基于图像多尺度分解的前景提取

为了弥补纹理对传统GrabCut提取结果的负面影响,本文分析了图像边缘和颜色分布的尺度特性,结合图像多尺度分解和GrabCut,提出了基于图像多尺度分解的前景提取模型.首先,该模型运用全变分对图像进行多尺度分解得到一系列平滑图像,该分解保护了图像边缘并平滑了纹理,压缩了图像区域颜色的分布范围;其次,将给定平滑图像前景颜色分布表示为高斯混合模型,并运用直方图形状分析方法优化了高斯混合模型的高斯函数个数,弥补了传统固定高斯函数个数的负面影响;最后,根据不同平滑图像的分割结果设计了迭代终止条件,使得从适当的分解尺度中提取前景.与传统前景提取算法相比较,该模型降低了纹理对前景提取的负面影响,其测评分数高于传统算法.     

基于改进的Graph Cut算法的羊体图像分割

针对羊体图像复杂背景、不均匀光照且含有大量噪声等特点,提出一种融合多尺度分水岭的改进Graph Cut分割模型.引入多尺度分水岭对图像进行预分割,将基于像素级的Graph Cut算法转化为基于区域的算法以提高分割的效率.通过标记前景和背景种子点,利用模糊C均值算法实现前景和背景区域聚类.将多尺度分水岭分割的区域作为图割的顶点,以Lazy Snapping为框架计算图的边界项和数据项,并构造能量函数,通过最大流/最小割算法求解能量函数的最小值,从而实现图像分割.通过使用不同的分割算法进行实验比较,结果表明改进的算法在准确性和高效性方面都具有很好的性能.     

改进CV的图像分割

为了提高传统CV分割算法对含纹理的图像分割效果,该文分析了图像纹理分量的统计特性,在图像TV平滑的基础上,设计了新的保边平滑函数,建立了保边平滑模型;运用传统CV分割算法对平滑分量进行分割;根据不同平滑分量分割区域不同,设计了基于区域置信度的分割平滑收敛函数,解决了分割曲线消失问题。实验表明,相对于传统CV分割算法,该算法对自然图像分割的效果较好,对非一致区域不敏感。     

基于序贯滤波的水平集图像分割

传统基于边缘的水平集分割模型对非均匀区域分割效果不理想,为了解决这一问题,本文分析了序贯滤波的平滑能力与滤波次数之间的关系,将序贯滤波与水平集分割相结合提出了基于序贯滤波的图像分割模型.为了实现自适应于图像内容的平滑,根据平滑分量分割区域的置信度,设计了图像分割的平滑指标,控制序贯滤波次数,使得不同平滑分量的轮廓曲线收敛于目标边界,改善了传统基于水平集方法对非均匀区域的分割效果.本文分割算法的F测度,精确率和召回率均高于传统模型,在一定程度上提高了非均匀区域的分割效果.     

一种基于鲁棒估计的自适应图像平滑方法

基于鲁棒统计理论,提出一种新的保持图像边缘的图像平滑算法.将图像滤波与平滑转化为一个分段常数模型的鲁棒估计问题.并由此导出基于分段常数模型的尺度自适应鲁棒滤波器.为了自动确定鲁棒滤波器的最优尺度参数,使用直方图分析,结合非参数统计的方法来确定各点的鲁棒尺度参数.该算法可以在平滑图像的同时,保持原始图像中的边缘结构.实验表明,该算法平滑图像的效果,明显优于固定尺度的平滑算法.     

基于改进CV的图像分割

为了提高传统CV分割算法对含纹理的图像分割效果,该文分析了图像纹理分量的统计特性,在图像TV平滑的基础上,设计了新的保边平滑函数,建立了保边平滑模型;运用传统CV分割算法对平滑分量进行分割;根据不同平滑分量分割区域不同,设计了基于区域置信度的分割平滑收敛函数,解决了分割曲线消失问题.实验表明,相对于传统CV分割算法,该算法对自然图像分割的效果较好,对非一致区域不敏感.     

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.     

结合显著性和Graph cuts的肺区域图像分割

针对肺部CT图像灰度分布不均匀、各组织结构复杂导致难以准确地分割提取出肺区域的问题,提出了一种结合图像显著性和Graph cuts的肺区域自动分割方法.对10位病例的CT图像序列进行测试,结果表明:该方法可以自动完成肺区域分割,具有较高精度,且耗时较少.     

