基于图像显著性检测的图像分割

图像分割在许多图像处理和机器视觉问题中是一个非常重要的过程,是将一幅图分割成几个显著的区域,然而不能将其中最显著的目标直接分割出来,需要进一步处理。为此本文采用显著性检测的算法实现了对目标的分割。显著性区域检测可以应用于目标检测、图像检索、图像分割等机器视觉问题。使用杨等人提出的基于图论的流形排序算法检测显著性算法得到显著性图,再结合mean-shift分割算法,实现了对视觉显著性目标分割提取,可获得可观的图像分割结果,并将此算法应用到了森林火灾检测中,能对图像中的火焰部分进行有效的分割提取。     

基于视觉显著性的非监督图像分割

交互式的图像分割算法需要用户输入先验信息,从而增加了算法的时间复杂度和用户的负担。提出了基于视觉显著性的非监督图像分割算法。该算法首先通过均值漂移算法先对图像进行预处理,将图像过分割成互不重叠的小区域。这些区域采用区域邻接图表示,当两个区域相邻时对应的节点之间存在边。其次,通过计算各个区域的颜色相异性和纹理一致性,得到相邻区域之间的合并概率。再次,根据区域的颜色和空间位置信息,定义每一个区域的显著性指标,选择最大显著性指标对应的区域作为目标种子区域,图像边缘区域中显著性指标最小的区域作为背景种子区域。最后,基于最大相似性合并策略,对与种子区域相邻的且合并概率最大的区域进行合并。实验表明,所提算法 不需要先验信息,且可以得到较好的分割效果;与非监督图像分割算法相比,所提算法可以避免过分割。     

基于视觉显著性与PCNN的图像分割算法

针对射线缺陷检测图像对比度低、缺陷边缘模糊、噪声多、存在较大的背景起伏等缺点,传统缺陷检测方法难从焊缝缺陷图像中提取出对比度较低的目标缺陷的问题,该文提出了结合视觉显著性与脉冲耦合神经网络（PCNN）的缺陷分割算法。首先,利用LC算法对射线检测图像进行显著性区域检测,得到反映图像不同区域显著程度的显著图;其次,将所得到的显著图作为简化PCNN的输入图像,并利用最小交叉熵分割出感兴趣区域。实验结果表明,相较于传统的最大类间方差（Otsu）算法和脉冲耦合神经网络算法,采用该算法分割缺陷的效果较好,其分割边缘与细节信息的清晰度高,采用该算法分割缺陷的效果有较大提升。     

应用改进视觉显著性度量方法进行图像分割

视觉注意机制是人类与生俱来的特有属性.在视觉注意机制的协助下,人类视觉系统可以有选择性地针对视觉信息进行处理并有效解决有限信息处理资源与海量视觉信息之间的矛盾.与现有基于计算机视觉机制的图像分割方法比较,本文提出改进视觉显著性度量方法生成的系统显著图能够更加准确表现原始图像中各个像素点的显著性值,根据系统显著图进行阈值分割便可以对前景目标和背景区域进行区分,不需要加入其他方法,这样既可以降低运算时间复杂度,又可以使得图像分割结果更符合人类视觉特点.本文算法对于包含前景目标可得到优良的图像分割结果,但本方法对于背景较复杂同时前景目标模糊的原始图像的图像分割效果不够理想.     

基于条件随机场和图像分割的显著性检测

针对当前常见的显著性方法检测得到的显著性区域边界稀疏不明确、内部不均匀致密等问题,提出了一种基于条件随机场(Condition random field, CRF)和图像分割的显著性检测方法.该方法综合利用边界信息、局部信息以及全局信息,从图像中提取出多种显著性特征;在条件随机场框架下融合这些特征,通过显著性区域与背景区域的区域标注实现显著性区域的粗糙检测;结合区域标注结果和交互式图像分割方法实现显著性区域的精确检测.实验结果表明本文提出的方法能够清晰而准确地提取出图像中的显著性区域,有效提高显著性检测精度.     

