一种新的结合稀疏编码的红外图像聚类分割算法

聚类作为一种重要的图像分割方法得到了大量研究,提出了一种新的结合稀疏编码的红外图像聚类分割算法,扩展了传统的基于K-means聚类的图像分割方法。结合稀疏编码的聚类算法能有效融合图像的局部信息,而且易于利用像素之间的内在相关性,但是对于分割会出现过分割和像素难以归类的问题。为此,在字典的学习过程中,将原子的聚类算法引入其中,有助于缩减字典中原子所属类别的数目防止出现过分割;同时将稀疏编码系数同原子对聚类中心的隶属程度相结合来判断像素所属的类别。这种处理方式能更好地实现利用像素的内在相关性进行聚类分割,并在其中自然引入了局部空间信息,达到更好分离目标区域和背景区域的目的。实验结果表明,结合稀疏编码的K-means聚类分割算法能更好的实现复杂背景下红外图像重要区域的准确分割提取。     

基于图论阈值算法的图像分割研究

为了提高阈值分割图像的质量,提出了采用图论阈值算法。首先,构造图论和图像的映射函数关系,每个顶点通过点来映射,每条边通过线来映射。用基于区域属性的图像边缘决策表,不同像素点或不同组像素点之间的灰度特征差作为权重系数,通过基于决策属性权重来构造像素联系图;然后,采用聚类法计算像素到目标类和背景类的相似程度,最小生成树策略解决伪割集问题;最后,给出图像阈值设定以及算法流程。实验仿真表明,本文算法的分割图像效果清晰,消除了图像分割中存在的过合并和欠合并现象,本文算法的信息熵为28.780 3bit,处理时间为1.454 3s。满足分割结果中对执行时间少、信息含量大等要求。     

基于超像素和SVM的交互式联合分割算法研究*

联合分割是一类针对前景相同或相似的图像集进行处理的图像分割算法。本文将分割问题视为前背景像素的分类问题,提出了一种基于超像素和机器学习的联合分割算法, 其中使用支持向量机来实现超像素的分类。相比于其他联合分割算法,本文使用词袋(BOF)模型来描述每个超像素,并引入词频-逆向文件频率(Tf-idf)加权算法来优化提取到的特征。为了减少用户交互工作,通过只在一组前景相似的图像中使用一幅种子图像,并在训练分类器时采用样本抽取的方法来解决正负样本数量不平衡的问题。本文使用iCoSeg联合分割标准图像集来测试本文的算法,实验结果表明,相比其他联合分割算法,本文的方法在精确度和灵活性上都更有优势。     

一种复杂背景下的电力设备红外图像分割方法

针对背景复杂的电力设备红外图像分割问题,提出一种新的分割方法。该方法运用线性谱聚类算法(LSC)对图像做超像素分割,将颜色、距离相似的像素聚类至同一个中心;利用在全局图像基础上计算所得的Otsu阈值对各超像素块做背景预标记,并利用最大相似度区域合并算法(MSRM)对超像素块进行合并,在得到目标设备的同时,有效降低了过分割和欠分割率;最后运用数学形态学算法对图像做后处理,在保证设备特征的前提下提高目标设备分割精度。实验表明,在复杂背景下与其他算法相比,该方法可得到更为准确、完整的目标设备。     

基于纹元森林和显著性先验的弱监督图像语义分割方法

弱监督语义分割任务常利用训练集中全体图像的超像素及其相似度建立图模型,使用图像级别标记的监督关系进行约束求解。全局建模缺少单幅图像结构信息,同时此类参数方法受到复杂度限制,无法使用大规模的弱监督训练数据。针对以上问题,该文提出一种基于纹元森林和显著性先验的弱监督图像语义分割方法。算法使用弱监督数据和图像显著性训练随机森林分类器用于语义纹元森林特征(Semantic Texton Forest, STF)的提取。测试时,先将图像进行过分割,然后提取超像素语义纹元特征,利用朴素贝叶斯法进行超像素标记的概率估计,最后在条件随机场(CRF)框架下结合图像显著性信息定义了新的能量函数表达式,将图像的标注(labeling)问题转换为能量最小化问题求解。在MSRC-21类数据库上进行了验证,完成了语义分割任务。结果表明,在并未对整个训练集建立图模型的情况下,仅利用单幅图像的显著性信息也可以得到较好的分割结果,同时非参模型有利于规模数据分析。     

基于超像素多特征融合的快速图像分割算法

为了提高高分辨率图像分割效率,解决复杂图案中待分割目标边缘附近前景与背景区分度小而造成的分割目标不完整问题,本文通过引入超像素HOG特征,提出了一种基于超像素多特征融合（superpixel multi-feature fusion,SMFF）的快速图像分割算法.首先采用目前最有效的超像素算法对待分割图像进行超像素预分割,然后提取基于超像素的HOG特征、Lab颜色特征和空间位置特征,设计基于超像素的多特征度量算法,最终采用图割理论实现了基于超像素多特征融合的快速图像分割.实验结果验证了本文算法的有效性,其算法性能接近于目前最经典图像分割算法,且本文算法的时间性能要明显优于其它对比算法.     

