基于局部像素特征分类的图像分割算法

图像分割是模式识别、计算机视觉等领域的重要研究内容,也是图像信息处理的难点和热点之一.以孪生支持向量机(TSVM)与极坐标复指数变换(PCET)理论为基础,提出了一种基于局部像素特征分类的图像分割算法.该算法首先对局部像素窗口进行PCET,并将PCET系数幅值作为图像的像素级特征;然后利用指数交叉熵阈值技术确定训练样本,并进一步训练出TSVM分类模型;最后利用已获得的TSVM分类模型对原图像像素进行分类处理,从而获得图像的最终分割结果.实验结果表明,该算法可以获得较好的图像分割结果.     

改进SLIC的紫色土彩色图像分割

【目的】从野外采集的紫色土机器视觉彩色图像往往具有复杂背景,需要研究从中分割提取紫色土区域图像,为紫色土视觉图像识别打下基础。【方法】首先,引入闵可夫斯基距离重新定义 SLIC 算法的颜色空间距离,实现 SLIC 算法改进,利用改进 SLIC算法实现对紫色土彩色图像的超像素初分割;然后,重构基于a 分量的度量anew拉伸紫色土与背景差异,利用重构anew定义超像素之间的相似度,并根据类间方差最大准则建立优化模型,优化超像素之间相似度的合并阈值,根据阈值从初分割图像中心超像素开始由内而外合并紫色土超像素;最后,提出填充算法来填充紫色土区域内部空洞,获得最终分割提取的紫色土区域图像。【结果】仿真实验图像结果显示:提出的算法从具有复杂背景的野外采集的紫色土机器视觉彩色图像中,分割提取紫色土区域图像是有效的;对有不同阴影覆盖的视觉图像样本的分割提取也具有有效性;仿真实验定量分析的数据结果显示:提出的算法相对于用来对比的阈值分割算法、聚类分割算法、已有的改进 SLIC算法在杰卡德系数评价指标上有一定程度的提高。【结论】提出的算法对从紫色土机器视觉彩色图像中完整分割提取紫色土区域图像,能实现自适应分割,算法是有效的。     

结合SLIC超像素和DBSCAN聚类的眼底图像硬性渗出检测方法

为自动检测出眼底图像中的硬性渗出,结合简单线性迭代聚类(SLIC)超像素分割算法和基于密度的聚类算法(DBSCAN),提出一种对眼底图像硬性渗出的检测方法.首先,采用SLIC超像素分割算法对彩色眼底图像进行过分割;然后,采用DBSCAN对上述分割得到的超像素进行聚类,形成簇;最后,分割出目标图像,并选用标准糖尿病视网膜病变数据库(DIARETDB0和DIARETDB1)的眼底图像验证上述组合算法的可行性.实验结果表明:算法能够快速、可靠地检测出眼底图像中的硬性渗出,具有可直接对彩色图像进行分割、特征提取的特点.     

基于超像素特征表示的图像前景背景分割算法

图像前景背景分割是图像处理中的关键技术,文中提出了基于超像素分类的二值分割算法。对于输入图像,首先采用超像素分割算法,将图像分割成多个保留边缘的封闭区域,即超像素;对每一块超像素,考虑颜色和纹理,构造一种对光照和颜色较为鲁棒的特征,来消除同种物体在光照和颜色差异下的影响;用所得特征训练分类器,判断每块超像素属于前景或背景;最后将超像素分类结果作为初值用图分割的方法进行修正,得到最终的二值分割结果。实验结果显示算法能较好的完成前景背景分割的任务。此外,本算法易于和现有的分类算法相结合,具有较强的可移植性。     

