基于Mean Shift随机游走图像分割算法

针对传统随机游走算法分割目标轮廓易受自然纹理背景干扰,并且算法运行效率低的问题,提出一种基于Mean Shift随机游走图像分割算法.首先应用Mean Shift算法对图像进行预分割,将图像分成许多同质区域,再将其代替经典随机游走算法中节点来建立对应的无向图;将彩色直方图作为区域描述算子,采用欧氏距离与高斯权函数相结合来建立区域间相似性权函数;最后应用离散电势理论计算图中节点间电势值,并根据节点电势值的大小对预分割得到的同质区域进行分类,以实现图像分割.实验结果表明,与传统方法相比,该算法在分割精度和运行效率上都有很大提高.

融合mean shift和区域显著性的彩色图像分割算法

提出了一种无监督的提取图像中显著区域的彩色图像分割算法。首先,运用meanshift算法对图像进行分割,得到初始的分割结果;然后,根据给出的区域显著性的定义和区域合并策略,对初始分割结果进行合并,得到最终的分割结果。仿真结果表明,对于大多数测试图像,该算法都能获得很好的分割结果,并且具有较高的运行效率。

血细胞图像分割的改进MEANSHIFT方法

根据血细胞图像的特点,采用一种基于改进的MEANSHIFT算法,对血细胞图像的G通道直方图和S分量直方图进行处理,自适应地得到白细胞核和其他区域的分割阈值,通过阈值分割将白细胞核从图像中分割出来,再通过后处理得到白细胞浆区域,从而实现白细胞的自适应阈值分割。在对MEANSHIFT算法进行改进后,阈值的获取自适应性更强,实验证明,这种自适应的阈值分割方法快速、有效,并且对于图像颜色变化、染色条件差异等鲁棒性强。

基于Mean-shift的棉花异性纤维图像分割

提出了一种基于均值平移(Mean-shift)算法和膨胀、滤波算法相结合的棉花异性纤维图像分割方法。选择具有代表意义的头发、麻绳和塑料布的灰度图像进行处理,首先对棉花异性纤维图像采用Mean-shift算法进行图像分割,然后对分割后的图像元素进行膨胀处理和滤波处理,实现棉花异性纤维图像的精确分割。实验结果表明,本文采用的图像分割方法具有较强的抗噪声能力,达到了比较满意的分割效果。

基于改进的Mean Shift方法的高分辨率遥感影像道路提取

遥感影像的道路提取长期以来一直是数字摄影测量未能解决的难题之一。本文在探讨了均值漂移、区域分割、边缘检测、轮廓跟踪的基础上,提出一种基于均值漂移和利用统计面积去除和合并小区域的道路提取算法,并采用数学形态学方法消除错误道路,利用轮廓跟踪法获取道路的边缘,实现道路的提取;通过与基于区域分割、边缘检测算法提取结果对比,结果表明,本文的算法进行道路提取的效果更好。

医学图像分割的无监督域适应研究综述

医学图像分割在医学图像处理领域中具有广泛的应用前景,通过定位和分割出感兴趣的器官、组织或病变区域,为诊断和治疗提供辅助信息。但不同模态医学图像之间存在域偏移问题,这会导致在实际部署时分割模型的性能大幅下降。域适应技术是解决该问题的有效途径,尤其是无监督域适应,因其不需要目标域标签信息而成为医学图像处理领域的研究热点。目前,针对医学图像分割的无监督域适应研究的综述报告相对较少,对近年医学图像分割的无监督域适应的相关研究进行了整理、分析和总结,并对未来进行了展望,希望帮助相关研究人员快速了解并熟悉该领域的研究现状及趋势。

基于分级mean shift的图像分割算法

实验发现传统mean shift算法进行分割时常会产生连接通道问题,使得几个分类簇之间无法完全分开.针对该问题,提出一种改进的分级mean shift图像分割算法,在初次迭代获得的聚类中心基础上采用不同的带宽矩阵进行多次聚类,从而获得不同级的聚类中心集合,并建立一个归属树结构,最终通过叶节点与根节点的归属关系进行归类从而完成图像分割.实验证明改进算法可以更好地保留图像的局部信息,同时具有较好的适用性.

