一种GrabCut分割边缘的优化方法

针对GrabCut分割精度不够以及边缘不平滑的问题,提出一种目标边缘优化方法.首先使用GrabCut算法获取目标的α掩像,然后对α掩像进行形态学处理而获取目标边缘区域,再将目标边缘区域内的像素与已知的绝对背景和绝对前景的部分像素进行颜色信息比较,根据比较结果重新分割边缘区域像素,最后对重新分割的目标边缘进行平滑处理.实验结果表明,本文的方法对边缘分割的精准性和平滑度都优于GrabCut算法.     

基于GrabCut的免交互图像分割算法

针对GrabCut算法需要用户交互进行初始矩形框的设定而不能做到自动分割,且在前景图像较为复杂时分割效果不佳等问题,提出一种基于GrabCut的免交互图像分割算法。首先,训练Faster R-CNN网络,将待分割图像通过Faster R-CNN进行目标检测来得到前景目标所在区域矩形框;然后在k-means算法初始化高斯混合模型时加入位置信息,进行聚类以得到优化的初始高斯混合模型参数;最后对GrabCut算法分割结果中的边缘像素进行平滑后处理。试验结果表明,该算法无需用户交互即可完成分割且相比原始GrabCut算法具有更好的视觉效果和更高的分割正确率。     

一种视觉显著性引导的模糊聚类图像分割方法

传统的模糊C均值聚类算法利用图像的灰度、颜色、纹理、强度等底层特征进行聚类,实现图像的分割,它容易受到噪声的影响,且计算量大,不能提供理想的彩色图像分割结果。针对这些问题,提出一种视觉显著性引导的模糊聚类图像分割方法。首先使用显著性检测对图像进行初始化分割,得到带有区域级标注信息的引导图,然后将引导图作为指导信息,引导模糊聚类算法对图像进行细分割。在公共数据集上的实验结果表明,本文方法与其他改进的FCM算法和深度网络分割模型相比,可以取得较好的分割效果,有效减少了分割时间。     

基于视觉显著性和活动轮廓的图像分割

提出一种视觉显著性和传统的C-V模型相结合的图像分割方法,该方法首先提取图像的显著图,然后使用改进的自适应阈值法将显著图进行二值分割并提取边缘,并以此边缘作为C-V模型演化的初始轮廓.这样对于具有复杂背景的图像C-V模型可以从靠近目标物体的位置开始演化,从而得到较为准确的边缘,同时,也可以减少C-V模型的迭代次数.     

基于显著性检测和Grabcut算法的茶叶嫩芽图像分割

人工采茶存在效率低下、人工成本高等问题,机械采茶取代人工采茶成为一种重要的采茶方式,针对机械采茶中自然背景茶叶嫩芽分割效率问题,提出了一种自然背景下的茶叶嫩芽图像分割算法.利用显著性检测算法提取出图像中的突出目标作为显著性图,结合GrabCut算法精确的分割出突出的对象.实验结果表明,该图像分割算法对于背景复杂且目标与背景对比不明显的茶叶图像具有良好的分割效果,这为机械手采茶提供了一种新的方法.     

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.     

一种毛细管凝胶图像的分割方法

凝胶作为化学堵水剂,在原油开采、提高油气采收率等方面有着极其重要的作用。针对在凝胶力学性能检测过程中检测精度低的问题,提出一套新的分析计算方法。该方法针对毛细管凝胶图像基本特征,首先对凝胶图像进行有针对性的预处理,然后提出了一种新颖的自适应阈值分割算法,以获得较精确毛细管凝胶凹液面,最后将凝胶凹液面完整提取出来,进行动态凝胶力学性能参数的计算与分析。实验表明,运用该方法分割毛细管凝胶图像,平均误分割率低于2%,样品黏度力学性能计算准确率达到99.18%,表现出较好的准确性和鲁棒性。     

基于显著性的OTSU局部递归分割算法

针对OTSU方法的局限性，提出了一种基于显著性的OTSU局部递归分割算法。该算法的思路是把一次OTSU分割得到的目标区域作为新的图像进行下一次OTSU分割，依次递归下去，直到满足一定条件为止，然后把每次分割得到的目标区域按照一定加权原则累加起来，得到分割结果图像。实验结果表明，在不同的冷背景下，基于显著性的OTSU局部递归分割算法能够稳定地实现目标分割提取，具有较好的鲁棒性。     

