基于SLIC超像素分割的非局部均值船舶图像去噪算法

针对传统船舶图像去噪算法难以对图像的边缘细节进行保留和分析,以及传统非局部均值去噪算法相似框选择困难等问题,提出基于简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割的非局部均值船舶图像去噪算法。通过SLIC算法对图像进行分割处理,界定图像的纹理区域和平滑区域;使用相似框搜索和匹配策略,提升匹配效果,并适当保留更多边缘细节,从而改善图像去噪的效果。实验结果表明,所提出的算法相较于其他传统的船舶图像去噪算法不仅能很好地保留船舶图像的边缘细节特点,而且能在一定程度上提高船舶图像的峰值信噪比,具有良好的去噪效果,可以用于智能航海领域船舶图像的去噪。

融合边缘优化SLIC和A*算法的影像镶嵌线提取

针对遥感影像自动提取镶嵌线穿过独立地物损害地物完整性的问题,提出融合边缘信息优化SLIC和A*算法的影像镶嵌线提取方法。首先,提取影像边缘信息,并将边缘强度因子与影像光谱信息融合;然后,使用优化的简单线性迭代聚类方法对重叠区域影像进行超像素分割,获取地物完整的超像素,并利用数学形态学算子去除孤立噪声与不完整边界;最后,采用曼哈顿距离启发函数提升A*算法的镶嵌线提取效率,获取最优的镶嵌线提取。分析结果表明,该方法可有效提取影像镶嵌线,避免镶嵌线通过独立建筑物,满足后期正射影像制作要求。

基于超像素快速模糊聚类的印刷品图像分割方法

针对当前彩色印刷品色差检测过程中效率低、复杂性高等问题,提出了一种基于超像素快速模糊聚类的印刷品图像分割方法(SFFCM)。先用简单线性迭代聚类(SLIC)算法将图像分割为紧密相邻的超像素区域。每个超像素区域被视为一个独立的聚类单元。随后,将模糊C均值聚类(FCM)算法应用于超像素的归属关系计算中,即引入隶属度值,允许超像素归属于多个聚类中心,并通过权衡归属度值来实现模糊聚类。实验结果表明,相对于其他算法,本文方法在保持良好实时性的同时,实现了较好的分割效果,有效平衡了算法复杂度与分割效果之间的关系。

基于SLIC分层分割的无人机图像极小目标检测方法

针对无人机可见光图像目标小、对比度弱的问题,本文提出一种基于简单线性迭代聚类(Simple linear iterative clustering,SLIC)分层分割的极小目标检测方法。首先使用预处理方法提高原始图像的对比度,并利用Top-hat融合方法进行初始分割以确定目标区域,其次利用SLIC方法完成目标精细分割,并采用改进的具有噪声的基于密度的聚类方法(Density-based spatial clustering of applications with noise,DBSCAN)对SLIC分割结果进行超像素聚类,最后提取目标的邻域熵等多种底层特征,使用特征匹配方式检测目标,获取最终检测结果。本文提出了一种全局检测和局部检测相结合的检测策略,极大提高了检测速度。仿真结果表明,本文方法可以有效提高无人机小目标的检测性能,加速检测速度。

结合SLIC超像素和DBSCAN聚类的眼底图像硬性渗出检测方法

为自动检测出眼底图像中的硬性渗出,结合简单线性迭代聚类(SLIC)超像素分割算法和基于密度的聚类算法(DBSCAN),提出一种对眼底图像硬性渗出的检测方法.首先,采用SLIC超像素分割算法对彩色眼底图像进行过分割;然后,采用DBSCAN对上述分割得到的超像素进行聚类,形成簇;最后,分割出目标图像,并选用标准糖尿病视网膜病变数据库(DIARETDB0和DIARETDB1)的眼底图像验证上述组合算法的可行性.实验结果表明:算法能够快速、可靠地检测出眼底图像中的硬性渗出,具有可直接对彩色图像进行分割、特征提取的特点.