利用视觉显著性的图像分割方法

提出一种利用视觉显著性对图像进行分割的方法。首先提取图像的底层视觉特征,从局部显著性、全局显著性和稀少性3个方面计算各特征图像中各像素的视觉显著性,得到各特征显著图;对各特征显著图进行综合,生成最终的综合显著图。然后对综合显著图进行阈值分割,得到二值图像,将二值图像与原始图像叠加,将前景和背景分离,得到图像分割结果。在多幅自然图像上进行实验验证,并给出相应的实验结果和分析。实验结果表明,该方法正确有效,具有和人类视觉特性相符合的分割效果。     

结合显著性的主动轮廓图像分割

传统的主动轮廓方法无法突出分割区域的显著性,同时在由显著性检测算法所得到的显著图中目标具有较高的信噪比,因此提出结合显著性的主动轮廓图像分割.通过线性光谱聚类分割得到超像素,以超像素为处理单位利用基于图论的流形排序算法获得较好的显著图;将高斯混合模型引入到主动轮廓的曲线演化过程中,计算曲线内外的平均灰度值,从而通过高斯...     

基于视觉显著性与霍夫森林的腰椎间盘定位与分割

为了对腰椎疾病的计算机辅助诊断提供腰椎间盘的具体位置和形状信息,提出一种基于CT图像的腰椎间盘定位与分割算法.首先针对腰椎CT图像中骨骼干扰较多、背景纹理复杂的特点,使用小波分解获得局部特征,并引入独立元分析方法将高维特征空间分解为相互独立的多个一维特征空间,提出基于视觉显著性检测的腰椎间盘区域预选取算法,实现了小波特征的概率密度估计,并生成了腰椎间盘显著性分布图;然后提出基于显著性分布与方向信息测度相融合的局部样本随机提取算法,同时设计了面向稀疏特征的弱分类器来提高随机森林的分类准确性,从而实现腰椎间盘区域的精确定位与分割.实验结果证明,该算法能够有效地提高腰椎间盘检测的准确率与计算速度.     

基于显著性分割的图像抽象化

图像抽象化的目的是增加具有特定目标的信息,并过滤掉一些不相关或不重要的信息。为进一步提高图像的卡通风格化效果,提出一种基于显著性分割的图像抽象化算法,增强前景物体区域的可视特征,同时去除背景区域的无关细节。采用频率调谐算法获得显著度图,利用Mean-Shift分割算法检测出整个前景区域,与双边滤波和基于流场的边缘检测结合获得抽象化图形,通过软量化方法使产生的风格化图像更具有层次感,并以此为基础对图像进行非均匀的抽象化处理。实验结果表明,该算法能够有效地产生前景特征增强的非真实感图像,使结果图像的前景主题更加突出。     

结合显著性检测和中心分割算法的文本检测方法

针对复杂背景下的文本检测问题,提出了显著性检测与中心分割算法相结合的文本检测技术。对于输入的图像,首先分别使用前景与背景作为标准的显著性检测方法,背景检测时将图像的四边分别作为基准,前景检测时将背景检测中得到的非背景区域作为基准,最终可得到较准确的备选文本区。然后使用中心分割算法,得到精确的边缘图。由于显著性图备选区域准确边缘细节缺失,而边缘图边缘精确但无法得出备选文本区,因此将两者进行融合处理,得到最终文本区域。实验表明,所提出的方法有较好的检测效果。     

基于视觉显著图的异性纤维彩色图像分割方法

为实现对棉花异性纤维自动视觉检测系统采集的彩色图像的精确分割,提出了基于视觉显著图的异性纤维彩色图像分割方法.通过计算颜色显著图,实现彩色异性纤维目标的识别;通过计算亮度显著图,实现灰色异性纤维目标的识别;将彩色和灰色目标进行融合,得到全部异性纤维目标.实验结果表明,该方法可以准确分割出异性纤维彩色图像中含有的各种异性纤维目标.通过比较发现,该方法在分割精度上明显优于其它方法,可以实现对异性纤维彩色图像的精确分割.     

