小波对比度自适应划分超像素的方法分割图像并提取稳定的特征点;然后提出新颖的形状编码方式提取超像素形状特征,并与特征点融合,估计可疑伪造区域;最后对可疑...     

基于Hadoop的超像素分割算法

针对高分辨率图像像素分割时间复杂度高的问题,提出了超像素分割算法。采用超像素代替原始的像素作为分割的处理基元,将Hadoop分布式的特点与超像素的分块相结合。在分片过程中提出了基于多任务的静态与动态结合的适应性算法,使得Hadoop分布式文件系统（HDFS）的分块与任务分发的基元解耦;在每一个Map节点任务中,基于超像素分块的边界性对超像素的形成在距离和梯度上进行约束,提出了基于分水岭的并行化分割算法。在Shuffle过程的超像素块间合并中提出了两种合并策略,并进行了比较。在Reduce节点任务中优化了超像素块内合并,完成最终的分割。实验结果表明.所提算法在边缘查全率（BR）和欠分割错误率（UR）等分割质量指标上优于简单线性迭代聚类（SLIC）算法和标准分割（Ncut）算法,在高分辨率图像的分割时间上有显著降低。     

融合边界信息和颜色特征的显著性区域检测

传统的显著性检测方法多利用图像的颜色特征并进行超像素分割作为预处理来进行检测,对于涂抹效应不足、误检测等问题一直没能有效解决。针对涂抹效应不足提出了一种结合图像边界信息及颜色特征的显著性区域检测方法。首先,为了更好地取得图像边缘信息并去除噪声,用多次WMF（加权中值滤波）和简单线性迭代聚类（SLIC）处理源图像,再通过颜色、亮度等信息找出滤波后图像中的自然边界。将得到的边界信息和通过SLIC分割得到的超像素的颜色特征进行融合作为先验概率,以SLIC分割得到超像素位于Graph-based分割得到初步显著图中的概率为条件概率,利用贝叶斯法则得到最终的显著图。在公开数据集MSRA-1000上对算法进行验证,结果表明该算法与7种主流算法相比有更好的查全率和查准率,最高查准率达到98.03%。     

基于超像素分割和多方法融合的SAR图像变化检测方法

针对基于像素的合成孔径雷达(Synthetic Aperture Radar,SAR)图像变化检测会造成虚警较高、结果破碎的问题,提出一种基于超像素分割和多方法融合的SAR图像变化检测方法。首先引入基于简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)的超像素分割方法,通过对主辅图像进行联合分割,得到符合实际地物边界的超像素分割结果;同时,利用3种基于像素的变化检测方法获取初始变化检测结果;接着,利用超像素分割结果和初始变化检测结果进行两个层次的众数投票,去除检测结果中由于噪声引起的虚警和连通域中的孔洞。选取两个时相的苏州Radarsat-2单极化SAR图像开展变化检测实验,实验结果表明该算法在保持较高检测率和有效边界的基础上,能够显著降低虚警。     

改进的简单非迭代聚类的遥感影像分割研究

简单线性迭代聚类（Simple Linear Iterative Clustering,SLIC）超像素算法依赖超像素设置数目的大小,容易产生欠分割或者过分割的现象,且运行速度不高。提出一种改进的简单非迭代聚类（Simple Non-Iterative Clustering,SNIC）超像素算法对遥感影像进行分割。采用SNIC超像素获取初始分割结果;利用动态阈值对原始影像进行分割;对影像进行两次作差,从而对SNIC分割结果进行修正;选取满足一定条件的分割线即为最终的分割结果。实验结果表明,该算法在分割精度、召回率和运行时间上都获得了令人满意的结果。     

融合超像素和CNN的CT图像分割方法

提出了一种融合超像素和CNN的CT图像器官主动轮廓分割方法。用超像素SLIC方法将CT图像网格化并分配标签;将网格化后图像作为数据集训练CNN网络分割出器官（如肝脏、肺部等）边界超像素,并将这些超像素的种子点连接成为粗分割边界;将粗分割边界作为初始轮廓,进行模糊主动轮廓分割得到CT图像中器官的边界。经过实验对比,该方法对肺部CT图像的分割平均DC系数达到97%、平均ASD系数达到1.23 mm。在肝脏CT图像方面与参考算法进行相比,在保证分割精度的前提下,VOE系数平均减少1%,切片图像的分割时间平均提高10 s。     

基于超像素及贝叶斯合并的图像分割算法

针对超像素分割算法中普遍存在的过分割问题,结合Mean Shift算法和非参数贝叶斯聚类模型,提出了一种新的图像分割算法MS-BRM（Mean Shift based Bayesian Region Merging）。首先,利用Mean Shift算法对图像进行超像素分割,然后根据非参数贝叶斯聚类模型,融合超像素的空间信息,提出一种区域合并策略对超像素进行合并,得到了最终的分割结果。实验结果表明,MS-BRM算法改善了超像素的过分割问题,对图像进行分割的结果保留了图像的边界信息,更加符合人类视觉的判断结果。     

