一种新的基于超像素聚类的图像分割算法

本文提出了一种使用具有噪声的基于密度的聚类方法进行超像素聚类来提高图像分割准确性的方法,首先以较低计算成本得到超像素分割,然后我们再利用密度聚类的原理将相关联的超像素聚集到一起,利用超像素对图像边缘信息的准确分割,来提高图像分割的准确性。我们在构建图形时使用局部邻域将算法应用于分割中,并利用DBSCAN既可以适用于凸样本集,也可以适用于非凸样本集的特性对超像素进行聚类分析。将所有各组紧密相连的样本划为各个不同的类别,则我们就得到了最终的所有聚类类别结果。该方法的一个重要特征是其能够在像素点密度大过某个阈值时,保留图像区域中的细节。     

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...     

结合超像素和U型全卷积网络的胰腺分割方法

为了提高现有胰腺图像分割方法性能,提出一种超像素和U型全卷积网络(U-NET)结合的胰腺图像分割方法.首先,提出一种胰腺CT图像的超像素分割方法;然后,依据分割结果对图像进行映射降维得到腹部视觉概要图像,再将其与超像素位置信息作为U型全卷积网络的输入;最后,得到分割好的胰腺器官.在NIH胰腺公开数据集上的实验结果表明,文中方法将戴斯相似系数(DSC)提高到87.9%,高于目前已有的胰腺图像分割方法.并且其运算速度高于U-NET.     

结合超像素分割的多尺度特征融合图像语义分割算法

深度学习的发展加快了图像语义分割的研究.目前,最有效的图像语义分割研究方法大部分都是基于全卷积神经网络(FCNN),尽管现有的语义分割方法能有效地对图像进行整体分割,但对于图像中的重叠遮挡物体不能清晰地识别出边缘信息,也不能有效地融合图像高低层的特征信息.针对以上问题,在采用FCNN来解决图像语义分割问题的基础上,利用...     

基于改进型聚类神经网络的图像分割

将聚类网络用于非监督的图像分割,提出了竞争层神经元的动态调整机制和返回式的非重复训练学习方案,实现了聚类数的自适应增加,解决了随机生成权值矩阵产生的死点问题,提高了算法的收敛性能。实验结果表明,改进的聚类网络的图像分割结果优于C-均值聚类算法和通常的聚类网络。     

结合DBSCAN聚类的室内场景分割

针对 RGB-D 图像具有丰富的三维几何特征,复杂度高这一具有挑战性的难题,提出一种针对室内场景RGB-D 图像的分割算法.首先,经过 RGB-D 图像过分割生成超像素,并基于超像素之间的距离度量测量超像素之间的相似性;然后,采用 DBSCAN 算法将具有相似的颜色信息和几何信息的超像素聚类到一个分类中.在该聚类过程中,通过限制扩散区域来降低计算复杂度.在室内场景 RGB-D 图像库上大量实验结果表明,文中算法分割精确度和速率均超过了其他算法,证明了其高效性和准确性.     

基于密度峰值搜索聚类的超像素分割算法

本文提出了一种新的基于密度峰值搜索聚类的超像素分割算法.首先在图像平面内的局部区域内估计像素的局部密度.其次为每个像素寻找一个距离最近的大密度像素并计算两个属性:距离和归属.之后根据距离和归属将所有像素组织成一个归属关系树,该树反映了像素之间的归属关系.然后选择局部密度和距离较大的像素作为超像素的种子,并标记在归属关系树中.最后在归属关系树中搜索距离每个像素最近的超像素种子为其分配标记,实现超像素分割.该算法有两个优势:超像素分割过程无需迭代优化,计算速度非常快;可以精确控制超像素的数目和大小,使用灵活.与其它9种同类算法的对比实验表明:文中算法在边缘召回率、欠分割误差、可达分割精度、计算和存储复杂性方面表现出比较优越的性能.     