多尺度特征的深度学习及在多聚焦图像融合上的应用

【目的】多聚焦图像融合指的是从同一场景下不同的图像中提取各自的聚焦区域,得到一幅全聚焦的图像,是近些年来图像处理领域一个热门的研究方向。传统的图像融合技术存在融合区域不清晰、失真、存在伪影等情况。针对这一现象,提出了一种基于深度学习的图像融合方法。【方法】所提算法整体使用了孪生网络来对图像中的聚焦区域进行分类,同时还引入了GoogLeNet中的Inception模块来提高网络的特征提取能力,取得了良好的性能。为了充分利用源图像中的特征信息,提出的算法中使用了不同大小的子块来提取源图像中不同尺度的特征信息,获得源图像多个尺度的特征。此外,提出的方法获得的二值图能够精确反映出源图像的聚焦区域和非聚焦区域,因此不需要应用后处理步骤来对二值图进行优化,降低了网络的复杂度。【结果】在Lytro多聚焦图像集和其他常用的多聚焦灰度图像集上的实验结果表明：相比于其他经典算法,提出算法的融合结果从主观和客观两个维度上都拥有显著的优势。【结论】提出的算法很好地融合了源图像中的细节特征,融合边缘自然平滑、无伪影产生,取得了较传统算法更好的融合效果。     

基于二维伽马函数的光照不均匀图像自适应校正算法

提出了一种基于二维伽马函数的光照不均匀图像自适应校正算法. 利用多尺度高斯函数提取出场景的光照分量,然后构造了一种二维伽马函数,并利用光照分量的分布特性调整二维伽马函数的参数,降低光照过强区域图像的亮度值,提高光照过暗区域图像的亮度值,最终实现对光照不均匀图像的自适应的校正处理. 通过与经典算法对比表明,本文算法可以更好地降低光照不均匀对图像的影响,提高图像的质量.      

基于Graph Cut算法的多株立木轮廓提取方法

【目的】在复杂的自然环境下进行目标立木轮廓提取时,容易受遮挡物影响,导致立木图像分割效果不理想。笔者提出一种基于Graph Cut算法的多株立木轮廓提取方法,可实现单张相片中多目标立木界线分割。【方法】首先通过彩色直方图均衡化实现RGB颜色空间下各个通道的图像细节增强,利用Graph Cut算法构造s-t网络图,将图像分割问题转化为能量函数最小化问题,并标记图像前背景像素实现单张相片中多株立木图像初分割; 然后将单张相片中的每株立木分割图像二值化,利用形态学腐蚀膨胀运算处理图像达到填充、去噪、平滑等目的; 在此基础上,利用改进型Canny算子边缘检测方法,用双边滤波代替高斯滤波增强边界信息得到每株立木轮廓; 最后,根据立木相对坐标不变性,利用几何重组方法实现目标立木特征表达并判断其拓扑关系,最终得到每株目标立木轮廓提取结果。【结果】为了验证该方法的有效性,本研究对自然环境下采集到的立木图像进行试验。结果表明,该方法能够在不同光照条件的复杂背景下,有效分割出每株立木轮廓,平均误分率为5.62%,假阳性率为4.49%,假阴性率为4.33%,均优于常用的OTSU分割算法(41.40%、26.73%、10.99%)、K-means聚类算法(49.97%、35.02%、11.92%)和基于C-V模型水平集法(28.43%、20.53%、13.38%)。【结论】复杂的自然环境下,利用基于人工交互的Graph Cut算法可有效分割出每株立木轮廓界,研究结果可为立木可视化重建、特征提取等提供参考。     

肤色检测结合Grab Cut的服装图像前景提取的改进

为解决全自动化Grab Cut算法应用于服装图像的前景提取时,无法去除模特肤色的干扰以及对一些复杂背景图像存在欠分割的问题,提出了新的前景提取方法:为有效去除模特肤色区域,提出了一种基于双边滤波去噪的肤色检测改进方法;为有效地去除欠分割区域,保留服装前景区域,提出了一种轮廓检测算法;将改进的肤色检测方法、轮廓检测算法与全自动化Grab Cut算法相结合,进行服装图像的前景提取. 实验结果表明:改进的肤色检测方法相比于现有的肤色检测算法,肤色检测的准确性明显提高;改进的前景提取算法的服装前景提取效果显著优于全自动化Grab Cut算法.     

一种基于Grab Cut和区域生长的服装图像前景提取算法

针对Grab Cut算法应用于服装检索系统中服装图像的前景提取时所存在的交互式、复杂背景提取效果差等问题,首先提出了一种全自动化的Grab Cut算法,以实现自动根据背景情况,对单一背景和复杂背景图像分别采用不同的方法生成初始矩形框并进行前景提取. 由于该算法仍存在欠分割或过分割现象,故将该算法与区域生长算法相结合,给出了一种结合区域生长的全自动化Grab Cut算法. 实验结果表明,无论对于单一背景还是复杂背景的图像,改进算法的前景提取效果都明显优于传统算法,不仅能准确获取服装前景区域,而且对于服装内部的过分割问题也有很大的改善.     