基于SLIC的改进GrabCut彩色图像快速分割

GrabCut算法用户交互量少且分割精度高,但它迭代使用GraphCuts的求解模式使得在处理高分辨率图像时,耗时巨大。提出了一种快速GrabCut算法,在高斯混合模型参数估计过程中,通过SLIC算法构建精简的GraphCuts模型以实现加速。通过SLIC算法将原始图像快速地预分割成具有确定边界且区域内相似度高的超像素图,并以此构建精简的网络图。以块内的RGB均值描述超像素特征进行高斯混合模型参数估计。为了提高分割精度,使用得到的GMM参数对原始图像进行分割。实验结果证明了该算法在时效和精度上都有很好的性能。

基于梯度方向的Canny SLIC图像分割算法

针对传统Canny简单线性迭代聚类(simple linear iterative clustering, SLIC)算法中弱边缘的边界粘附性以及超像素形状规则的问题,提出了一种改进的基于梯度方向的Canny SLIC图像分割算法。传统的Canny SLIC算法中的边缘检测,使用的滞后阈值法在识别和连接边缘时,容易将梯度幅值小的边缘信息识别成噪声,从而和SLIC算法融合后会丢失目标的部分边缘,所以本文把利用边缘和噪声在梯度方向上的不同而改进的Canny算法与SLIC结合,然后使用复数运算来降低图像边缘特征维度,最后采用六边形来描述SLIC生成的超像素,经实验表明:该算法能生成与物体边界密切贴合且分割精度高的超像素分割图,验证了所提出算法的有效性。

基于SLIC和主动学习的高光谱遥感图像分类方法

在主动学习的基础上,提出一种基于SLIC的高光谱遥感图像主动分类方法。首先提取图像纹理特征并与光谱特征融合,使用PCA对新数据进行降维,取前三个主成分构成假彩色图像,然后使用SLIC处理该图像获得超像素;接着随机抽取定量超像素作为初始训练样本,样本光谱信息为超像素样本中所有像素点的光谱信息均值,样本标签为超像素中出现次数最多的类别;然后通过主动学习得到SVM分类器;最后使用分类器对超像素分类得到其类别,并将超像素类别赋予其包含的像素点,从而达到高光谱遥感图像分类的目的。实验表明:该方法明显降低了主动学习过程的时间消耗,有效地提高了分类效果,其OA,AA和Kappa值显著优于未使用SLIC的主动学习方法。

基于SLIC方法的光照偏强农田图像分割研究

精准农业是未来农业发展的趋势,而农田图像分割是精准农业的前提与基础。针对光照偏强条件下农田图像高光点区域丢失植物绿色特征对图像分割质量的影响,以SLIC方法和YCrCb颜色空间中的Cg分量为基础,利用不同分类器实现光照偏强条件下农田图像分割的研究。首先采用SLIC对农田图像进行预处理,获取超像素模块;为避免植物叶面因光照偏强出现高光点区域丢失部分绿色特征,引入YCrCb颜色空间模型中的Cg分量和超绿颜色因子提取特征;为避免监督学习对训练样本要求高,采用半监督学习,将有标签样本和无标签样本进行混合;最后采用不同的分类器进行图像分割,并对实验结果采用混淆矩阵和Kappa系数进行评价。对比实验结果可得,采用距离判别法核函数为diagQuadratic的图像分割效果较其他方法较好,分割正确率较高。

基于SLIC和SVR的单幅图像去雾算法

为了提升图像去雾算法的效果和适应性,提出了一种基于简单线性迭代聚类(SLIC)超像素分割和支持向量回归(SVR)的单幅图像去雾算法.首先,将雾霾图像进行超像素分割,对于每个超像素块,取其最大通道内的最大值作为局部大气光的估计,并使用引导滤波优化大气光图的边缘.然后,采集清晰户外图像并切割成块,利用大气散射模型为其加入不同程度的雾作为训练样本,提取对比度、饱和度、直方图均衡度和最小通道均值4种特征,利用支持向量回归算法训练传输参数估算模型.实验结果表明,所提算法有效地恢复了图像的对比度和颜色饱和度,同时无论是在主观视觉效果方面,还是在结构相似度和峰值信噪比等客观评价指标方面,所提算法均优于现有传统算法.

