简单线性迭代聚类的超像素算法

当前,图像分割处理中存在过程繁琐、效率低下等问题,加上图像超像素形状及大小不均等影响因素,难以适应高性能计算要求。基于此,本文提出了简单线性迭代聚类改进算法。首先预处理获得像素信息,减少算法执行过程中的计算耗时;其次,通过一系列算法优化,降低访存时间,使其更有利于后续并行化的操作;最后依据像素点的处理之间互不产生依赖的情况,使用向量化和并行化的手段,对算法进行整体加速,进一步提升算法效率。实验结果表明,本文提出SLIC改进算法相比基准模型,在计算速率和算法性能方面得到提升。     

基于半监督的超像素谱聚类彩色图像分割算法

近年来谱聚类算法被广泛应用于图像分割领域,而相似性矩阵的构造是谱聚类算法的关键步骤。 针对传统谱聚类算法计算复杂度高难以应用到大规模图像分割处理的问题,提出了基于半监督的超像素谱聚类彩色图像分割算法。该算法利用超像素将彩色图像进行预分割,利用用户提供的少量标记信息构造预分割区域的基于半监督的模糊相似性测度,利用该相似性测度构造预分隔区域的相似性矩阵并通过规范切图谱划分准则对预分割区域进行划分得到最终的图像分割结果。由于少量标记信息和模糊理论的引入,提高了传统谱聚类的分割性能,对比实验也表明该算法在分割效果和计算复杂度上都有较大的改善。     

多特征-谱聚类的SAR图像溢油分割

经典的K聚类算法,并不适合实现任意形状的聚类,而且有容易陷入局部最小值的不足.提出基于多个纹理特征的谱聚类算法,该方法用灰度共生矩阵(GLCM)提取合成孔径雷达 (SAR)图像的多个特征值,构建谱聚类的特征矩阵,并依据规范切准则,用K均值聚类的方法对拉普拉斯矩阵的第二小的特征值对应的特征向量进行聚类,实现基于SAR图像的溢油的分割.新方法与传统的K聚类方法比较,可以减少相干斑噪声对分割结果的影响,较好的保持图像边缘.仿真结果显示,该算法对于相干斑噪声影响较大的图像具有较强的鲁棒性.     

基于自适应超像素分割的点刻式DPM区域定位算法研究

为解决点刻式直接零件标志(Direct part mark, DPM)码基本单元分割困难、区域定位欠精确等问题, 提出使用超像素分割和谱聚类相结合的算法,对含有DPM区域的图像进行初步分割和精确定位. 首先为提高超像素分割的准确、快速和完整性,本文利用近邻传播聚类思想实现自动聚类得到超像素区域, 并引入边缘置信度调整超像素边缘,形成自适应边缘简单线性迭代聚类 (Adaptive edge simple linear iterative clustering, AE-SLIC)算法. 该算法改进了简单线性迭代聚类(Simple linear iterative clustering, SLIC)超像素分割算法存在的未明确界定超像素区域边缘信息和分割数目无法自适应确定等问题; 其次,将超像素作为谱聚类中图的顶点进行二次聚类, DPM区域内超像素因相似度高而被聚集为一类, 从而完成点刻式DPM区域的精确定位.经实验测试和分析,本文算法得到的超像素分割结果在完整性、 运算复杂度等方面优于常见的超像素分割算法.与基于像素点运算的传统定位算法相比, 本文算法具有良好的实时性、定位准确率和鲁棒性.     

一种新的基于超像素聚类的图像分割算法

本文提出了一种使用具有噪声的基于密度的聚类方法进行超像素聚类来提高图像分割准确性的方法,首先以较低计算成本得到超像素分割,然后我们再利用密度聚类的原理将相关联的超像素聚集到一起,利用超像素对图像边缘信息的准确分割,来提高图像分割的准确性。我们在构建图形时使用局部邻域将算法应用于分割中,并利用DBSCAN既可以适用于凸样本集,也可以适用于非凸样本集的特性对超像素进行聚类分析。将所有各组紧密相连的样本划为各个不同的类别,则我们就得到了最终的所有聚类类别结果。该方法的一个重要特征是其能够在像素点密度大过某个阈值时,保留图像区域中的细节。     

