基于核聚类的砂岩图像孔隙分割方法

砂岩孔隙识别是研究孔隙结构的一个重要步骤,采用通用的图像分割算法不易得到理想的图像孔隙分割效果,为此提出了一种使用EfficientNetV2-S模型和核K-Means聚类技术对孔隙进行分割的方法。首先,获得砂岩图像的超像素集合,使用超像素方法预分割输入的致密砂岩图像,构建带标签的孔隙与非孔隙图像库;然后,应用EfficientNetV2-S模型提取砂岩图像的孔隙和非孔隙的语义特征,并结合迁移学习的方法,使用有限的砂岩图像的孔隙和非孔隙样本进行EfficientNetV2-S模型参数学习;最后,设计了一种基于K-Means聚类的区域合并方法——NTK-KCoP方法,根据超像素的语义特征、灰度特征和边缘特征构建目标函数,再由聚类结果合并超像素得到完整的孔隙区域。砂岩CT图像的实验结果验证了所提出的孔隙分割方法的适用性和有效性。

基于自适应窗的动态权值代价聚合立体匹配

传统局部匹配算法通常在不同聚合窗口下采用单一权值进行代价聚集,而忽略了不同区域像素点之间的差异性,易导致基于双目视觉测量的立体匹配精度不稳定。为此,提出一种基于自适应窗的动态权值代价聚合立体匹配算法。首先,以梯度信息表征模型为约束条件,构建代价聚合自适应十字交叉窗口。其次,分析视差不连续区域与弱纹理区域的像素特征,建立基于像素距离与色差双阈值权重的代价聚集模型,进而计算各窗口的动态权重影响因子。最后,基于线性迭代聚类法分割视差图区域,剔除奇异的视差值以提高算法匹配精度。实验结果表明,在Middlebury数据集的测试中,所提算法的平均非遮挡区域和全部区域的误匹配率分别为4.11%和5.65%,优于传统匹配算法;4组测量样品的全局长度测量平均相对误差小于1.2%,全局高度测量平均相对误差小于2.7%。实验结果检验了所提算法的有效性和可靠性。

基于多注意力机制与编译图神经网络的高光谱图像分类

针对高光谱图像(Hyperspectral image,HSI)分类研究中小样本学习时,无法达到理想分类效果的问题,以多注意力机制融合、编译图神经网络与卷积神经网络有机结合提出了一种新的高光谱图像分类方法。设计了一种基于混合注意力机制的网络(Multiple mixed attention convolutional neural network,MCNN)与编译图神经网络(Compiled graph neural network,CGNN),在学习样本有限的情况下,其能有效保留HSI的光谱与空间信息。引入的图编码器与图解码器可以有效地映射不规则的HSI地物类别特征信息。设计的多注意力机制可以重点关注一些重要的空间像素特征。研究了不同训练样本下对不同算法学习示例分类的影响,在公共数据集Botswana(BS)的实验表明,本文方法比CEGCN(CNN-enhanced graph convolutional network)、WFCG(Weighted feature fusion of convolutional neural network)算法总体分类精度(Overall classification accuracy,OA)分别高2.72、3.86个百分点。同样在IndianPines(IP)数据集上仅用3%训练样本数据的实验结果显示,本研究方法比CEGCN与WFCG算法的OA分别高0.44、1.42个百分点。说明本研究提出的方法不仅对HSI具有良好的空间与光谱信息感知能力,而且在微小学习数据下仍然表现出强有力的分类准确性。

基于皮尔森相关系数的自适应SLIC超像素分割算法

针对简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)算法对不同图像自适应性差的问题,提出了一种基于皮尔森相关系数的自适应SLIC超像素图像分割算法。首先,通过量化非间隔进行图像预处理,并计算颜色熵作为图像复杂度,从而确定所需分割的超像素个数。其次,利用皮尔森相关系数作为相似性度量函数。最后,通过纹理特征对类内异常点进行滤除,确保种子点更新的准确性。实验结果表明,在超像素个数相同的情况下,基于皮尔森相关系数的自适应SLIC超像素图像分割算法相比主流超像素分割算法,可以获得更高的边缘命中率以及更低的欠分割率,性能优于LSC(Linear Spectral Clustering)、SLIC和SLIC0(Simple Linear Iterative Clustering Zero)算法。