基于卷积神经网络的医学宫颈细胞图像的语义分割

显微细胞分割的精度直接影响疾病的判别诊断,特别在宫颈细胞的显微病理图像中,细胞核的形态大小、与细胞质之间的比例参数等对于病情的良恶诊断具有重大的意义。为提高宫颈细胞核质分割的精度,提出一种基于卷积神经网络的医学宫颈细胞图像的语义分割方法。标定宫颈细胞显微图像中的细胞核和细胞质轮廓,制作基于长沙市第二人民医院的基于新柏氏液基细胞学检测TCT(Thinprep cytologic test)制片技术的宫颈TCT细胞涂片的CCTCT数据集;通过卷积神经网络对核质分割模型进行训练,避免人工提取特征;通过反卷积达到图像的语义分割。实验结果表明,该算法在宫颈细胞的显微病理图像中的核质分割准确率高达94.7%,具有很高的鲁棒性和适应性。     

基于边缘信息的RGB-D图像超像素分割算法

针对简单线性聚类算法（SLIC）中需要初始预设超像素个数和大量重复聚类计算的问题,提出一种基于边缘信息的RGB-D图像超像素分割算法。利用各向异性高斯核提取彩色图像中边缘强度信息,在此之上,自适应地提取图像的初始聚类中心。仅对位于图像边缘附近的像素点进行重新聚类标记计算,这种策略在保证聚类准确的同时,大大降低了重新聚类计算的复杂度。同时,本文提出一种基于边缘信息的距离度量准则来度量两个像素点之间的空间距离。在公开的图像数据集上的实验结果表明,相比其他几种算法,本文算法的分割结果更能反应出场景中物体的轮廓信息,而且算法效率更高。     

自动交互图像分割中的贝叶斯网络模型构建

由于贝叶斯模型和各种图像测量结果,置信传播会更新每个节点的相关概率,提出了在自动交互图像分割过程中应用的新型贝叶斯网络模型。从过度分割模型中的超级像素点区域、边区域、顶点和测量结果之间的统计相关性来构造多层贝叶斯网络模型。除了自动图像分割,贝叶斯网络模型也可用于交互式图像分割中,现有交互分割往往被动地依靠用户提供的准确调整,提出新型主动输入选择方式作为准确调整。实验采用Weizmann数据集和VOC 2006图像集来评估,实验结果表明贝叶斯网络模型可以进行效果更好的自动分割,主动输入选择可以提高整体分割精度。     

医学图像自动分割的神经网络算法

提出了一种基于Ｋｏｈｏｎｅｎ聚类神经网络的图像分割算法。首先论述了Ｋｏｈｏｎｅｎ聚类神经网络的基本原理，在此基础上对其进行了改进，将其用于医学图像分割中。针对聚类中心初始值选取的盲目性，提出了初始值优选法，大幅度提高了分割算法的速度。实验表明，本文提出的算法能快速、准确地完成医学图像的自动分割。     

基于自适应SLIC的人体标准姿势图像分割

为了提高在复杂背景下人体图像分割的精度,提出了一种新的人体图像分割算法.该算法针对简单线性迭代算法（SLIC）在进行超像素块分割时需指定像素块个数的问题,借鉴CV能量模型,通过将图片极小化为多个区域进行水平集迭代分割,从而构造出自适应的超像素块,使得分割后的每个超像素块更贴合图像中的单个色块.然后结合人体平均模板,在图片上标记出感兴趣的人体标准姿势区域,提高了算法对复杂背景的抗干扰能力.最后利用k-means聚类算法将每个超像素块作为节点进行聚类,实现标准人体图像分割.在不同环境下采集多组图片进行实验,结果表明：该算法在保证了图像分割效率的情况下,提高了人体标准姿势的分割精度,对色度丰富的复杂背景抗干扰能力强.     

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FCM和离散正则化的多目标图像分割

针对机器视觉中的多目标图像分割问题,提出一种适用于多目标物体的图像分割算法.首先对图像进行图像增强预处理;然后采用基于直方图的模糊C均值聚类算法完成分类任务,实现图像的初分割,将分类后的像素作为种子集;最后利用离散正则化的半监督方法得到自动修正分类结果.实验结果表明,与已有的多目标分割算法相比,该算法分割结果更加精确.     