一种自适应产生超像素个数的道路图像分割算法

针对超像素分割算法需要人为设置初始超像素个数和目标边缘分割不精确等问题,提出一种自适应产生超像素个数的道路图像分割算法。该算法主要包含超像素的获得和超像素的合并两阶段。在超像素的获得阶段,首先通过计算图像区域数对应的图像颜色分量直方图峰值个数自动获得初始超像素个数,然后基于简单线性迭代(SLIC)算法在图像过分割的基础上利用颜色分量最大差值对过分割超像素块进行欠分割检测与处理,实现超像素的精确分割。在超像素的合并阶段,通过融合超像素颜色和纹理特征建立超像素间相似度信息表,最后在结合空间位置相邻性的基础上实现超像素的合并。实验在自动驾驶场景评测数据集KITTI上对本文算法进行验证和测试。结果表明,本文提出的算法与其他道路图像分割算法相比,在总体精度、平均召回率以及F1值3个指标上均有较好的效果。     

基于超像素融合算法的显著区域检测

针对目前流行的显著性检测算法不能精确反映显著性信息的问题,提出一种基于超像素融合方法的显著性检测算法. 首先对图像进行超像素分割,在保证高质量的图像目标边缘信息前提下,建立以超像素为节点的图模型;然后计算超像素邻接矩阵,将该图模型转化为最小生成树模型. 通过OTSU算法自适应地确定最佳阈值,根据该阈值将最小生成树模型的部分节点进行融合,获得大超像素分割区域;最后利用大超像素的颜色和相互距离信息,获得高质量的显著性图. 实验结果表明,相对于其他检测方法,该算法可以更有效地检测出图像中的显著目标,并能达到接近分割的效果.      

基于多核协同表示分类的脑肿瘤分割算法

为了从脑核磁共振(MR)图像中分割出脑肿瘤区域,为疾病诊断和手术导航提供参考,该文在核方法框架下提出一种基于多核协同表示分类的脑肿瘤分割算法。首先对脑肿瘤图像进行多尺度超像素分割,并构造基于超像素区域的空间特征,在多核框架中利用多核协同表示分类方法,将原始光谱信息与所提取的多尺度空间特征融合并应用于脑肿瘤图像的分类,最后结合临床特征实现了脑肿瘤区域的分割。在MICCAI BraTS 2012和2013数据集上的测试结果表明,与现有脑肿瘤分割算法相比,该文方法能够更好地提取脑肿瘤区域,并具有较好的分割精度。     

基于超像素运动统计的误匹配去除方法

特征匹配是实现图像配准的重要手段,然而特征匹配中往往存在大量的误匹配,对于存在非刚性形变和大位移运动的图像序列尤为严重;如何从初始匹配结果中找到准确可靠的匹配点集,是提升图像配准性能的关键.为解决上述问题,首先根据图像的空间和色彩相似性,利用改进的超像素分割算法对图像进行分割;分割后的超像素块在空间上紧密相连,严格遵循图像轮廓边缘,且在同一区域内的颜色纹理基本趋于一致,可保证内部特征点具有相同或一致的运动趋势;同时,采用ORB算子对图像进行特征提取与描述,并利用暴力匹配算法得到初始匹配点集.其次,在超像素运动一致性约束下,提出了一种基于超像素运动统计模型的误匹配去除算法.通过建立超像素网格统计模型,将初始匹配坐标分配至相应的超像素区域,利用累加器计算出每个超像素对的匹配度,将初始匹配的概率分布特性转换为统计特性.最后,根据超像素匹配度的差异,计算出正确匹配的掩膜图像,实现了误匹配点的自动识别和剔除.仿真实验结果表明,与当前的误匹配去除算法相比,本文算法不依赖于复杂的参数模型,具有较高的鲁棒性,运算速度较快,可有效去除非刚性形变图像配准过程中产生的误匹配.     

一种改进的多光谱遥感图像超像素分割算法

针对简单线性迭代聚类算法在多光谱遥感图像超像素分割中存在的未充分利用图像特征信息及超像素尺寸、 数量固定导致分割精度较低的问题, 提出将流形 简单线性迭代聚类算法引入到遥感图像超像素分割任务中, 并对其进行改进. 首先, 给出一种基于彩色局部二进制模式改进的多光谱遥感图像纹理特征提取方法; 其次, 扩展流形 简单线性迭代聚类算法的光谱空间, 使算法可以适应高维图像数据; 最后, 改进流形 简单线性迭代聚类算法的聚类距离度量, 融合图像的多段光谱特征、 空间特征及纹理特征对像素进行迭代聚类, 实现内容敏感超像素分割. 实验结果表明, 与现有方法相比, 该算法对多光谱遥感图像的超像素分割结果更准确, 在边缘召回率、 欠分割误差、 可达细分精度指标上均有提升, 能改善多光谱遥感图像分割预处理方法中精度较低的问题.     