一种新的红外舰船图像分割方法

为了能够较好地分割出舰船目标,实现后续的目标检测和识别,提出一种基于显著性检测的红外舰船图像分割方法。首先利用AC算法和FT算法对图像进行处理,将两种方法处理后的显著图合并,提高目标轮廓亮度,然后利用选大恒虚警检测的原理对图像进行二值化分割。通过对比其他几种分割算法,证明此算法有更强的抗干扰能力,分割效果更好。     

基于视觉显著性的彩色图像分割

为了提高图像显著性检测的准确性,从数学模型上探索显著性的多特征空间.利用多尺度特征提取算法获得低层视觉特征,对特征矩阵用低秩矩阵恢复理论提取显著图,并在自底向上模型基础上融合了高层视觉特征,由高层视觉特征构成一幅权重的显著图.提高了显著度和显著目标的检测性能.通过自适应阈值算法对视觉显著目标进行分割.实验结果表明,该模型比传统的模型提取的显著目标更完整、更准确.     

基于水平集和视觉显著性的植物病害叶片图像分割

为了提高植物病害叶片图像分割的准确性和效率,提出了一种基于水平集和视觉显著性的彩色图像分割方法.首先采用基于小波变换的显著性检测算法得到活动轮廓模型中曲线演化的初始位置,并构造一个基于显著区域的图像活动轮廓模型,再设计一个向量值图像的边界检测算子,引入到距离正则化水平集演化的改造中,以构造一个初始化轮廓更灵活,演化速度更快,目标分割更精确的新的水平集能量泛函.最后的实验对比表明,该方法具有较好的叶片病害部位分割效果.     

PCA显著性检验结合相关分析的图像缩放法

针对内容感知图像缩放法的显著图,引入主成分分析（PCA）法检测图像的显著性,并结合相关分析法进行图像缩放。先根据图像每个像素点构造3×3领域,通过PCA算法得到每点的显著得分并定义行、列的显著度;再结合图像行列相关分析得到的行列相近度,给出各行各列的重要值,删除或放大较小重要值的行列实现图像的缩放。实验结果表明,该方法理论简单、运行高效,不仅能够完整地保护重要区域,同时还可以让图像的整体概貌过渡良好。     

多尺度的图像显著性检测方法

为了提高显著性检测算法的准确性与鲁棒性,提出了一种基于多尺度融合的对象显著性检测方法.首先对图像进行平滑处理,过滤掉图像中的高频噪声特征,然后对图像进行尺度划分并分别采用不同的方法对不同尺度上的图像检测其显著性,最后根据条件随机场理论对不同尺度上的显著性检测结果进行加权融合,得到最终的显著性检测结果.在两种公共数据集上与多种经典算法进行定性、量化比较,结果表明该算法具有更好的表现.     

基于显著图的遥感图像多分辨区域生长分割算法

针对传统区域生长算法对噪声敏感和初始种子过度依赖的问题,本文提出一种基于显著图的遥感图像多分辨区域生长分割方法.该方法利用亮度、颜色、方向三个特征金字塔生成显著图,通过视觉选择注意模型自动选择注意区域作为种子区域.从能分辨种子区域的最大尺度开始区域生长,直到0尺度,从而分割出对遥感图像中感兴趣的区域.实验结果表明该方法能有效地从遥感图像中分割出视觉注意的区域,且有较快的速度.     

基于图像稀疏表示视觉显著度计算的自适应尺度调整方法

图像适应是指将图像按照不同的纵横比进行拉伸和压缩,以适应不同显示比例的显示终端(如手机、掌上电脑(personal digital assistant,PDA)、投影仪)的一种技术.研究基于视觉显著度的图像适应,具体实现分为视觉显著度的计算和图像的加权拉伸与压缩两个步骤.采用加权的稀疏表达残差来表示视觉显著度.在图像的加权拉伸与压缩中,提出一种对横向与纵向使用不同加权变化的快速算法,在保证图像处理效果的前提下,达到快速图像适应处理的效果.仿真实验结果表明,该方法对于实验图像具有鲁棒性和有效性.