基于空间聚类和边缘梯度的图像分割算法

提出一种结合空间聚类和边缘梯度信息的图像自动分割算法.在判断超像素颜色及纹理相似性的同时,进一步给出更加精确的分段边缘梯度计算方法,并采用测地距离来刻画超像素之间的相似性,使得分割结果更好地融合边缘不连续性与区域相似性.大量图像分割实验结果表明,该方法能更准确地找出分割边界,提高图像分割的准确性.     

基于WU-Net网络的肺结节图像分割算法

深度卷积神经网络在医学图像分割领域运用广泛,目前的网络改进普遍是引入多尺度融合结构,增加了模型的复杂度,在提升精度的同时降低了训练效率。针对上述问题,提出一种新型的WU-Net肺结节图像分割方法。该方法对U-Net网络进行改进,在原下采样编码通路引入改进的残余连接模块,同时利用新提出的dep模块改进的信息通路完成特征提取和特征融合。实验利用LUNA16的数据集对WU-Net和其他模型进行训练和验证,在以结节为尺度的实验中,Dice系数和交并比分别能达到96.72%、91.78%;在引入10%的负样本后,F;值达到了92.41%,相比UNet3+提高了1.23%;在以肺实质为尺度的实验中,Dice系数和交并比分别达到了83.33%、66.79%,相比RU-Net分别提升了1.35%、2.53%。相比其他模型,WU-Net模型的分割速度最快,比U-Net提升了39.6%。结果显示,WU-Net提升肺结节分割效果的同时加快了模型的训练速度。     

结合KSW和FCNN的道路场景分割

目的 随着自动驾驶技术不断引入生活,机器视觉中道路场景分割算法的研究已至关重要。传统方法中大多数研究者使用机器学习方法对阈值分割,而近年来深度学习的引入,使得卷积神经网络被广泛应用于该领域。方法 针对传统阈值分割方法难以有效提取多场景下道路图像阈值的问题和直接用深度神经网络来训练数据导致过分割严重的问题,本文提出了结合KSW（key seat wiper）和全卷积神经网络（FCNN）的道路场景分割方法,该方法结合了KSW熵法及遗传算法,利用深度学习在不同场景下的特征提取,并将其运用到无人驾驶技术的道路分割中。首先对道路场景测试集利用KSW熵法及遗传算法得到训练集,然后导入到全卷积神经网络中进行训练得到有效训练模型,最后通过训练模型实现对任意一幅道路场景图分割。结果 实验结果表明,在KITTI数据集中进行测试,天空和树木的分割精度分别达到91.3%和94.3%,道路、车辆、行人的分割精度提高了2%左右。从分割结果中明显看出,道路图像中的积水、泥潭、树木等信息存在的过分割现象有良好的改观。结论 相比传统机器学习道路场景分割方法,本文方法在一定程度上提高了分割精度。对比深度学习直接应用于道路场景分割的方法,本文方法在一定程度上避免了过分割现象,提高了模型的鲁棒性。综上所述,本文提出的结合KSW和FCNN的道路场景分割算法有广泛的研究前景,有望应用于医学图像和遥感图像的处理中。     

基于内容的图像分割方法综述

图像分割是指将图像分成若干具有相似性质的区域的过程,是许多图像处理任务的预处理步骤.近年来,国内外学者主要研究基于图像内容的分割算法.在广泛调研大量文献和最新成果的基础上,将图像分割算法分为基于图论的方法、基于像素聚类的方法和语义分割方法这3种类型并分别介绍.对每类方法所包含的典型算法,尤其是最近几年利用深度网络技术的语义图像分割方法的基本思想、优缺点进行分析、对比和总结.介绍了图像分割常用的基准数据集和算法评价标准,并用实验对各种图像分割算法进行对比.最后总结全文,并对未来可能的发展趋势进行了展望.