融合区域合并和Graph Cuts的彩色图像分割方法

针对使用Graph Cuts方法对图像进行分割极大影响分割精度这一问题,提出了一种新的融合区域分级合并和Graph Cuts的彩色图像分割算法。该算法首先使用均值漂移算法对图像进行初始分割,将原图像分割为具有较好边界的同质区域;然后,通过计算区域相似度对区域进行分级合并,之后构建精简的加权图,并使用Graph Cuts进行分割。多幅彩色图像的分割实验结果证明,所提算法具有较好的分割效果。     

一种基于Graph Cuts的多尺度乳腺肿块分割方法

提出一种基于Graph Cuts的多尺度乳腺肿块自动分割方法.首先,应用区域统计融合方法对图像进行粗分割,将得到的粗轮廓作为后续Graph Cuts分割的初始轮廓.在迭代优化阶段,引入多尺度分析方法,以高斯金字塔分解得到的多尺度图像序列代替固定尺度的原始图像序列估计高斯混合模型(GMM)参数,将粗糙尺度的易分割性与精细...     

图割与非线性统计形状先验的图像分割

提出一种图割与非线性统计形状先验的图像分割方法。首先,在输入空间对输入的形状模板进行配准,得到训练集;其次,采用非线性核函数将目标形状先验映射到特征空间进行主成分分析,获取其投影形状,将此投影形状映射回原输入空间得到目标的平均形状,构成新的能量函数;第三,通过自适应调整形状先验项的权值系数,使能量函数的形状先验项自适应于被分割的图像;最后,用Graph Cuts方法最小化能量函数完成图像分割。实验结果表明,该方法不仅能准确分割与形状先验模板有差别的图像,而且对目标有遮挡或污染的图像也有较好的分割效果,提高了分割效率。     

基于SIFT特征和图割算法的图像分割方法研究

图割算法是图像分割方法中的一种高效的最优化计算方法,针对图像中目标物体的旋转尺度光照变化导致的分割不准确问题,提出了一种基于SIFT(Scale-Invariant Feature Transform)特征的图割(Graph Cuts)算法;该方法将SIFT特征的尺度旋转不变性和图割算法的准确快速性结合在一起,通过提取图像中物体SIFT特征点做为图割算法的种子点,求解最小能量函数快速从而获得该图像的最优分割;实验结果表明,该方法鲁棒性较好,能准确地分割出目标物体在图像中的轮廓。     

基于双随机场能量函数的区域化图像分割*

为了提高图像分割算法的抗噪性,并充分利用特征场和标号场在能量函数分割模型中的作用,提出基于双随机场能量函数的区域化图像分割方法.首先,利用几何划分将图像域划分为一系列子区域.在此基础上,采用多值高斯分布的负对数定义区域化特征场能量函数,用于描述同质区域内像素颜色的统计分布一致性.扩展传统建模邻域像素标号关系的Potts模型至邻域子区域,定义区域化标号场能量函数,用于表征各子区域标号之间的相关性.联合特征场和标号场,采用KL散度定义异质性能量函数,用于刻画同质区域间颜色统计分布异质性.利用非约束吉布斯表达式将定义的特征场和标号场能量函数转换为描述图像分割的概率分布函数.最后,在最大化上述概率分布函数准则下,设计合适的M-H采样算法,获得最优图像分割.在合成图像、遥感图像和自然纹理图像上进行分割实验,验证文中方法的有效性和准确性.     

基于改进的压入与重标记算法的图割在GPU上的实现

Graph Cuts一直是应用于图像处理领域的一种重要方法。近些年特别在CUDA出现后,图像处理器逐渐成为能够编程的高层次多核心并行处理器。在GPU高性能计算平台上并行实现基于压入与重标记算法的Graph Cuts能够提高算法的运算性能,对于扩大Graph Cuts在图像处理领域的应用范围很有研究价值。首先将压入与重标记算法在GPU上进行并行化,通过CUDA的纹理内存技术来优化和改进并行化地压入与重标记算法的Graph Cuts。最后经实验证实,改进使算法性能得到有效提高。     