基于图像分割的目标检测方法对比研究

奶牛行为识别过程中,奶牛目标精准检测是重要前提。一般的奶牛目标检测采用纹理和颜色信息进行识别,对于长时间静止和复杂背景干扰的目标存在目标丢失和检测不精准问题。针对上述问题,文章将图像分割方法和区域面积剔除方法相结合,实现复杂环境下的静止奶牛目标检测。实验结果表明,该方法达到97.4%的识别率。     

一种基于颜色和纹理的显著性目标检测算法

视觉显著性检测是很多计算机视觉任务的重要步骤,在图像分割、自适应压缩和识别物体方面都有很重要的应用。提出了一种基于HSV颜色、纹理特征和空间位置关系相结合的显著性检测算法。该方法先将图像分割成小的图像片以获取图像的局部信息,结合图像片颜色的独特性和空间分布的紧凑性计算得到颜色显著图;同时利用Gabor滤波器对图像进行不同尺度和方向地滤波得到纹理特征向量,然后对特征向量计算纹理差异得到纹理显著图;最后将二者结合得到最终显著图。实验结果表明,该方法在检测效果和抗噪能力等方面均可获得较为满意的结果。     

森林病虫害监测中的无人机图像分割算法比较

以错分率、相对最终测量精度以及运行时间为评价标准,利用无人机采集的油松及沙棘正射图像为测试图像,对6种基于像素聚类及分水岭的图像分割算法的性能进行了定性分析及定量比较。实验结果表明,受灾林区图像的分割算法的性能与图像拍摄高度、噪声等因素密切相关。最后,给出了受灾林区无人机正射图像分割算法应用的指导性建议。     

基于自适应分割和立体视觉的快速障碍检测

首先实时提取参考路面的平均色度值,对图像进行自适应分割,初步划分出可疑障碍区域;然后选取可疑障碍区域的对角线,利用立体视觉的方法进一步检测出障碍区域.证明了两摄像机平行放置时左右图像中区域对角线的对应关系,在此基础上进行匹配计算.该方法能适应光照条件变化,提高立体视觉算法速度,实验结果表明了该方法的有效性和可靠性.     

基于小波变换与等价空间的无人机作动器故障检测

基于等价空间的故障检测可实现残差对初始状态与输入全解耦,在实际工程系统中取得了广泛应用.然而,为了确保故障诊断系统性能,高阶的等价空间导致残差在线计算量大,且制约了可检测故障信号的频率范围.本文提出一种基于小波变换与等价空间结合的无人机作动器故障检测方法,将故障检测问题归结为小波基函数选取和等价空间向量的优化设计,使产生的残差信号满足了干扰鲁棒性与故障灵敏性比率型性能指标的最小化,并通过引入平稳小波变换对残差进行多尺度滤波,利用小波变换的时频局部化特性和快速算法,在满足故障检测系统性能的前提下有效降低了等价空间阶数,一定程度上实现了较宽频率范围内作动器故障信号的检测,克服了传统等价空间方法的不足.最后,以无人机作动器故障检测为例,通过仿真实验验证了本文方法的有效性.     

基于边缘检测的多文本页图像分割方法

图像分割是图像处理中最困难的问题之一.针对光学字符识别(optical character recognition,OCR)系统的要求,提出了一种基于边缘检测的多文本页图像分割方法.先检测出由图像中边缘点构成的边缘直线,然后寻找出图像中每个文本页的4条边缘直线所构成的边界矩形,从而可将每个文本页准确分割出来.实验表明,该方法具有较快的速度和很高的正确率,是一种有效的方法.     

基于边缘检测与分裂合并的图像分割算法

针对传统分裂合并算法容易产生方块效应与过分割的缺点,提出了一种结合边缘检测和分裂合并的图像分割算法.该算法直接利用图像的边缘信息进行分裂,不断将图像分裂为一些不规则形状的一致性区域,然后根据一定规则将相似的区域合并.实验表明,该算法能大幅减少分裂次数,并有效克服方块效应和过分割等缺点,图像分割效果较好.     

基于对称性的快速车辆检测方法

提出了一种基于车辆边缘对称性和水平阴影的快速车辆检测方法.通过利用被检测图像减去道路背景图像的方法对被检测图像进行预处理,以最大限度去除背景图像中车道线等大量干扰,突出车辆图像,对图像分别做Sobel垂直和水平边缘检测.把垂直边缘图像分割放缩成远景、中景、近景3幅大小相同的图像,利用车辆对称性对分割放缩后3幅图像对称性进行检测,确定图像中所有车辆在图像中的水平位置.同时在水平边缘检测的图像中,利用水平阴影和汽车底部水平边缘确定汽车的垂直位置.实验结果表明,该方法简单、有效,能快速、精准地检测出汽车图像中所有的不同位置和不同大小的车辆.