基于区域协方差的图像超像素生成

图像分割是指将图像分割成一些互不重叠的区域,各区域内部具有相同或相近的某些特定属性,而不同区域之间的属性则相差明显。在图像处理的许多应用中,由于像素级处理的方法因图像数据量庞大、运算规模较大而需要耗费大量的运行时间,因此对图像进行超像素分割预处理是很有必要的一个步骤。基于区域协方差分析,提出了一种新的像素块相似度度量方法;基于像素块相似度度量提出了一种图像超像素生成的鲁棒方法。该方法首先利用K-means算法对输入图像 进行初始聚类分割成若干小区域,对每个小区域利用区域协方差矩阵描述其特征信息;然后利用小区域块之间的区域协方差距离来构造相似度矩阵,结合Graph-based与K-means方法对区域块聚类生成图像超像素。与其它方法相比,该方法在生成较紧凑超像素的同时能更好地保持图像边缘特征信息,改善了图像欠分割错误,减少了不必要的过分割现象。将图像超像素生成方法应用于图像风格化中可以快速生成油画风格的风格化图像。     

结合卷积神经网络和超像素聚类的细胞图像分割方法

针对细胞图像尺寸大、细胞形状各异,导致从图像中分割出精准的细胞十分困难的问题,以卷积神经网络为基础,结合染色校正方法和简单线性迭代的超像素聚类算法,提出了一种新的结构来进行细胞图像分割。首先,利用染色校正方法对细胞图像进行预处理,提高图像的颜色对比度;然后利用卷积神经网络获得初步分割结果;最后再将简单线性迭代聚类获得的超像素边界信息反馈到初分割图像上进行改进提升。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,本文提出的算法细胞分割准确率达到了92.72%,与经典卷积神经网络、阈值分割等其他细胞分割算法相比,具有更好的分割效果。     

基于边缘信息的RGB-D图像超像素分割算法

针对简单线性聚类算法（SLIC）中需要初始预设超像素个数和大量重复聚类计算的问题,提出一种基于边缘信息的RGB-D图像超像素分割算法。利用各向异性高斯核提取彩色图像中边缘强度信息,在此之上,自适应地提取图像的初始聚类中心。仅对位于图像边缘附近的像素点进行重新聚类标记计算,这种策略在保证聚类准确的同时,大大降低了重新聚类计算的复杂度。同时,本文提出一种基于边缘信息的距离度量准则来度量两个像素点之间的空间距离。在公开的图像数据集上的实验结果表明,相比其他几种算法,本文算法的分割结果更能反应出场景中物体的轮廓信息,而且算法效率更高。     

针对合成孔径雷达图像的新型LOG 边缘检测算法

传统LOG 边缘检测算法对合成孔径雷达图像进行边缘检测时,对噪声敏感,同时也 易损坏部分低强度边缘。针对这一问题,提出了一种新型的LOG 边缘检测算法,首先采用双边滤 波和自适应中值滤波来代替传统LOG 算子中的高斯滤波,再计算平滑后图像的拉普拉斯,最后提 取运算后的零交叉点作为图像的边缘。仿真实验表明,本文方法在脉冲噪声环境下具有显著的去噪 效果,而且能较好地保护边缘,提高了检测精度,相对传统LOG 算法具有更好地检测效果。     

基于内外边缘颜色特征的图像检索算法

算法的基本思路是提取边缘部分的颜色特征进行图像检索,将边缘分为内外边缘区别对待,加大内边缘（对应目标部分）的比重,通过多尺度多结构元的数学形态学方法实现。通过设置内外边缘的权重充分考虑了目标的重要性,克服了全局颜色直方图不能反映空间信息的缺陷。实验结果表明,该算法有效地提高了检索系统的效率。     

基于局部重要性采样的SAR图像纹理特征提取方法

合成孔径雷达（Synthetic aperture radar,SAR）图像因为相干斑现象和目标响应的空间变化呈现出一种纹理特性,局部二进编码等局部图像特征 在光学纹理描述中获得较好的结果,但光学纹理特征在描述SAR图像纹理特性中因为相干成像特性往往失效. 本文 在前期工作纹理特征框架的基础上,提出了一种局部重要性采样二进编码的SAR图像纹理特征（Feature extraction based on local important sampling binary,LISBF）描述方法：首先,利用样本图像对局部采样位 置进行随机自适应采样,基于重要性采样（Important sample,IS）方法输出递归学习位置结果;然后,利用学习出的纹理重要采样点对进 行二进特征编码;最后,通过映射和统计生成描述算子. 该特征较固定位置采样能够获取更大范围信息,同时能通 过采样避免特征维数的急剧增大;通过自适应学习重要性关键点较随机采样 更容易捕捉纹理固有信息;较好地适应了SAR图像极低信噪比和斑点现象的纹理. 本文将该特征用于真实图像和标准纹理库的分类研究,实验结果证明了该特征的有效性.     

