结合KL距离与图像域分块的SAR图像分割

提出一种结合KL(Kullback-Leibler)距离和图像域分块的SAR图像分割算法.首先,利用规则划分技术将图像域划分成若干规则子块,以子块为处理单元,假设子块内像素服从高斯分布,并构建特征场概率模型;其次,采用广义Potts模型定义刻画邻域子块相关性的标号场概率模型,根据贝叶斯定理,得到后验概率模型;再次,采用KL距离定义刻画同质区域间统计分布差异的异质性系数,并通过非约束吉布斯表达式构建概率分布函数,结合后验概率和吉布斯概率分布函数建立图像分割模型;然后,设计M-H(Metropolis-Hastings)采样方法,包括改变子块标号操作和分裂子块操作,模拟上述分割模型,从而获得最优分割结果;最后,通过对所提出算法和对比算法的SAR图像分割结果进行分析,充分验证了所提出算法的有效性和优越性.     

利用Kolmogorov-Smirnov统计的区域化图像分割

目的 为了在未知或无法建立图像模型的情况下,实现统计图像分割,提出一种结合Voronoi几何划分、K-S(Kolmogorov-Smirnov)统计以及M-H(Metropolis-Hastings)算法的图像分割方法.方法 首先利用Voronoi划分将图像域划分成不同的子区域,而每个子区域为待分割同质区域的一个组成部分,并利用K-S统计定义类属异质性势能函数,然后应用非约束吉布斯表达式构建概率分布函数,最后采用M-H算法进行采样,从而实现图像分割.结果 采用本文算法,分别对模拟图像、合成图像、真实光学和SAR图像进行分割实验,针对模拟图像和合成图像,分割结果精度均达到98%以上,取得较好的分割结果.结论 提出基于区域的图像分割算法,由于该算法中图像分割模型的建立无需原先假设同质区域内像素光谱测度的概率分布,因此提出算法具有广泛的适用性.为未知或无法建立图像模型的统计图像分割提供了一种新思路.     

结合马尔可夫高斯模型的双邻域模糊聚类分割算法

针对传统模糊C均值(FCM)算法采用欧几里得测度描述像素与聚类间的非相似性对噪声和异常值敏感的问题,提出基于马尔可夫-高斯模型、且包含特征场和标号场双邻域的模糊聚类分割算法.首先根据马尔可夫模型能够结合邻域像素作用的特点在标号场上建立与邻域像素相关联的能量函数,确保相同邻域系统内的像素属于相同类别的概率较之不在相同邻域系统内的像素更大,最终实现标号场邻域系统的建立;而后在特征场上利用Gaussian模型描述像素与聚类间的非相似性测度,并结合相邻像素对非相似性的影响构建特征场邻域模型,即利用中心像素和邻域像素特征与聚类均值矢量的差异代替传统像素特征与均值矢量的差异构建Gaussian模型;最后结合标号场和特征场邻域构建包含双邻域的模糊聚类分割模型,实现高精度模糊聚类分割.通过与现有多种典型FCM算法对模拟影像和真实彩色影像的实验以及分割结果的对比分析,证明了文中算法的有效性.     

邻域约束高斯混合模型的模糊聚类图像分割*

针对传统模糊聚类分割方法无法有效模拟数据分布特征的问题,提出基于邻域约束高斯混合模型的模糊聚类图像分割算法.利用高斯分布刻画聚类内像素光谱测度统计特征,定义像素与其邻域像素相关性的先验概率,并作为高斯混合模型中各高斯分量权重系数,构建包含特征场邻域作用的高斯混合模型.利用高斯分量描述像素与聚类间的非相似性测度,建立基于高斯混合模型的模糊聚类目标函数.在传统模糊聚类方法基础上,采用高斯混合模型定义像素与聚类间的非相似性测度,并在高斯混合模型中融入邻域作用,有效解决数据具有多峰值特征的问题.最后通过实验验证文中算法的准确性.     

结合CS-LBP纹理特征的快速图割算法

图割算法是目前最有效的交互式图像分割方法之一。针对当前景和背景颜色相似时容易发生分割错误并产生shrinking bias现象,以及基于像素的计算导致交互效率不高的问题,提出一种结合纹理特征的改进算法。该算法首先利用Mean Shift算法对图像进行预分割,构建区域邻接图,然后用累计直方图、CS-LBP纹理描述子对每个区域进行颜色和纹理特征的提取,通过在能量函数中引入纹理约束项以及局部自适应的正则化参数,有效改善了分割效果和shrinking bias现象。实验结果表明,本算法交互效率得到了提高,分割结果更加精确。     