用Mean Shift实现路面裂缝损伤自动识别与特征测量

针对道路裂缝损伤检测效率较低、安全性较差、数据标准化不够等实际问题,提出一种非监督方法来实现路面裂缝自动识别与特征测量.首先采用分开-合并方法分割图像,将图像划分为较小的图像块,采用均值漂移方法对图像块进行平滑与分割迭代处理,并将分割图像块合并;然后采用均值漂移方法分2种策略定向跟踪裂缝像素提取裂缝骨架,并对裂缝骨架内插得到完整裂缝,同时计算裂缝形态参数,实现裂缝形态特征测量.实验结果表明,该方法可以对裂缝进行高效识别与准确测量.

基于Mean-shift的粘连人体目标分割算法

人体目标分割是人体目标视觉分析的关键问题之一。提出了一种基于Mean-shift的粘连人体目标分割算法。首先对视频图像进行预处理,从中分离出运动区域,根据人体外形的统计特征建立人体目标模板。在运动区域中均匀取若干个数据点作为种子点。从种子点出发,基于人体目标模板,应用Mean-shift算法不断迭代逼近模态点。对取得的模态点集合进行聚类,从而自动确定分类数,即运动区域中的人体目标数,并进行合理分割。基于PETS2006数据库的试验验证了该方法的可行性。

基于共轭梯度法的快速Mean Shift图像分割

针对均值漂移算法收敛速度较慢的问题,本文提出了基于共轭梯度的快速均值漂移算法,并将其用于图像分割。该算法利用共轭梯度法简便,存储需求小,收敛速度介于最速下降法和牛顿法之间,具有较好的全局收敛性和较快的收敛速度的特点,通过交替执行均值漂移算法和共轭梯度算法提高经典均值漂移算法的收敛速度。对合成图像和真实图像的实验结果表明了新算法不但提高了经典均值漂移算法的速度,而且在进行图像分割时保持了良好的分割结果。

基于Mean Shift方法的视频车辆检测与分割

提出了一种基于Mean Shift方法的视频车辆检测和分割方法.首先将交通场景图像与路面区域所对应的二值掩模图像进行“与”运算以排除无关背景干扰,并对所得的结果图像用Mean Shift聚类方法进行分割以得到原始的分割图像.然后根据区域的面积、分布以及颜色的均匀性和相似性等特征有效过滤出路面区域.进一步基于颜色的不相似度量,将路面区域置“黑”,所有其他区域置“白”,对路面区域图像进行二值化.最后通过特定的后处理过程可把路面区域中所存在的动、静态车辆检测出来.

基于快速mean-shift聚类与标记分水岭的图像分割方法

针对传统分水岭变换算法在图像分割过程中容易产生过分割问题,提出基于快速mean-shift聚类和标记分水岭变换的图像分割算法。首先利用快速mean-shift聚类算法对原始图像进行预处理,确定分割区域和聚类数目;利用sobel算子进行梯度处理;对处理后的图像做形态学运算,并给每个集水盆分配不同的标记,按升序访问每个像素点,依次浸没到集水盆中,完成图像分割。实验结果表明,该方法可以有效分割医学影像,并解决了分水岭变换引起的过分割问题。

红外遮挡人体目标模板图像的Mean Shift分割算法

提出了一种红外图像中遮挡人体目标的分割方法。首先通过传统的阈值选取方法或直方图聚类等红外图像分割的方法,获取遮挡区域目标的二值化模板。用目标像素在模板中的相对行列坐标作为特征集使用Mean Shift算法分别计算各像素在行列方向的收敛位置并使用复数向量进行联合表达,再次以所有的复数向量作为特征集进行Mean Shift聚类,根据各像素位置对应的复数向量所属类别对其进行划分,完成遮挡目标的分割。与分水岭算法相比,该算法的分割结果完整保留了目标模板的外形,并且可以通过Mean Shift带宽参数的选择完成不同精细程度的分割。