基于SLIC与Delaunay图割的交互式图像分割算法

针对现有的交互式图像分割算法在处理高分辨率图像时仍不够高效的问题,提出了一种基于简单线性迭代聚类(simple linear iterative clustering,SLIC)与Delaunay图割的交互式图像分割算法。使用一种简化但是高效的SLIC算法将图像分割为多个在感知上有意义的原子区域,并提取这些区域的代表像素点;对处在背景矩形框内的代表像素点进行Delaunay三角剖分,构建图结构;最后利用最小割最大流算法将图中的节点分为两部分,并将这些节点对应为相应的原子区域,达到将图像分割为前景和背景的目的。与其他交互式图像分割算法进行实验对比,结果表明所提算法在计算效率上有较大提升,并更为准确。

基于SLIC和改进区域生长的非结构化道路识别

非结构化道路一般没有车道标识线且道路边界模糊,区分道路区域与背景区域难度较大。针对现有非结构化道路识别方法存在全像素域计算分类处理实时性差、易受噪声数据干扰等问题,提出一种基于SLIC(simple lineariterativeclustering)超像素分割和改进区域生长算法的非结构化道路识别方法。利用均匀化初始聚类中心的SLIC算法生成低分辨率超像素特征图。在此基础上,利用聚类算法与邻域搜索算法自适应选择种子点,并引入CIEDE2000色差理论作为区域生长法生长准则,初步确定道路区域。根据道路连续一致特点,优化超像素级生长图并映射轮廓区域至原图,获得道路最终区域。基于数据集及真实场景的实验结果表明,该方法具有较高的识别率和抗干扰能力。

融合FPGA技术的改进SLIC超像素分割算法

针对众多图像分割算法中计算量大,算法过程复杂,算法运行速率较慢等问题,文中采用将超像素图像分割技术与FPGA并行处理技术相结合的方法,完成了一种在FPGA平台上的超像素图像分割算法的设计。SLIC是一种快速的超像素分割算法,相较于传统的图像分割算法,SLIC算法拥有较高的实时性与良好的分割效果。通过研究SLIC算法的原理,优化原算法操作并对原图像执行降尺度操作大幅度降低了算法的运算量,在降尺度图像的分割结果上使用K近邻分类算法还原对原图像的分割结果。最终结合FPGA技术对改进后的算法进行模块化功能设计,完成了在FPGA平台上的算法实现。实验仿真结果表明,本算法的分割效果优秀,相较于原算法处理速度约有40%的提升,具有更高的实时性。

基于SLIC的GrabCut减小姿态搜索空间算法

针对人体的高自由度导致姿态估计过程中搜索空间过大的问题,提出一种基于简单线性迭代聚类(SLIC)超像素算法的Grab Cut减小姿态空间算法。运用SLIC算法对图像进行超像素分割,以超像素作为s-t图中的节点构建图模型,利用超像素区域的颜色特征平均值作为该区域内每个像素的特征值,分别为前景和背景超像素建立混合高斯模型,迭代更新高斯参数,运用最小割算法完成前景提取,并在得到的前景区域中进行后续的姿态估计。实验结果表明,基于SLIC的Grab Cut与基于Grab Cut的减小搜索空间算法在运行时间和姿态估计准确度上均有较大程度提升。

一种新的高光谱遥感图像超像素分割方法

为了解决简单线性迭代聚类算法在高光谱遥感图像超像素分割任务中分割精度较低的问题,提出一种基于多级线性迭代聚类结合改进标签传播算法(LPA)的新的无监督高光谱遥感图像超像素分割方法。首先,扩充简单线性迭代聚类(SLIC)的适用范围至多通道对高光谱图像进行超像素初分割;然后,对色彩标准差较大的超像素进行多级迭代细致分割,引入基于局部二进制模式的高光谱遥感图像纹理特征提取方法计算高光谱图像纹理特征并融合多段光谱特征计算超像素间相似度以构建带权图网络;最后,改进LPA社区发现方法进行超像素合并,将改进的标签传播算法运用于超像素合并可以得到更加稳定准确的超像素合并效果,提高超像素分割精度。将该方法与多种方法进行比较,结果表明,该方法对高光谱遥感图像的超像素分割结果更准确,超像素边缘更贴合真实地物边界,能有效改善高光谱遥感图像超像素分割中精度较低的问题。

