基于 PSO的快速模糊 C均值图像分割算法 *

利用粒子群算法全局性和鲁棒性的特点 ,可以解决模糊 C均值算法 ( FCM)用于图像分割时对初始值敏感、容易陷入局部极小值的问题。但是设定粒子群算法的初始搜索范围依赖于人的经验 ,并且所设范围往往过大,影响算法的执行速度 ,为此提出用收敛速度快的 K均值聚类法得到的聚类中心作为粒子群算法初始搜索范围的参考 ,缩小粒子群算法的搜索范围 ,提高算法执行速度。实验表明该算法具有较高的分割速度和良好的抑制噪声的能力。     

基于最大互信息量的图像自动优化分割

由于传统的阈值分割算法只考虑到图像的灰度信息,而忽略了灰度的空间分布以及分割后图像与原图像之间的关系,因而分割效果不好。为了提高分割效果,从分割图像与原图像的内在联系出发,提出了一种新的基于K均值算法与互信息量(mutual information,MI)技术相结合的分割算法。新算法首先利用K均值算法确定全局阈值作为初值;然后以互信息量为目标函数,在小范围内计算分割图像与原图像的互信息量,互信息量达到最大时的阈值即为最优值。这是将图像配准方法用于分割的一种创新性尝试。通过对大量医学图像以及汽车牌照图像进行的实验结果表明,该新算法所得到的目标图像的边界特征保持完好,不仅虚假目标信息大大降低,而且图像边界细腻、连续,且定位性能好。     

一种基于EM算法的图像分割改进技术

图像分割是计算机视觉的基础,该文结合EM算法和PCA降维技术,给出了一种有效快速的进行图象分割的方法。该方法利用高斯混合模型对原始图像进行建模,通过EM算法将分割问题转化为参数最大似然估计的问题,同时采用PCA降维技术和随机采样来降低计算量。通过人工合成图象及真实图象的实际测试结果,验证了该算法的有效性和快速性。     

深度卷积神经网络下的图像风格迁移算法

针对图像风格迁移中出现的图像扭曲、内容细节丢失的问题,提出一种基于深度卷积神经网络的带有语义分割的图像风格迁移算法。定义内容图像损失和风格图像损失函数;对内容图像与风格图像分别进行语义分割,并将Matting算法作用在内容图像上,使用最小二乘惩罚函数来增强图片边缘真实性;进行图像的内容重建和风格重建生成新的图像。分析比较Neural Style改进方法、CNNMRF方法和带有语义分割的图像风格迁移方法生成的图像。实验结果和质量评估表明,70%带有语义分割的图像风格迁移方法生成的图像没有明显的图像扭曲,且内容细节完好。所以,该方法可以解决图像扭曲和细节丢失的问题,使内容丰富的图像可以得到精确的风格迁移。     

基于风格迁移的手势分割方法

基于全卷积神经网络的手势分割方法过于依赖大量精准标注的训练样本,同时由于提取特征中缺乏足够的上下文信息,常出现类内不一致的错分现象。针对上述问题,本文提出一种基于风格迁移的手势分割方法。首先选择HGR-Net手势分割网络的前5层作为主干网络,并在主干网各层添加上下文信息增强层,使用全局均值池化操作,结合通道注意机制,增强显著性特征通道的权值,保证特征上下文信息的连续性,从而解决类内不一致问题;其次,本文还提出一种基于风格迁移的领域自适应方法,使用VGG网络,对源域测试图像进行风格迁移预处理,使其同时具有自身内容和目标域训练样本图像的风格,提高本文的手势分割模型的泛化能力,从而解决跨域样本的分割问题。使用OUHANDS数据集进行测试,本文的手势分割结果mIoU和MPA分别为0.9143和0.9363,较HGR-Net手势分割网络提高了3.2个百分点和1.8个百分点。使用本文的风格迁移方法,并在自采集数据集上进行测试,迁移后的mIoU和MPA值分别提高了19个百分点和23个百分点。本文的风格迁移领域自适应方法为无标记样本的跨域分割提供了一种新的思路。     

基于综合特征的图像分割

文章提出了一种有效的基于颜色和纹理综合特征的图像分割方法。将图像以块为单位进行划分,在YUV空间,提取块的颜色特征和纹理特征,在这种综合特征基础上,采用改进的K均值聚类法进行图像分割。该方法能自适应确定聚类中的参数,且兼顾点的位置连通关系,从而达到了较好的分割效果。     

一种基于EM算法的图像分割改进技术

图像分割是计算机视觉的基础,该文结合EM算法和PCA降维技术,给出了一种有效快速的进行图象分割的方法。该方法利用高斯混合模型对原始图像进行建模,通过EM算法将分割问题转化为参数最大似然估计的问题,同时采用PCA降维技术和随机采样来降低计算量。通过人工合成图象及真实图象的实际测试结果,验证了该算法的有效性和快速性。     