基于边界极限点特征的改进YOLOv3目标检测

目标数量多、尺度较小与高度重叠等问题导致目标检测精度低、难度大。为提升目标检测精度,尽可能避免漏检、误检情况,提出一种基于边界极限点特征的改进YOLOv3目标检测算法。首先,引入边界增强算子Border,从边界的极限点中自适应地提取边界特征来增强已有点特征,提高目标定位准确度;然后,增加目标检测尺度,细化特征图,增强特征图深、浅层语义信息的融合,提高目标检测精度;最后,基于目标检测中目标实例特性及改进网络模型,引入完全交并比（CIoU）函数对原YOLOv3损失函数进行改进,提高检测框收敛速度以及检测框召回率。实验结果表明,相较于原YOLOv3目标检测算法,改进后的YOLOv3目标检测算法的平均精度提高了3.9个百分点,且检测速度与原算法相近,能有效提高模型对目标的检测能力。     

基于FPFH特征提取的散乱点云精简算法

针对原始点云模型中存在大量冗余数据问题,提出一种基于快速点特征直方图(FPFH)特征提取的点云精简算法,有效兼顾了特征信息保留和整体完整性。算法首先查找并保留原始模型的边缘点;然后计算非边缘点的FPFH值,由此得到点云的特征值,并进行排序且划分出特征区域和非特征区域,保留特征区域内的点;最后将非特征区域划分为k个子区间,对每个子区间用改进的最远点采样算法进行采样。将该算法与最远点采样算法、非均匀网格法、k-means算法和自适应曲率熵算法进行对比实验,并用标准化信息熵评价方法对精简后的点云进行评价,实验表明其优于其他精简算法。此外,可视化结果也表明,该算法能够在保证精简模型完整性的同时,较好地保留住点云大部分特征信息。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题,提出了一种基于深度学习的遥感图像目标检测与识别算法。首先,构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试;其次,基于原始的多尺度单发射击（SSD）网络模型,融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块;最后,在训练策略上引入聚焦分类损失函数,以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验,结果表明所提算法的检测平均精度均值（mAP）达到77.95%,相较于SSD网络模型提高了3.99个百分点,同时检测速度为33.8 frame/s。此外,在拓展实验中,改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明,所提改进算法能够有效地提高遥感图像目标检测的精度。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题，提出了一种基于深度学习的遥感图像目标检测与识别算法。首先，构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试；其次，基于原始的多尺度单发射击（SSD）网络模型，融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块；最后，在训练策略上引入聚焦分类损失函数，以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验，结果表明所提算法的检测平均精度均值（mAP）达到77.95%，相较于SSD网络模型提高了3.99个百分点，同时检测速度为33.8 frame/s。此外，在拓展实验中，改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明，所提改进算法能够有效地提高遥感图像目标检测的精度。     

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...     

基于RetinaNet改进的车辆信息检测

移动端计算力不足和存储有限导致车辆信息检测模型精度不高、速度较慢。针对这一问题,提出一种基于RetinaNet改进的车辆信息检测算法。首先,开发新的车辆信息检测框架,将特征金字塔网络（FPN）模块的深层特征信息融合进浅层特征层,以MobileNet V3为基础特征提取网络;其次,引入目标检测任务的直接评价指标GIoU指导定位任务;最后,使用维度聚类算法找出Anchor的较好尺寸并匹配到相对应的特征层。与原始RetinaNet目标检测算法的对比实验表明,所提算法在车辆信息检测数据集上的精度有10.2个百分点的提升。以MobileNet V3为基础网络时平均准确率均值（mAP）可达97.2%且在ARM v7设备上单帧前向推断用时可达100 ms。实验结果表明,所提方法能够有效提高移动端车辆信息检测算法性能。     

基于双向快速探索随机树的狭窄通道路径规划

针对移动机器人路径规划过程中基于快速探索随机树（RRT）算法难以对窄道进行采样的问题，提出一种专门用于狭窄通道路径规划的改进桥梁检测算法。首先对环境地图预处理并提取出障碍物边缘节点集合作为桥梁检测算法的采样空间，从而避免了大量无效采样点，并使窄道样本点分布更加合理化；其次改进了桥梁端点的构建过程，提高了桥梁检测算法的运算效率；最后使用一种轻微变异Connect算法快速扩展窄道样本点。对于实验中的窄道环境地图，与原始RRT-Connect算法相比较，所提改进算法的路径探索成功率由68%提高到92%。实验结果表明，该算法能够较好地完成窄道样本点采样并有效地提高路径规划效率。     

基于改进YOLOv4的小目标行人检测算法

行人检测在无人驾驶环境感知领域具有重要应用。现有行人检测算法多数只关注普通大小的行人目标,忽略了小目标行人特征信息过少的问题,从而造成检测精度低、应用于嵌入式设备中实时性不高等情况。针对该问题,提出一种小目标行人检测算法YOLOv4-DBF。引用深度可分离卷积代替YOLOv4算法中的传统卷积,以降低模型的参数量和计算量,提升检测速度和算法实时性。在YOLOv4骨干网络中的特征融合部分引入scSE注意力模块,对输入行人特征图的重要通道和空间特征进行增强,促使网络学习更有意义的特征信息。对YOLOv4颈部中特征金字塔网络的特征融合部分进行改进,在增加少量计算量的情况下增强对图像中行人目标的多尺度特征学习,从而提高检测精度。在VOC07+12+COCO数据集上进行训练和验证,结果表明,相比原YOLOv4算法,YOLOv4-DBF算法的AP值提高4.16个百分点,速度提升27%,将该算法加速部署在无人车中的TX2设备上进行实时测试,其检测速度达到23FPS,能够有效提高小目标行人检测的精度及实时性。     

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。