Adaptive Contour Model for Real-Time Foreground Detection

A multiscale foreground detection method was developed to segment moving objects from a stationary background. The algorithm is based on a fixed-mesh-based contour model, which starts at the bounding box of the difference map between an input image and its background and ends at a final contour.An adaptive algorithm was developed to calculate an appropriate energy threshold to control the contours to identify the foreground silhouettes. Experiments show that this method more successfully ignores the negative influence of image noise to obtain an accurate foreground map than other foreground detection algorithms. Most shadow pixels are also eliminated by this method.     

基于亮度感知的前景提取

前景提取是在图像整体认知基础上将感兴趣对象分离出来,本文联合图像亮度视觉感知和水平集方法提出了一种基于亮度感知的前景提取模型。该模型依据像素对的亮度视觉相关性,联合视觉区域内相似性和区域间的差异性,设计了亮度感知能量泛函,运用瑞利熵求解能量泛函得到视觉区域,利用视觉区域特征驱使初始曲线演化至前景轮廓。相对于传统算法,该模型运用图像视觉特征有利于从图像的整体认知上提取前景,提高了水平集方法的前景提取质量。     

Skin Segmentation Based on Graph Cuts

Skin segmentation is widely used in many computer vision tasks to improve automated visualization. This paper presents a graph cuts algorithm to segment arbitrary skin regions from images. The detected face is used to determine the foreground skin seeds and the background non-skin seeds with the color probability distributions for the foreground represented by a single Gaussian model and for the background by a Gaussian mixture model. The probability distribution of the image is used for noise suppression to alleviate the influence of the background regions having skin-like colors. Finally, the skin is segmented by graph cuts, with the regional parameter γ optimally selected to adapt to different images. Tests of the algorithm on many real world photographs show that the scheme accurately segments skin regions and is robust against illumination variations, individual skin variations, and cluttered backgrounds.     

基于动态阈值选择和细化算法的角膜细胞轮廓抽取

角膜细胞图象轮廓提取的关键是分隔出细胞与背景,生成二值图象．由于角膜细胞图象的光照不均匀,用单一域值无法兼顾亮区与暗区．提出了一种基于动态域值选择和细化算法的角膜细胞轮廓抽取算法．首先对处理图象进行灰度平均和中值滤波平滑处理,消除细胞内部的不均匀性和保持细胞之间的边界;然后用动态域值选择算法分割细胞和背景;最后使用细化算法抽取细胞的轮廓．此算法应用于角膜细胞图象,处理结果证明了算法的有效性．     

MR中融合语义特征传播模型的前景对象感知定位算法

移动主体获得准确的定位信息是构建稳定的混合现实(mixed reality,MR)系统的关键,然而MR中的前景对象对传统定位算法的精度影响较大.现阶段基于深度学习的定位算法可以通过识别前景对象来提升精度,但深度学习模型耗时过高,导致算法实时性下降.针对该问题,提出了一种MR中融合语义特征传播模型的前景对象感知定位算法.该算法依托语义分割网络与一种快速旋转的二进制独立稳定描述子特征(oriented fast and rotated binary robust independent elementary feature,ORB)提取算法构建了语义特征传播模型,实现高速语义特征提取;融合该模型和几何特征检测方法实现算法中的前景对象感知层,并依赖该感知层剔除MR中前景对象的特征点,构建了背景特征点集,实现高精度、高实时性的定位.实验结果表明:在慕尼黑工业大学(Technical University of Munich,TUM)公共数据集的高动态前景对象场景中,相比动态语义视觉同步定位与建图(dynamic semantic visual simultaneous localization...     

面向高分辨率卫星图像的几种图像分割算法稳定性对比分析

将基于均值漂移和图模型的图像分割算法及这两种算法的混合算法应用到高分辨率卫星光学图像,并对比了它们在分割遥感图像时的稳定性。均值漂移算法是一种基于核密度梯度估计的特征空间分析算法,其实质是一种统计优化过程。基于图模型的算法将一幅图像抽象为一个无向图,通过不断合并图结点,将这个图分割为多个连通分量,进而实现一幅图像分割。混合算法首先利用均值漂移技术对图像进行滤波,然后再使用图分割算法对图像进行分割。实验结果显示,均值漂移算法分割结果对其参数变化较为敏感,而基于图模型的算法和混合算法则较为稳定。