基于mean-shift全局立体匹配方法

针对图像全局立体匹配精度高、计算量大的问题,提出基于mean shift图像分割的全局立体匹配方法。首先,通过mean shift算法对图像进行分割,获取图像同质区域数量和区域的标号。在计算匹配代价时,根据像素所属的分割区域,对像素进行筛选,从而提高匹配代价计算速度;其次,在代价聚合前,将mean shift算法获取的同质区域数K值赋值给K-means聚类算法,对像素再次聚类,提高立体匹配精度和速度;最后通过TRW-S置信传播解决能量最小化问题。实验表明,该算法明显提高了匹配的准确性和速度,与单纯的全局匹配算法相比,具有更大的优势。     

借助大位移视图进行图像修补的透视畸变最小化算法

提出一种由粗到精的透视畸变最小化算法,借助大位移视图来修补目标图像.它先对大位移视点图像进行透视畸变校正后再用来补全目标图像上的丢失信息区域.首先,在平面场景的假设下,大位移视点图像通过单应矩阵进行全局变形得到初始的畸变校正.然后,由误匹配识别机制检测出初始校正的大位移视图中的残余畸变.在颜色一致性和位移场光滑性的期望下,残余畸变通过基于能量优化的重叠像素对应算法得到进一步的松弛.最后,在极线几何以及像素邻域中的位移场光滑性和颜色一致性的约束下,信息丢失像素按照特别定义的修补优先级函数依次得到恢复.泊松图像融合算法被用于消除修补区域与其周围像素之间可能存在的鬼影现象从而得到无缝的修补效果.实验表明,该方法优于已有的图像修补算法,且能够修补含有复杂结构信息的较大受损区域.     

结合几何划分技术和最大期望值/最大边缘概率算法的彩色图像分割

本文针对基于区域和统计的彩色图像分割方法进行研究,提出了一种结合Voronoi划分技术、最大期望值(Expectation Maximization, EM)和最大边缘概率(Maximization of the Posterior Marginal, MPM)算法的彩色图像分割方法。首先利用Voronoi几何划分将图像域划分成不同的子区域,并假设每个子区域内的像素强度满足独立同一的概率分布,在此基础上建立彩色图像模型;利用上述模型,在贝叶斯理论架构下建模图像分割问题,然后结合EM/MPM算法进行图像分割。该方法将基于像素的MRF模型扩展到基于区域的MRF,并且能同时有效的获取模型参数估计和基于区域的彩色图像最优分割。采用本文算法,分别对真实彩色图像和合成彩色图像进行了分割实验,定性和定量的测试结果验证了本文方法的有效性、可靠性和准确性。     

基于相似性和统计性的超像素的图像分割

为了解决超像素图像分割的过分割问题,提出了一种基于超像素区域颜色直方图相似性和统计特性的合并判断准则,用来合并超像素图像分割的区域。该合并准则将超像素分割结果作为区域合并的基本单元,利用基本单元的颜色相似性、空间距离大小和统计特性进行区域合并,以解决超像素图像分割中存在的过分割问题。仿真实验结果表明,该方法能有效地改善超像素过分割问题,并且用于评价分割算法的概率Rand指数和信息变化指数都有所提高。     

高斯Copula的多光谱遥感影像分割

为了充分利用多光谱影像波段间的相关性,提出高斯Copula的多光谱遥感影像分割方法.首先,建立基于马尔可夫随机场的标号场模型,使用Potts模型刻画该标号场.然后,建立表征像素光谱测度的特征场,利用高斯Copula建立像素光谱测度的多变量统计模型以刻画该特征场.结合标号场、特征场模型及各模型参数的先验概率,利用贝叶斯定理建立多光谱影像分割的后验概率模型.最后,设计适用于模拟后验概率模型的M-H算法,在最大后验概率策略下获取最优分割结果.对模拟和真实多光谱影像分割结果表明,文中方法描述波段间相关性的能力较强,准确性较高.     

基于可变形状参数Gamma混合模型的区域化模糊聚类SAR图像分割

为了解决传统模糊聚类算法无法准确刻画SAR图像强度分布特征以及抗噪性差等问题,提出一种基于可变形状参数Gamma混合模型(GaMM)的区域化模糊聚类SAR图像分割方法.首先,利用Voronoi划分技术将SAR图像完备地划分为若干个Voronoi多边形;然后,假设SAR图像强度服从可变形状参数的GaMM,以GaMM的负对数函数刻画多边形与聚类间的非相似性关系,并结合具有邻域多边形空间约束作用的规则化项定义区域化模糊聚类目标函数;在模型参数求解的过程中,对于无法直接通过导数求解的形状参数及生成点集,设计以目标函数最小化为准则的移动更新操作以逐步逼近最优解.通过对真实及模拟SAR图像分割结果进行定性定量分析,有效地验证了所提出算法对SAR图像强度分布拟合的准确性及分割的抗噪性.     