基于多尺度超像素融合的RGB-D单幅图像阴影检测算法

针对单幅复杂环境图像阴影检测问题, 提出一种基于多尺度超像素融合的自动阴影检测快速算法. 首先利用深度图像计算各点的法向量及空间坐标, 同时利用简单线性迭代聚类算法对彩色图像进行多个尺度的超像素分割; 然后使用阴影置信度算法结合图像的色度、法线和空间位置信息分别估计各尺度下的超像素阴影置信度; 最后采用Adaboost训练的分类器对各尺度下的超像素阴影置信度进行融合, 得到最终的判决结果. 实验结果表明, 该算法的准确度明显高于原阴影置信度算法, 运行时间约为原阴影置信度算法的10%, 对于小块阴影、 大面积阴影及边缘不清晰的软阴影检测表现较突出, 适合对光线复杂环境下的图像进行前期预处理.     

基于线性谱聚类超像素分割和联合稀疏表示的高光谱图像分类算法

为了克服高光谱图像中存在的同类异谱和异类同谱现象对分类精度的影响,减少类间干扰,本研究提出基于线性谱聚类超像素分割和谱聚类的联合稀疏表示分类算法。首先,通过主成分分析对高光谱图像进行降维,利用线性谱聚类超像素分割算法对降维后的图像进行超像素分割,并将分割后的超像素块分成标签样本与训练样本。然后,利用谱聚类算法将训练样本分为两类,按规则选取其中一类作为测试样本,利用联合稀疏表示算法获取其表示残差,并将其作为所有训练样本的表示残差,同时计算测试样本与标签样本之间的相关系数。最后,用基于表示残差和相关系数的决策函数对像素进行分类。数值实验结果表明,新算法具有较高的分类精度和鲁棒性。     

彩色图像分割的FCM预分类核极限学习机方法

在研究聚类算法与极限学习机的基础上实现了一种具有模糊C均值聚类算法(FCM)预分类的核极限学习机(KELM)及其在彩色图像分割中的应用.该算法采用模糊C均值聚类算法预分类训练样本,再提取其图像特征作为特征属性对核极限学习机进行训练产生分类器,进而对彩色图像进行分割.经实验验证,该算法分割彩色图像在分割速度和精度上优于FCM预分类的BP人工神经网络以及FCM预分类的支持向量机,是一种高效的彩色图像分割算方法.     

基于复合超像素技术的肺部CT图像分割算法

基于肺部CT图像灰度不均匀、纹理变化大的特点,文章提出一种超像素与随机森林相结合的肺部CT图像分割算法。该算法首先采用阈值和形态滤波的方法对图像进行预处理;再通过TurboPixels算法将图像分割为超像素;然后运用灰度共生矩阵提取超像素的纹理特征,并融合灰度特征形成特征矩阵;最后基于特征矩阵和随机森林算法获取分割图像。实验结果表明,该文提出的分割算法对肺部CT图像处理具有一定的有效性,健康肺部图像的分割准确率为98.07%,病变图像的准确率为96.23%,且该算法具有全自动、高准确率、鲁棒性好等特点。     

基于SLIC0超像素分割的阴影检测算法

对单幅阴影检测问题,提出了一种基于SLIC0（simple linear iterative clustering zero）超像素分割的阴影检测方法。首先采用SLIC0超像素分割算法对含阴影图像进行分割,生成超像素块检测出阴影轮廓,然后提出一种融合特征的支持向量机方法,将超像素块分类合并,检测出阴影区域。通过实验对比Otsu阈值法、传统SVM分类法与本文算法的检测效果,验证了本文算法的有效性,通过结构相似度（SSIM）与峰值信噪比（PSNR）指标对比表明,本文算法较参考算法的检测性能更优。     