一种改进的Nystrom谱聚类图像分割算法

基于图论的图像谱分割是近年来研究热点。本文针对在高分辨率图像的分割中,相似度矩阵和拉普拉斯矩阵的构造数据量大,比较耗时的缺点,提出用基于方差增量的Nystrom方法有效减少矩阵规模,并且采用基于余弦相似度构造权值矩阵,避免了传统的利用高斯公式需人工选择尺度参数。最后,通过在Berkeley图像库上的图像分割实验表明了本算法的可行性和有效性。     

基于归一化灰度Hough变换的SAR图像舰船尾迹检测算法

舰船尾迹检测作为近年来SAR图像海洋应用的一个重要方面而受到关注。目前大多数研究都是利用Radon变换作为数学工具，结果得到增强的是尾迹特征，而不是尾迹的端点。从提取尾迹的端点坐标出发，在传统Hough变换算法基础上进行改进，提出了基于归一化灰度Hough变换的SAR图像舰船尾迹检测算法，并推导出尾迹端点反演算法，同时自动提取舰船的航速，取得了较好的实验结果。     

SAR图像线特征提取方法的仿真

雷达图像的线条特征提取算法一般分为三步:首先作图像预处理,然后采用特定的边缘检测算子提取边缘点,最后形成各种有意义的线条特征。本文采用两步检测算子来直接检测边缘点,不需要对图像进行预处理。首先用比率线探测器对SAR图像进行线特征的提取,然后用互相关探测器进行提取,最后融合二者的结果。本文对该算法进行仿真,证实了该算法能够很好的提取图像的线特征。     

基于边缘和颜色特征的图像检索技术

提出了一种综合运用边缘和颜色特征进行图像检索的方法.该方法首先利用Matlab实现基于数学形态学的多结构元的边缘提取,并通过圆环划分法在HSV空间上量化得到颜色直方图,然后根据边缘和颜色特征的不同特性,采用不同的分块方法提取图像特征,突出了目标重要性的同时又兼顾了颜色的旋转不变性.本文根据该方法设计并实现了一个基于边缘和颜色特征的图像检索系统.实验结果表明,综合运用边缘和颜色特征进行图像检索,可显著提高图像检索系统的查全率和查准率.     

引入坐标映射原理的弹载SAR图像几何校正算法

针对弹载合成孔径雷达(SAR)在下压阶段采用频谱分析(SPECAN)算法时所得到的SAR图像存在几何失真的问题,提出一种基于坐标映射思想的高精度弹载SAR图像几何校正算法.首先根据弹载SAR下压阶段的三维几何关系建立点目标的回波模型;然后详细分析了适于下压阶段SPECAN算法的坐标映射原理,通过将SAR图像坐标系上的点逐一映射到空间地距坐标系中完成几何校正.仿真实验结果表明,文中算法是有效的,误差分析结果也表明该算法比其他算法精度高.     

基于数据融合的SAR图像目标识别算法

目前卷积神经网络已经在SAR目标识别领域得到了广泛应用,然而,由于SAR图像的目标样本数量过少,以及图像相干斑噪声的存在,使得网络不能充分的学习样本深层特征,对网络的识别性能会造成一定的影响.针对上述问题,提出一种基于数据融合的目标识别方法,算法首先对原始图像分别进行噪声抑制和边缘信息提取处理,然后将处理后的两类特征信息进行数据融合,将单通道灰度图像融合扩充至双通道图像来作为训练样本,同时构建了一个高低层特征融合的卷积神经网络模型,使用注意力机制来加强了对有用特征的学习,实验结果显示,该方法在MSTAR数据集上,表现了对不同目标型号的优秀识别效果.