快速模糊C均值聚类的图像分割方法

模糊C均值(FCM)聚类算法广泛应用于图像的自动分割,但标准的FCM算法存在计算量大,运算速度慢等问题。对FCM算法进行改进,提出了一种快速FCM图像分割算法(FFCM),该算法将图像从像素空间映射到其灰度直方图特征空间,并在此基础上,充分利用像素的邻域特性,对隶属度函数做一定改进,实验结果表明该算法能快速有效地分割图像,并具有较好的抗噪能力。     

统计相似度特征的医学图像分割

基于偏微分方程和图论两类图像分割方法的一个共同之处是将分割问题转换成了能量函数的模型建立及其最优化过程。从这一共同点出发,将图像的局部统计分布特征和Bhattacharyya相似度信息相结合并引入到测地线主动轮廓模型(GAC)和图切分(GC)模型的能量函数构造中。改进后GAC算法相当于为模型引入了一个基于似然比检验的回拉力,可有效阻止弱边界处泄露;基于非参数估计的能量函数构造更适用于小样本和分布函数不恒定的情况,使得改进GC模型更完整地提取图像目标的细节部分。将改进GAC和GC模型应用至膝关节MRI序列分割,提出完整分割各骨骼与半月板等结构的框架。在实验与分析部分,进行了定量与定性的实验对比。对噪声与局部体效应影响下的膝关节MRI序列及其他医学图像的实验,结果表明本文方法能够有效提高分割精度。     

基于灰度空间特征的模糊C均值聚类图像分割

模糊C均值(FCM)聚类算法广泛用于图像的自动分割,但是该算法没有考虑像素的灰度和空间特征,对噪声十分敏感.因此提出一种改进的算法,在传统的FCM聚类的基础上,运用邻域像素的灰度相似度和聚类分布统计来构造新的隶属函数,对图像进行聚类分割.该方法不仅有效地抑制了噪声的干扰,而且把错分类的像素很容易的纠正过来.对两种类型的含噪图像的实验结果表明该方法对噪声具有很强的鲁棒性和对像素聚类的正确性.     

基于模糊C均值与Markov随机场的图像分割

针对传统模糊C-均值(FCM)图像分割算法没有考虑图像空间连续性的缺点，提出一种改进的空间约束FCM分割算法。该算法引入了Markov随机场理论中类别标记的伪似然度近似策略，将像素特征域相似性同空间域相邻性有机地结合起来，给出了新的像素样本聚类目标函数。实验证明，该算法能大大提高分割性能并改善分割的视觉效果。     

基于局部渐进图割的印刷电路板图像分割

针对图割算法对灰度不一致且结构复杂的印刷电路板(PCB)图像不能有效分割的情况,提出一种新的交互式局部渐进图割方法。通过分析用户交互过程中提供的信息生成局部约束能量项,并将其融入图割模型中,其中局部约束能量项依据用户添加的种子点的位置、类型以及与前一次分割结果的相对位置等信息自适应地生成。通过对多组锥束计算机断层成像(CBCT)系统采集的PCB图像进行分割实验,结果表明与经典的图割算法相比,所提方法能得到更准确的分割结果、更好的可控性及用户体验     

Data-driven hair segmentation with isomorphic manifold inference

Hair segmentation is challenging due to the diverse appearance, irregular region boundary and the influence of complex background. To deal with this problem, we propose a novel data-driven method, named Isomorphic Manifold Inference (IMI). The IMI method assumes the coarse probability map and the binary segmentation map as a couple of isomorphic manifolds and tries to learn hair specific priors from manually labeled training images. For an input image, firstly, the method calculates a coarse probability map. Then it exploits regression techniques to obtain the relationship between the coarse probability map of the test image and those of training images. Finally, this relationship, i.e., a coefficient set, is transferred to the binary segmentation maps and a soft segmentation of the test image will be achieved by a linear combination of those binary maps. Further, we employ this soft segmentation as a shape cue and integrate it with color and texture cues into a unified segmentation framework. A better segmentation is achieved by the Graph Cuts optimization. Extensive experiments are conducted to validate effectiveness of the IMI method, compare contributions of different cues and investigate the generalization of IMI method. The results strongly encourage our method.     