基于解耦区域校准的高分辨率超像素生成算法

超像素分割是计算机视觉领域的一项重要任务,该任务将具有相似属性的像素分组到称为超像素的簇中.图像超像素不仅可以增益图像注释,而且还是各种下游应用的基础,如分割、光流估计和深度估计.尽管超像素分割技术取得了显著进展,特别是随着深度学习方法的出现,但现有解决方案由于GPU内存和计算能力的限制,一直无法有效处理高分辨率图像.针对这个问题,作者提出了一种名为区域解耦校准的高分辨率超像素网络(Patch Calibration Network,PCNet)的新型深度学习框架,通过采用解耦的一致性学习策略,解决了现有方法的局限性.这种方法允许通过从低分辨率输入预测高分辨率输出来高效生成高分辨率超像素结果,从而绕过了GPU内存限制.PCNet的一个关键贡献是解耦的区域块校准(DPC)分支,它将高分辨率图像块作为额外输入,以保留细节并增强边界像素分配.为了改善边界像素的识别,作者利用二进制掩模设计了一种动态引导训练机制.这种机制鼓励网络专注于区域内的主要边界,将任务从多类分类简化为二分类问题.这一创新策略不仅减少了网络优化的复杂性,而且显著提高了边界检测的精度.本文通过在包括Mapillary Vistas、BIG和新创建的Face-Human数据集在内的多样化数据集上进行广泛的实验,证明了PCNet的有效性.结果表明,PCNet能够成功处理5K分辨率图像,并与现有的最先进的SCN方法相比,实现了更优越的性能,后者在处理高分辨率输入时存在困难.作者的贡献包括开发了PCNet,一种针对高分辨率超像素分割的深度学习解决方案,引入了解耦的区域校准架构,并构建了一个超高分辨率基准测试集,用于评估高分辨率场景中超像素分割算法的性能.本文首先回顾了超像素分割领域的相关工作,然后详细介绍了PCNet框架,接着展示了实验结果并与最先进的方法进行了比较.结论部分总结了研究结果并概述了未来研究的潜在方向.代码、预训练模型和新的基准数据集的可用性无疑将促进高分辨率超像素分割领域的进一步发展.总之,本文在超像素分割领域提供了一个重要的进步,提供了一种能够高效、准确处理高分辨率图像的解决方案.所提出的PCNet框架,凭借其创新的DPC分支和动态引导训练机制,为未来在计算机视觉领域的研究和应用提供了一个有前景的方向.本文的代码、预训练模型以及新构建的评估基准数据集可在https://github.com/wangyxxjtu/PCNet上获取.

基于天空检测和超像素分割的图像去雾方法

针对经典图像去雾算法在边缘区域易产生光晕效应、天空等明亮区域还原失真、色调偏移等问题,提出一种基于天空检测和超像素分割的改进暗通道图像去雾新方法(Dark Channel Prior based on Sky Detection and Super Pixel,SSPDCP).首先对雾图采用HSV变换提取亮度分量进行自适应阈值分割;然后应用图像连通分析技术识别天空域;接着利用天空域估计大气光值,针对天空和非天空区域分别建立各自的透射率计算模型,并基于构建的超像素级透射率融合模型获得融合透射率图,以促进边界区域的平滑过渡,采用多尺度引导滤波精化透射率图;最后应用大气散射模型完成图像复原并进行亮度增强处理,实现无雾图像的自然恢复.该方法识别的天空区域较为连续完整,以超像素代替方形窗口可以有效克服局部块效应的影响,大气光值和透射率图估计更为客观准确.从主观定性和客观定量评价方面来看,该方法复原的图像具有整体误差小、信噪比优良、结构相似度高等优势.本文所提出的图像去雾新方法能有效抑制边缘区域的光晕效应,且复原的天空区域明亮自然,图像去雾质量相比现有方法有进一步提升.

基于插值超分辨的双目三维重建方法

基于双目立体匹配重建物体表面三维形貌时,其匹配精度往往受限于传感器尺寸、镜头焦距和光源环境等物理条件。针对此问题,本文提出了一种基于插值超分辨的双目表面三维重建方法。首先,在图像预处理阶段,建立基于小波变换与双直方图均衡融合的图像增强方法,克服传统双目视觉受限于复杂环境光干扰等问题;其次,构建基于拉格朗日与三次多项式插值的超分辨算法,提升图像像素密度,为双目匹配代价计算阶段增加图像细节,从而提高匹配精度;最后,基于SLIC算法对目标图像进行分割,并针对各分割区域分别做二次曲面拟合,进而获得与物体实际表面更为贴合的高度曲线,从而降低重建误差并可提高重建精度。实验结果表明:5组测量样品的全局高度测量平均相对误差为±2.3%,实验平均测量时长为1.8828 s,最大时长为1.9362 s,较传统方法有明显提升。实验分析结果验证了本文所提方法的有效性。

融合多重直方图和SVM的交互式图像分割算法

交互式图像分割在图像编辑和医学图像分析等多个领域有着重要的应用。然而,许多交互式图像分割算法高度依赖于用户交互信息,无法利用少量信息精确地提取出目标物体。为了解决上述问题,提出了一种融合直方图和支持向量机(SVM)的交互式图像分割(MHSVM)方法。给定少量的用户输入标记,采用SLIC方法将原始图像分割成若干个不规则区域,同时使用颜色直方图和方向梯度直方图作为每个区域的特征向量,并根据合并规则进行区域合并;然后构建训练样本并平衡正负样本数量,最后协同训练SVM分类器,对剩余未标记超像素进行分类。实验结果表明,MHSVM算法能够从复杂的背景中成功地提取出前景物体。对比其他先进的交互式图像分割算法,MHSVM算法受用户标记的影响更小,且在分割精度上具有明显优势。