结合Mean Shift和聚类算法的服装图像分割

在服装图像处理与分析中,准确快速的图像分割是进行后续图像分析与理解工作的基础。在服装图像分割中为了克服K均值聚类算法的性能受初始聚类中心的选取影响的问题,提出了二次聚类的分割思想。先利用自适应的Mean Shift算法,得到区域数目n以及n个区域的类心向量,然后调用K均值算法进行二次聚类。与常用的分水岭分割算法的对比实验表明,提出的算法提高了原始K均值算法的时间效率与分割效果,最终的分割结果具有实用性。

基于Mean Shift图像分割和支持向量机判决的候梯人数视觉检测系统

根据电梯群控系统的需求,提出了一种基于视觉检测技术获得候梯人数的新方法。考虑候梯人数检测系统的监测目标为候梯人群,而候梯人群的心理、建筑风格,摄像机的安装角度、复杂背景等因素均会影响到待识别模式的提取,故作者提出了以人体头部作为模式进行模式识别来检测候梯乘客的数量。该方法以Mean Shift图像分割算法和支持向量机(SVM)决策分类器为核心,考虑候梯人群图像采集角度、拍摄镜头的特殊性等对候梯人群头部进行精确识别,较为快速地得到了准确的识别结果。实验证明,该方法处理图像速度可保持在每幅图片2s以内,准确率超过80%,满足了电梯群控系统的需求。由于能够使电梯群控系统获得稳定可靠的输入参数,从而提高了电梯群的运送效率。

Mean Shift算法优化带宽的自动搜索

Mean Shift算法是一种非参数估计方法,能够快速收敛到概率密度函数的模态,在图像处理领域已得到了广泛的应用。算法的带宽参数的选取会直接影响到收敛速度和收敛结果,而手动调试参数需花费大量的时间和资源。为解决这一问题,提出一种Mean Shift算法优化带宽自动搜索策略,采用Mean Shift算法对图像特征空间内的样本点进行聚类分析,以图像结构特征信息作为分割效果的评判准则,自动寻取优化带宽参数。实验结果表明,提出的方法可以实现自动寻取Mean Shift算法的优化带宽参数,为解决Mean Shift算法带宽自寻优问题提供了一种新的思路。

带宽自适应Mean Shift图像分割算法

Mean Shift是目前为止特征空间分析的最好方法之一,但其分割结果受带宽参数的影响。图像粗糙度是与视觉感受相关的图像纹理特征,对图像纹理的描述能力很强。图像像素的平均偏移量也体现了图像像素的总体离散情况。通过对高斯核函数的创建以及图像粗糙度的描述,创新性地给出了Mean Shift的窗口尺寸选择方法以及图像像素平均偏移的计算,仿真结果表明,该算法对不同类型的图像,均能得到令人满意的效果。

结合分水岭的Mean-Shift图像分割新算法

针对Mean-Shift图像分割算法需要对图像中每个像素点进行迭代计算、耗时多的问题,提出一种改进的图像分割算法.研究发现,分水岭算法可以将一幅图像划分为若干一致性较好的区域,这一优势恰好有利于Mean-Shift算法的处理.本文利用分水岭算法对图像进行初始分割,将以点阵形式表示的图像转化为块状表示,再运用改进的Mean-Shift算法对每个块进行迭代计算.实验结果和时间复杂性分析表明,新算法在很好地保持了原算法分割效果的前提下,时间效率有了很大程度的提高.

大规模遥感影像Mean Shift并行分割优化算法研究

传统影像分割算法在面对大规模遥感影像时普遍存在分割效率低、内存消耗大等情况(甚至无法分割),同时"分块线"的存在也制约了许多算法的并行化改造.本文利用Mean Shift均值漂移分割算法针对遥感影像进行并行化处理,有效地解决了大影像分割时所存在的问题,同时改进影像光谱空间的构建,在均值漂移滤波和合并的过程中分别对影像采用分区缓冲的策略,解决了并行化分割算法处理时会产生的"分块线"问题.在多种遥感数据上的分割实验及与e Cognition软件的对比实验表明,本文所提出的并行分割优化算法可以在不影响分割精度的情况下有效提高分割效率,一定程度上满足实际生产及应用需求.