层次式图切分快速分割算法

图切分（Graph Cuts,GC）是近年来兴起的基于图论框架的图像分割方法, 该理论的新颖之处在于它的全局最优性和结合多种知识的统一性。 但当图像较大时运算非 常耗时。该文提出了一种基于GC 的层次式图像分割方法。先在低分辨率中用GC 以较低的 分割代价获取粗尺度的初始分割,再将结果轮廓映射回高分辨率图像中并构造出窄带,进而 采用matting 思想,在窄带内获取精确分割。实验结果表明,本文方法在确保分割结果准确 性的同时,运算速度大幅度提高。     

基于图谱理论的FCM图像分割方法研究

利用图谱理论的思想对传统模糊C-均值(FCM)图像分割方法进行改进--将图谱理论中的权值计算方法引入到FCM方法的距离计算中,较之原来的Euclid距离不仅考虑了各样本空间上的距离,同时考虑了各样本之间的灰度差异,获得更适用于图像分割的模糊隶属度函数,从而得到改进的FCM图像分割方法。通过与传统FCM图像分割方法、基于图谱理论的图像分割方法的实验结果、错分概率及评价指标的对比分析,证明所提出的改进FCM方法能够很好地解决图像分割问题。     

动态图像特征空间的立体视觉匹配算法

提出图像特征空间概率分布参数时变的立体视觉匹配问题。立体视觉匹配算法通常是针对时不变提出的。因此,对于概率分布时变的图像特征空间而言,这些方法均不能有效地实现动态立体视觉匹配。针对这一问题,提出的方法是对图像分割边缘构建动态贝叶斯网,结合贝叶斯学习并充分利用其学习所获得的图像空间概率模型变化演进的规律,得到较准确、平滑地图分割的动态结果,以此作为基元间的对应性,在边缘区域进行置信传播,实现图像的动态立体视觉匹配。     

基于颜色和纹理信息的快速前景提取方法

近年来,研究者们提出了许多算法来处理前景提取和图像抽取问题.然而,这些算法存在许多共同缺点:需要三元图作为输入、计算时间过长、大部分算法仅仅使用颜色信息等等.在这篇文章里,作者提出了一种新的快速多层次前景提取办法.首先,应用一种改进的多层次图分割算法,将输入图像粗略地分割为前景和背景两个部分.然后,使用信念传播算法(belief propagation)估计前景/背景交界处像素的不透明度.不同于通常的信念传播算法,在平滑项和颜色项之外,作者通过构造灰度共生矩阵引人了纹理信息.鉴于数码相机图像的分辨率仍在持续快速增长,作者提出的多层次图分割算法可以在加速上述计算过程的同时,获得可以和当前许多算法相媲美的局部最优解.实验结果证明文中所提出的算法对于大尺寸图像尤其有效.     

基于尺度空间分析和概率松弛的细胞图像分割算法

提出基于直方图尺度空间分析和概率迭代松弛的混合方法分割背景复杂的细胞图像。首先根据原始图像直方图的尺度空间特性和多尺度滤波结果,选取最佳阈值将图像分为多个类。然后,利用迭代的概率松弛法对粗分结果进行优化,并在后处理阶段中切割粘连细胞。将该方法与最大方差法和区域增长法进行比较,通过实例表明该方法的有效性。     

基于改进C均值聚类的自适应图像分色算法

图像分色在纺织和印刷等行业中有着广泛而重要的应用，其目的是用尽量少的颜色来描述一幅真彩色图像，使得到的图像与原图像尽可能的接近。该文提出了一种基于改进C均值聚类的自适应图像分色算法。该算法首先随机产生一张颜色表，然后根据该颜色表对原图像的像素点进行聚类分析，产生初始分色图像。再根据C均值聚类的方法对初始聚类中心进行调整，生成新的分色图像，直到满足结束条件后结束算法。实验结果表明，该算法在大大减少原图像的颜色数量的同时基本保持分色图像的质量，是一种实用的分色方法。