基于深度学习的图像风格迁移研究综述

图像风格迁移是一种用不同风格渲染图像语义内容的图像处理方法。随着深度学习的兴起,图像风格迁移获得了进一步的发展,并取得了一系列突破性的研究成果。其出色的风格迁移能力引起了学术界和工业界的广泛关注,具有重要的研究价值。为推进基于深度学习的图像风格迁移的技术研究,本文对目前的主要方法和代表性工作进行了归纳与探讨。首先回顾了非参数的图像风格迁移,详细介绍了目前主要的基于深度学习的图像风格迁移的基本原理和方法,分析了图像风格迁移在相关领域中的应用前景,最后总结了基于深度学习的图像风格迁移目前存在的问题与未来的研究方向。     

基于互信息量的图像分割

图像分割是图像信息处理的热点和难点之一,常用的分割方法有阈值法和聚类法等．模糊C均值（FCM）算法因其实现简单、结果较优而得到广泛应用,但FCM算法存在过分依赖初值、收敛于局部极值和需预先给定分类类数等问题．研究者们对此进行了大量研究和改进,但均无法彻底解决上述问题,基于模拟退火算法和互信息量,以最大互信息量为优化目标,文中提出了一种新的分类类数判据一互信息熵差,并在此基础上构造了一种新的阈值分割算法——最大互信息量分割算法（MMS）,实验结果表明,MMS克服了FCM算法的上述不足．更为重要的是,作为一种一般性的分类算法,MMS算法如同FCM一样,可以应用到图像分割以外的更广阔的领域,如经济学、运筹学、模式识别等．     

基于迁移学习的伤口图像分割

图像分割是计算机辅助阅片的基础,伤口图像分割的准确率直接影响伤口分析的结果.传统方法进行伤口分割步骤繁琐,准确率低.目前已有少部分人利用深度学习进行伤口图像分割,但是他们都是基于小型数据集,难以发挥深度神经网络的优势,准确率难以进一步提高.充分发挥深度学习在图像分割领域的优势需要大型数据集,目前还没有关于伤口图像的大型公共数据集,而制作大型伤口图像数据集需要人工标记,耗费大量时间和精力.本文提出基于迁移学习的伤口图像分割方法,首先利用大型公共数据集训练ResNet50网络作为特征提取器,再利用该特征提取器连接上两个并行的注意力机制后在利用小型伤口图像数据集进行再训练.实验表明本方法的分割结果在平均交并比上有较大提高,在某种程度上解决了缺乏大型伤口图像数据集而导致伤口图像分割准确率低的问题.     

聚类+连体段判别的维吾尔文档图像单词切分

目前针对印刷体维吾尔文档图像的切分研究主要集中在字母切分上，单词切分的文献较少，且存在着标点符号难处理，未合并被拆分书写的单词等问题，同时单词切分准确率有待进一步提高。在对文档图像进行投影处理的基础上，通过[K]均值聚类算法[（K]-means）对文本行中所有连体段之间的间隙进行聚类分析得出最佳的间隙判别阈值，然后对所有连体段进行筛选和粗略识别，并结合对间隙的阈值判别结果来确定单词的精确切分点和获取被拆分书写单词的位置信息。在选取的100张文档图像中测试时，结果表明该方法能有效去除标点符号对切分结果的影响，准确合并被拆分书写的单词，并且平均单词切分准确率保持在99%以上。     

基于改进的ISODATA算法彩色图像分割

如何对彩色图像中的目标进行快速、精确的有效分割是计算机视觉和图像分析的重点和难点。提出了一种基于区域的彩色图像分割方法。该方法首先选择合适的彩色空间,提取出图像中的每个像素点的颜色、纹理、位置等综合特征,形成特征向量空间;在特征空间中,运用改进的ISODATA算法自适应地确定初始聚类数目和聚类中心,然后对图像进行聚类和区域分割,最后抽取出图像区域的特征,并与相类似的方法进行了比较实验。实验结果表明,该方法能够产生较好的分割效果及较快的分割速度,适合于基于图像区域检索系统,具有较好的应用价值。     

特征组合和多模块学习的视网膜血管分割

有监督的学习方法用于视网膜血管分割须以专家手动标记好的视网膜血管为标准，存在训练样本获取困难且训练时间长等不足。针对这些缺点，提出一种基于特征组合的多模块无监督学习方法，提取眼底图像素的不变矩、Hessian矩阵、相位一致性、Gabor小波变换、Candy边缘共18维特征向量，采用多模块[k]-means方法进行视网膜血管分割。实验结果表明，该方法简单，具有较好的准确度，且时间开销少。     

分级特征融合的图像语义分割

在图像语义分割中,利用卷积神经网络对图像信息进行特征提取时,针对卷积神经网络没有有效利用各层级间的特征信息而导致图像语义分割精度受损的问题,提出分级特征融合的图像语义分割方法.该方法利用卷积结构分级提取含有像素级的浅层低级特征和含有图像级的深层语义特征,进一步挖掘不同层级间的特征信息,充分获取浅层低级特征和深层语义特征...     

基于深度学习的图像语义分割技术研究进展

自FCN网络在2014年提出后,SegNet、DeepLab等一系列关于图像语义分割的深度学习架构被相继提出。与传统方法相比,这些架构效果更好、运算速度更快,已经能够运用于自然图像的分割处理。围绕图像语义分割技术,对常用的数据集和典型网络架构进行了梳理分析,对2017年以来的新进展进行了综合研究,利用主流评价指标对主要模型的语义分割效果进行了比较和分析。对语义分割技术面临的挑战以及可能的发展趋势进行了展望。