基于模糊聚类的超像素图像分割算法

针对传统的模糊聚类算法在图像分割时出现的信息保留不足和抗噪性差等问题,提出一种基于模糊聚类的超像素图像分割算法。该算法首先在全局范围利用抑制式模糊c均值聚类算法确定像素的所属分类,然后在局部范围利用简单线性迭代聚类算法融合图像中物体的边界信息,最后通过计算超像素分割网格划分下的均值隶属度完成图像分割。算法既保留模糊聚类的粗模块分割优势,又利用超像素提高对边界信息的融合能力,达到优化分割效果的目的。在数值实验部分,分别在人工合成图像和Berkeley数据集等真实图像上检测算法效果,验证了边界分割能力和抗图像噪点能力。

基于高分辨率遥感影像的道路网络提取算法研究

作为遥感信息分析领域的重要工作之一,高分辨率遥感影像道路提取对于地理信息建库、城市建设规划、城市地形分析与三维表达等方面具有重要的研究意义。本文提出了多种改进算法组成的遥感影像道路网络提取方法,首先使用超像素分割(Simple Linear Iterative Clustering, SLIC)算法对高分辨率遥感影像进行分割处理并使用改进K-means算法对分割后影像进行分类;其次根据绿色植被指数(Green Vegetation Index, CVI)值滤除非人工区域并使用OTSU算法分割提取得到初始道路网络;最后对提取道路网络进行优化处理得到精细化道路网络。使用广州市某地高分辨遥感影像对本文提取算法进行验证,结果表明,本文算法能够有效地提取道路信息,提高道路网络提取精度。

基于城区特征和SLIC的简缩极化SAR分类方法

简缩极化SAR作为一种特殊的双极化模式,可以获取较为全面的极化信息,同时也能获得较大的成像幅宽,近年来得到了研究人员的关注。但以往基于极化度的分解方法存在体散射过估计的问题,导致分解与分类的结果在城区部分,尤其是大方位角城区部分表现一般。本文采用基于城区描述子的简缩极化分解方法,将分解获取的特征进行Wishart迭代分类,同时利用SLIC算法进行超像素分割,在超像素区域内进行类别合并,从而改善分类效果。实验采用Radarsat-2旧金山区域的全极化数据仿真合成CTLR模式及π/4模式的简缩极化数据验证了算法的可行性,实验表明,对于两种模式,本文方法在小方位角城区分类精度提高约20%,大方位角城区分类精度提高约10%。

自然场景下苹果图像FSLIC超像素分割方法

应用Cauchy-Schwarz不等式,推导出一个聚类搜索过程中剥离不必要计算的条件,早期预估后舍掉符合预设条件的候选聚类,提出了基于自然场景的快速简单线性迭代聚类算法(FSLIC算法)。对包含极端恶劣条件下的500幅苹果图像进行了边界召回率检验和运行速度测试;统计了极端恶劣条件下的30幅苹果图像的全局错误率GCE、假阳性率FPR和假阴性率FNR。试验表明,提出的FSLIC算法减小了后续迭代过程中的冗余误差,边界召回率较GB超像素分割算法平均提高了21.7%,速度是GB超像素分割算法的1.83倍;整个图像分割过程中基于超像素的分割算法(GB、FSLIC)的GCE值较常规分割算法(BP、WT、SVM)平均减小了13%,较常规算法的GCE值减小了19%。

一种改进的基于SLIC的自适应GrabCut算法

图像分割是对图像进行分析的关键步骤,是图像识别和计算机视觉至关重要的预处理过程,也是计算机视觉的基础技术之一。计算复杂度是判断图像分割算法好坏的重要标准,降低算法复杂度是当前图像分割领域的主要任务之一。针对GrabCut算法计算复杂度高、耗时长等缺点,提出了一种改进的基于简单线性迭代聚类(SLIC)的自适应GrabCut算法。通过激光雷达获取用户交互信息,采用阈值法得到包含目标的外截矩形框,并将其设为感兴趣区域,然后采用SLIC算法对感兴趣区域作预处理,最终构建精简的GraphCut网络图并进行图像分割。试验结果证明,该算法缩小了SLIC预处理的图像区域,减少了图的节点数,降低了错误率,提高了目标边缘信息提取的精确度。