结合空间信息的FCM脑图像分割

针对传统模糊C均值聚类算法(FCM)在图像分割时没有利用图像的空间信息而对噪声敏感、分割结果不够准确的问题,提出一种结合空间信息的FCM改进算法.该算法利用邻域像素间的灰度差异计算出邻域加权系数,并利用该系数对中心像素的隶属度进行更新,控制邻域像素对中心像素的不同影响;该算法还利用了快速FCM算法对图像进行初始分割.对MRI脑图像分割的实验结果表明FCM改进算法简单有效,具有较强的抗噪能力,能取得较好的图像分割结果.     

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.     

空间加权模糊C均值聚类图像分割算法

为了提高模糊C均值聚类(FCM)算法用于图像分割时对噪声的鲁棒性,在FCM算法中引入了图像像素的邻域约束,提出一种空间加权模糊C均值聚类图像分割算法。首先根据邻域像素的模糊隶属度函数值,定义像素分类标记的局部先验概率,然后将该局部先验概率融入标准的FCM算法的目标函数中,从而提出一种空间加权模糊C均值聚类图像分割算法。仿真实验通过合成图像和真实图像验证了该算法的有效性和鲁棒性。     

基于空间模糊聚类的图像分割优化算法

针对传统模糊C-均值(FCM)算法抗噪性能差的问题,提出一种新的基于空间模糊聚类的图像分割优化算法.该算法通过在传统FCM算法基础上加入图像特征项中像素间的空间位置信息,解决了传统FCM对噪声敏感的问题,增强了算法的鲁棒性.实验结果表明,对于添加5%Gauss噪声的图像,该算法可实现有效分割,分割效果显著优于传统FCM算法.     

一种融合分层信息熵的MRF视频运动前景分割算法

针对视频图像中相邻像素的相关性对前景分割的影响问题,提出了一种以熵图像为纽带的分层马尔可夫随机场(MRF)视频运动前景分割算法.通过图像像素层和信息层构建自适应像素模型和动态光滑模型,增强了视频图像中邻域像素的空间一致性和时间连续性.然后在马尔可夫模型的框架下,采用多环置信度传播算法求解最大后验概率估计,提高视频运动前景分割的质量.实验结果表明该方法能够在不同的视频图像序列条件下完成对运动前景的有效分割.     

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。     

一种基于Markov随机场的FCM图像分割方法

针对传统的模糊c均值聚类(fuzzy c-means,FCM)图像分割算法只考虑各像素自身的灰度信息而忽略其空间位置关系、去噪能力较差且计算冗杂的问题,提出一种基于Markov随机场的FCM图像分割方法.该算法以FCM算法为基础,采用Markov随机场来描述图像中像素间的邻域关系,并对聚类目标函数进行改进.实验结果表明,该算法分割效果好,效率高,去噪能力强,实时性好.     

融合注视点预测和流形学习的显著性目标分割

针对现有显著性分割算法在图像背景复杂时先验知识不够健壮的问题,提出一种融合注视点预测和流形学习的显著性目标分割算法,能有效地对复杂场景中的显著性目标进行分割.该算法通过引入注视点先验知识和提取超像素分割图,预测并粗分割场景中的显著性目标;为了进一步提高显著性分割的性能,利用色彩模型(CIE-Lab)空间的颜色对比度表示超像素的特征;通过基于流形学习的方法对粗分割区域进行显著性优化,提高了分割精度.实验结果表明:在处理复杂图像集过程中,相比其他分割算法,该算法性能提高了21.8%,并且在不同环境下的显著性目标分割的鲁棒性更好.     

基于SUSAN算法的空间目标分割算法

随着航天科技的迅猛发展,空间背景下非合作目标的分割问题已经成为人们关注的新焦点。SUSAN算法是一种新兴的并行边界类分割算法,采用USAN原理,通过对模板覆盖像素的统计来提取目标的特征。针对空间目标图像的特点,提出了一种基于SUSAN算法的空间目标分割算法。利用图像中目标的边缘轮廓信息进行特征提取,实现了人造目标与背景的分离。该算法具有抗噪声能力好、特征定位准确、计算速度快、能够较好的保持图像的特征结构信息等特点,非常适用于航天图像的实时分割处理。     

一种改进的粒子群爬山优化图像分割方法

针对粒子群优化算法在图像分割中存在算法搜索能力不足并且分割不够精准的问题，文章提出了一种改进的粒子群爬山优化图像分割方法。文章首先引入爬山算法，检测粒子群搜索空间中多个全局极值点，增强粒子群算法的局部搜索能力；其次将算法作用于图像中生成K个峰值的三维直方图，根据欧几里德距离，将每个像素分配给最近的峰值从而分割图像；利用标准图像数据集进行实验，并与其他基于粒子群优化的图像分割方法对比分析，该算法在图像分割的视觉效果和5种常用的客观评价指标都具有更优越的性能。