基于改进差分盒维数的烟雾分割方法

针对森林背景与烟雾的分形纹理结构的不同特性,提出了改进差分盒维数的烟雾分割方法。首先,在已有的差分盒维数算法基础上,扩大子窗口的选择范围,计算每个像素的分形维数值并分析得到的其分形特征数据;然后,选择合适的阈值对像素进行分类,筛选出符合烟雾特征的像素,从而实现烟与森林背景的分割;最后,应用形态学中膨胀算法进行连通处理。实验结果证明,基于改进的差分盒维数方法对以树木为背景的烟雾图像具有较好的分割效果。     

一种谱聚类灰度纹理图像分割方法及其在近红外成像仿真中的应用

针对近红外场景仿真中需要将不同材质分类的问题,提出一种谱聚类的灰度纹理图像分割方法。首先利用mean-shift算法,将原始图像预分割为多个具有准确边界的同质区域,并将这些区域描述为超像素;进而,将超像素构造的无向加权图作为谱聚类的输入,通过谱聚类的方法解决超像素的过分割问题。本文的方法在谱聚类过程中考虑了超像素的纹理特征,弥补了灰度图像在谱聚类过程中只顾及灰度和空间信息的不足。实验结果表明,利用本文分割方法不但减少了运算量,并且为精细的近红外场景仿真奠定了基础。     

基于LBP纹理特征的随机游走图像分割

本文通过求解融入纹理特征信息的对称、半正定线性方程组,提出一种新的基于随机游走(Random Walker)的纹理图像分割算法。为了构造该方程组,首先通过局部二元模式(Local binary pattern,简称LBP)算子来描述纹理,将图像映射至不同纹理之间有显著区别的LBP图(LBP map)上,进而将其与梯度和几何信息结合并构造倒数型像素相似度,形成方程所需的权值矩阵,在随机游走模型下使已标号区域向未知区域传递,从而实现纹理图像分割。最后以纹理图像、噪声合成图像、MRI、CT图像为实验对象来验证算法的有效性。定性及定量实验结果表明,在多目标分割任务下,本方法有更好的有效性和精确性。     

基于Markov随机场K-Means图像分割算法

 传统的K-Means算法在图像分割中只与特征向量有关,从而忽略了像素间的空间位置关系,因而分割模型是不完整的.本文利用Markov随机场描述图像像素间的邻域关系,引入拒绝度的概念到聚类目标函数中的同时,提出了初始类别及初始中心点的确定方法,提出了较为完备的基于Markov随机场图像分割算法.并通过实验验证该分割方法在效果及效率上的有效性.     

基于分形理论的改进型二维最大熵红外图像分割算法

提出了一种基于分形理论的改进型二维最大熵红外图像阈值分割算法。该算法利用图像分形维数挖掘像素的空间分布信息,然后将原图像灰度及其分形维数映射图像灰度相结合组成二维随机向量,并构造出联合离散概率分布。在此基础上,以二维最大熵原则来确定一个最佳二维分割阈值,进而取得分割结果。实验结果表明,该算法在分割效果上优于传统的二维最大熵分割算法。     

基于改进的2-D Otsu方法和YCgCr空间的肤色分割

为了弥补基于固定阈值的肤色分割方法存在的缺陷,在对多种彩色空间和肤色模型进行分析的基础上,提出采用改进的2-D Otsu方法和YCgCr彩色空间进行肤色分割。首先将光照补偿之后的肤色样本图像从RGB彩色空间转换到YCgCr彩色空间,并利用样本图像上的179221个肤色点建立2维高斯模型;进而将待分割的图像进行光照补偿并转换到YCgCr彩色空间,利用已经建立的高斯模型计算图像的肤色相似度,得到肤色相似度图像;最后,结合像素的空间邻域信息,使用改进的2-D Otsu方法对肤色相似度图像进行2值化处理。对这种方法进行了理论分析和实验验证。结果表明,该肤色分割算法有效地克服了使用固定阈值法进行图像分割时缺乏针对性和抗噪性的缺陷,该算法是可行的。     

