基于最小生成树的图像分割

基于最小生成树思想,给出了一种利用改进的最小生成树进行图像分割的方案,减少了最小生成树的构建过程,对初分割的结果利用NNG算法进行合并。该方案节约了分割时间,并且对分割后的图像进行了有效的合并,达到了较好的分割效果。

一种新的基于网格编码和区域合并的SAR图像快速分割算法

该文建立一种新的基于八邻域网格编码的SAR图像分割模型,并用区域合并技术实现了模型的快速求解。利用多方向比例边缘检测算子提取SAR图像的比例边缘强度映射(RESM),提出一种新的阈值处理方法抑制RESM均质区域内部的极小值,进而减少了对阈值处理后的RESM进行分水岭变换获得的初始分割的区域个数。递归地合并相邻区域来求取分割模型的次优解。利用区域邻接图(RAG)及其最近邻图(NNG)特性来加速区域合并过程。引入精确度(P)和召回率(R)来评价分割算法的边缘定位精度。与常用方法相比,该文方法具有高的边缘定位精度和低的时间复杂度。

基于简单线性迭代聚类和快速最近邻区域合并的图像分割算法

针对传统区域邻接图在描述数据结构时,搜索全局最优解难的问题,提出了一种基于简单线性迭代聚类(SLIC)和快速最近邻区域合并的图像分割算法。该方法在区域邻接图基础上引入了最近邻接图来优化全局搜索,首先用SLIC超像素算法将图像分割成小区域,利用区域邻接图(RAG)和最近邻接图(NNG)的邻接表数据结构来描述区域之间的关系,然后计算每个待合并区域与其所有邻接区域之间的不相似度函数值,最后合并不相似度值最小的区域。实验结果表明:本文方法能较好地将最相似的区域进行合并,与传统的区域合并算法相比,降低了合并计算的复杂度,大幅度提高了区域合并的准确性。

基于边缘概率的层次交互式图像分割算法

在基于区域合并的分割算法中,超像素分割算法过分割现象严重,不利于后续区域合并操作。文章提出了一种新颖的基于边缘概率的层次交互式图像分割算法。首先,利用一种性能优异的边缘检测算子(structured edge,SE)作为输入,得到边缘概率图,并作用于超像素分割算法进行超像素的提纯,相比于原始的超像素分割算法,该方法产生的超像素数量较少;其次,选用归一化的颜色直方图对超像素进行特征描述;最后,采用区域邻接图(region adjacency graph,RAG)和最近邻图(nearest neighbor graph,NNG)实现快速、高效的层次区域合并。仿真实验结果表明,该文方法的鲁棒性、分割质量更具有优势。

基于标签传播半监督学习的电压暂降源识别

针对带标签(类别已知)的电压暂降历史样本数据有限且不易获得的情况,引入基于标签传播半监督学习的电压暂降源识别方法。首先从电压暂降信号中提取了五类暂降信号特征,建立了K-近邻图模型,并实现了图模型上的标签传播。分析了图模型参数k、α对标签传播结果的影响,同时与神经网络、最小二乘支持向量机等监督学习算法的识别结果进行了对比。仿真结果表明,在历史数据较少的情况下,标签传播算法比传统监督学习算法具有更高的识别准确率且实时性好。