基于马尔科夫随机场的散乱点云全局特征提取

为了精确提取点云数据中的特征信息,针对激光扫描获取的三维散乱点云数据,提出一种基于马尔科夫随机场（Markov random field, MRF）的散乱点云特征提取方法.首先,根据散乱点的曲率估计及阈值初始化点标号并判定稳定点,将稳定点标记存储在数组中;然后,将优化不稳定点的标号问题转化为随机场标号的能量函数问题,引用贝叶斯估计求后验概率分布函数及MAP-MRF（Maximum a posteriori-Markov random field）框架归约得到目标函数;最后,根据图割法α-expansion算法,利用标号调整过程中标号集相对能量变化得到不稳定点的最优标号集,将其与存储稳定点的数组综合,根据点标号提取特征点.实验结果表明,该方法简单、高效、无需人工调参,能够依据全局能量的变化自适应提取特征,特征提取结果令人满意.     

折棍变分贝叶斯图像分割算法

为提高图像分割的抗噪鲁棒性并解决分割数目的自适应确定问题,通过在聚类标签先验概率的折棍构造过程中建立Markov随机场,将空间相关性约束引入Dirichlet过程混合模型的概率建模,使聚类的空间平滑性得以增强,并采用变分推断方法获得聚类标签的收敛解析解,提出一种基于折棍变分贝叶斯推断的图像分割算法,实现了对像素聚类标签和分割数目的同步自适应学习,避免了传统方法中因引入空间相关性约束而出现的计算复杂问题.基于Berkeley BSD500图像测试数据集的数值实验结果表明,该算法具有比现有的混合模型聚类图像分割算法更高的PRI值,且在低于0.1的噪声方差条件下表现出了更优的抗噪鲁棒性.     

Robust interactive image segmentation using structure-aware labeling

Interactive image segmentation has remained an active research topic in image processing and graphics, since the user intention can be incorporated to enhance the performance. It can be employed to mobile devices which now allow user interaction as an input, enabling various applications. Most interactive segmentation methods assume that the initial labels are correctly and carefully assigned to some parts of regions to segment. Inaccurate labels, such as foreground labels in background regions for example, lead to incorrect segments, even by a small number of inaccurate labels, which is not appropriate for practical usage such as mobile application. In this paper, we present an interactive segmentation method that is robust to inaccurate initial labels (scribbles). To address this problem, we propose a structure-aware labeling method using occurrence and co-occurrence probability (OCP) of color values for each initial label in a unified framework. Occurrence probability captures a global distribution of all color values within each label, while co-occurrence one encodes a local distribution of color values around the label. We show that nonlocal regularization together with the OCP enables robust image segmentation to inaccurately assigned labels and alleviates a small-cut problem. We analyze theoretic relations of our approach to other segmentation methods. Intensive experiments with synthetic and manual labels show that our approach outperforms the state of the art.     

光线变化下的视频图像分割

视频图像分割是视频目标定位和识别的基础,如果背景中光线变化,那么将会给分割带来很大的影响。文中利用贝叶斯学习方法进行视频图像分割,在每个象素点处对不断变化的背景建模,计算每个象素点处的颜色直方图,用这些直方图来表示该象素点处特征向量的概率分布,然后用贝叶斯学习方法来判断,在光线缓慢或者突然变化的时候,每个象素点是属于前景还是属于背景。     

基于贝叶斯学习的视频图像分割

如果背景中光线变化,那么视频图像分割将会变得比较困难。为了对光线变化的图像进行顺利侵害,提出了一种利用贝叶斯学习方法来进行视频图像分割的算法,即先在每个像素点处对不断变化的背景建模,同时计算每个像素点处的颜色直方图,再用这些直方图来表示该像素点处特征向量的概率分布,然后用贝叶斯学习方法来进行判断,以确定在光线缓慢或者突然变化的时候,每个像素点是属于前景还是属于背景。     

参数自适应的条件随机场视频分割方法

针对已有算法需要采用一系列参数经验值得到最优视频分割结果的问题,提出根据视频特征自适应地计算视频邻域关系的特征强度函数,构造参数自适应的条件随机场视频分割模型。算法的核心思想是采用视频中像素之间的邻域关系自适应计算各个模型的特征函数,通过条件随机场模型对这些特征能量函数进行约束并利用Gibbs采样算法对该模型进行求解,获得全局优化的分割结果。针对不同环境下的视频分割实验表明,该算法能够很好地逼近最优经验参数所得到的视频分割结果,从而避免定义经验值所导致的算法局限性问题。