基于邻域空间特征的低对比度小目标分割算法

低对比度图像具有邻近像素的空间相关性高、灰度变化不明显等特点,从中分割出微小目标是非常困难的。本文提出一种新的低对比度图像提取小目标的分割算法,通过引进局部均匀度,结合局部熵获得空间分布状态,对低对比度图像进行分割,该算法充分利用了目标图像的灰度和空间属性。实验结果表明,该方法能有效地实现低对比度小目标图像的分割。相对于其他算法,分割精度更高,且抗噪性强,可以有效地降低过分分割问题。     

多尺度马尔科夫随机场在基于高分辨率合成孔径雷达影像的城市地物分类中的应用

本文通过基于多尺度马尔科夫随机场模型的最大似然算法及基于传统马尔科夫随机场势函数的像素间Gabor相似方法,使用迭代条件模型对影像进行分割,使用K均值分类算法对分割后的影像进行分类,选择北京市通州区作为研究区,使用上述方法对多幅该区域的高分辨率合成孔径雷达影像进行了分类,新方法可以实现优于传统算法的分割精度,能够清晰区分建筑物之间的边界。     

Segmenting object with ambiguous boundary using information theoretic rough sets

In image segmentation, image is divided into regions of similar pixels that satisfy a defined notion of similarity. The complexity of image segmentation is further increased when the separation between neighboring regions is ambiguous. In this paper, we propose an approach that uses the information theoretic rough sets concept (ITRS) to model the ambiguous boundary of the object for further segmentation. The advantage of this approach is incorporating the prior knowledge of the object for effective extraction despite its ambiguous boundary. This approach starts with an assumption that seed points of the regions are available. It then computes the probability of association of the pixels with the seed points. Rough sets theory is invoked on this probability or likelihood map to identify positive, negative, and boundary states of the object. Optimal threshold for the boundary region is determined using histogram based segmentation algorithm for final object extraction. The main contribution relies on the application of ITRS in categorizing the object by combining both the prior and image information. The proposed approach, ITRS segmentation, is compared with different image segmentation methods on simulated brain images, and the result is encouraging with its state-of-the-art performance.     

基于遗传模糊C-均值与概率松弛法的图像分割研究

在利用遗传模糊C-均值对图像像素进行初步分类的基础上,采用概率松弛算法对目标与背景间的疑似像素进行进一步分割和目标提取,很好地解决了目标提取不完整的问题,实验结果表明,该算法具有良好的特性.     

基于颜色和空间特征的图像检索

在环形颜色空间划分和颜色视觉关注度的基础上,提出一种新的基于颜色和空间分布特征检索算法.首先,在HSV色彩空间下进行颜色量化并计算每种颜色的质心,进行环形颜色空间分割.然后计算各环形颜色空间直方图,在此基础上计算图像的空间颜色分布矩.同时计算各种颜色对应像素的平均视觉关注度,以此作为该颜色特征的视觉关注特征.最后对特征向量进行高斯归一化,采用特征向量的L1-norm距离计算彩色图像的相似度并进行图像检索.实验结果表明,本文算法比SCH及Geostat方法具有更好的检索效果.     

基于概率神经网络改进的GrabCut算法

针对GrabCut算法在分割图像时效率低,且容易出现欠分割与过分割的问题,提出了一种基于概率神经网络(PNN)改进的GrabCut(PNN_GrabCut)算法。该算法用PNN模型替换GrabCut算法中的高斯混合模型(GMM)进行t-links权值计算,以提升算法的计算效率;通过构建前景和背景直方图,选取像素值出现频率较高的像素作为PNN模型的训练样本,以提高算法的分割精度。在公开的ADE20K数据集中选取图像进行分割实验,结果表明,PNN_GrabCut算法的分割精度优于其他对比算法,且效率较高。对前景与背景相似度高的图像进行分割实验,结果表明,PNN_GrabCut算法的分割精度明显高于GrabCut算法。     

Expectation–maximization algorithm with total variation regularization for vector-valued image segmentation

We integrate the total variation (TV) minimization into the expectation–maximization (EM) algorithm to perform the task of image segmentation for general vector-valued images. We first propose a unified variational method to bring together the EM and the TV regularization and to take advantages from both approaches. The idea is based on operator interchange and constraint optimization. In the second part of the paper we propose a simple two-phase approach by splitting the above functional into two steps. In the first phase, a typical EM method can classify pixels into different classes based on the similarity in their measurements. However, since no local geometric information of the image has yet been incorporated into the process, such classification in practice gives unsatisfactory segmentation results. In the second phase, the TV-step obtains the segmentation of the image by applying a TV regularization directly to the clustering result from EM.