基于多特征融合的图像区域几何标记

提出一种基于多特征融合的图像区域几何标记方法.首先,提出了一种新型卷积网络结构——多尺度核卷积网络用于提取像素点的多尺度特征信息,推断像素点的几何类别,并结合图像超像素分割获得图像超像素区域的几何标记;其次,将提取的多尺度特征与超像素区域传统特征相结合,建立超像素区域的特征表达.最后,建立超像素图像的条件随机场(conditional random field,CRF)模型,对超像素区域的几何类别进行推断.在公开数据集Geometric Context(GC)上的实验结果表明,同已有算法相比,所提方法提高了图像区域几何标记的准确率.     

基于局部占优度的彩色图像分割算法

设计了一种新的有效稳定的彩色图像分割算法.该算法首先利用均值漂移(MS)算法预分割图像,产生了许多保留了图像不连续特征的分割区域,然后构建预分割区域的相似度图,并利用谱聚类集成算法对相似度图进行全局最优划分.为了避免在构建相似度图时仅利用像素点的亮度信息而产生一些不合适的划分结果,定义了一个局部占优度的变量,该变量综合考虑了局部区域像素的亮度和细节信息.本文算法在彩色图像上的实验结果验证了其高效的运算速度.     

一种改进超像素融合的图像分割方法

基于超像素的传统图像分割方法在边缘分割的一致性、计算效率和融合算法的自适应性等方面仍存在诸多问题. 文章结合国内外相关研究进展,提出了一种新型超像素融合的图像分割方法. 方法采用ERS超像素过分割算法,以强度、梯度直方图作为超像素特征,并采取EMD方法计算特征距离,通过混合Weibull模型获取融合自适应阈值,进而完成分割. 算法时间复杂度降至为O(N),分割过程中不需要手动选取待分割区域,有效提高了算法的自适应性. 实验结果表明本方法在分割边界准确度和处理效率方面优于现有方法.     

基于分水岭模型的光照不均匀图像分割

针对图像采集过程中存在光照不均的问题,首次利用分水岭模型将图像分割为不同的光照区域,再利用Sauvola算法自适应地获得局部的二值化阈值,从而达到了良好的分割效果.同时Sauvola算法使用积分图像计算出局部像素值的和与局部像素值平方和来加快算法的时间.实验结果表明:该算法能够在无人工干预的情况下克服光照的影响,并且图像分割时间复杂度大大减小.     

基于LTCP特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法在对图像纹理特征进行鉴别时精度较差的问题, 提出一种基于长期控制计划(LTCP)特征的计算机生成图像鉴别算法. 首先将彩色图像变换到颜色模型中, 对图像进行下采样, 获得较高尺度的纹理信息; 然后采用基于LTCP特征和共生矩阵的计算机生成图像盲鉴别算法, 对不同尺度的纹理图像LTCP特征及相邻像素一致性共生矩阵特征进行采集; 最后通过判别分类器对LTCP特征及相邻像素一致性共生矩阵特征实施分类预测, 根据分类预测结果实现计算机生成图像的鉴别. 实验结果证明, 该算法在计算机上生成的图像特征维度较低, 鉴别率和精度较高, 能实现计算机生成图像的准确鉴别.     

基于马氏距离和模糊C均值聚类的抠图算法与应用

基于马氏距离和模糊C均值聚类算法提出了一种数字彩色图像抠图算法.该算法首先对彩色图像像素的红绿蓝三种彩色分量进行正则化处理;然后在正则化图像背景中选取适当的掩膜作为样本集,计算各像素与样本集之间的马氏距离;再利用模糊C均值聚类算法对计算出的马氏距离进行分类;最后利用填洞操作提高抠图质量.对八幅彩色数字图像进行对比实验,结果显示本算法可以自动抠图,且结果优于马氏距离算法、Grow-Cut算法和正则化线性回归算法的相应抠图效果.