基于超像素分割的图注意力网络的高光谱图像分类

针对卷积神经网络(CNN)仅能应用于欧氏数据,无法有效获取像素间的全局关系特征以及长距离上下文信息的问题,构建一个基于超像素分割的图注意力网络SSGAT.该网络将超像素分割后的超像素块视为图结构中的图节点,有效减少了图结构的复杂度,并降低了分类图的噪声.在3个数据集上对SSGAT及对比算法的分类精度进行测试,分别获得了94.11%,95.22%,96.37%的总体分类精度.结果表明该方法性能优异,在处理大尺度区域的分类问题时优势明显.

一种小样本情境下的高光谱图像分类算法

Gabor滤波器是一种常见的空间特征提取技术,在针对高光谱图像分类中已标记样本稀缺的问题上,该算法通过设置不同方向的多个3D-Gabor滤波器,生成大量多视图。在多视图数据基础上生成多个图连接实现标签传播,将多个图标签传播后的分类结果融合得到预测标结果。而超像素主成分分析法算法则是一种简单但非常有效的无监督特征提取方法,将预测结果与加入了超像素主成分分析法的分类器相加权融合得到更为准确的分类结果。将算法在3个数据集上进行仿真实验,结果表明通过应用Gabor滤波器的传统高光谱图像分类算法存在运算量大且耗时长,而该算法能够在保证精度的同时有效减少计算及时间上的消耗,节约成本。

面向地物特征的大幅面遥感影像分割方法

针对大幅面遥感影像在分块边界特征不连续性和超像素分割地物边界精度不高等问题,提出了一种面向地物特征的大幅面遥感影像分割方法。首先,通过降低辐射分辨率来压缩影像数据量,并通过自适应紧密度参数方法获得具有相近尺寸的SLIC(simple linear iterative clustering)分割影像块;然后,对每个影像块分别构建影像的比值植被指数(relative vegetation index,RVI),通过最大类间方差法(OTSU)将像元标记为植被与非植被;最后,采用SLIC对标记像元精细分割,得到最终分割结果。以WorldView-2卫星影像和高分二号卫星影像作为实验数据,进行面向地物特征的大幅面遥感影像分割。实验结果表明,改进算法效率得到提升,精度有所改善。

基于双目视觉的部分遮挡行人检测算法

针对行人被障碍物部分遮挡导致的检测准确率降低问题,提出了基于多特征融合的树形路径半全局立体匹配的部分遮挡行人检测算法。使用简单线性迭代聚类(simple linear iterative clustering,SLIC)算法进行超像素分割,提升行人的轮廓信息,并使用多特征融合的树形路径半全局立体匹配算法生成深度图;对行人信息和背景信息及障碍物信息使用自适应分割算法进行分离,获取感兴趣区域;将感兴趣区域放置在行人特征明显且稳定的头肩部,进行感兴趣区域的约束;使用降维梯度直方图特征(histogram of gradient,HOG)进行特征提取并生成样本集,训练支持向量机(support vector machines,SVM)分类器,最终实现部分遮挡的行人检测。实验表明,所提算法与其他行人检测算法相比,在行人部分遮挡场景下,有着更高的行人检测准确率,证明所提算法的有效性。

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。

无人机遥感下城市道路边界高效提取仿真

城市道路环境通常是大规模且复杂的,使得无人机采集图像中的影子和模糊等因素会导致道路边界的模糊或不清晰,使得精确提取变得困难。为此提出基于无人机遥感的城市道路边界高精度提取。利用无人机遥感设备采集城市道路遥感图像,对其实施色调-饱和度-亮度(Hue Saturation Value, HSV)色彩空间变换、反射率转换、图像配准和融合处理,去除图像噪声,提高其清晰度;利用简单线索化迭代聚类(Simple Linear Iterative Clustering, SLIC)超像素分割算法分割遥感图像中的道路和非道路像素区域;通过多元局部二值模式(Local Binary Patterns, LBP)特征提取方法实现城市道路边界的高精度提取。实验结果表明,所提方法在提高遥感图像清晰度和去除图像噪声干扰的同时,具有较高的道路边界提取精度和提取效率,边界提取所用时间仅为2.74ms。

基于SEEDS的医学超声图像分割算法

针对高强度聚焦超声(HIFU)治疗过程中肿瘤的快速识别与自动定位问题,提出了一种基于SEEDS超像素的自动分割方法,能够为医生快速、准确地定位肿瘤提供帮助,大大减少医生的工作量。该方法基于分裂合并的思想,先利用SEEDS将图像分裂成超像素,再提取超像素的纹理和边界信息,使用纹理边界编码压缩算法完成超像素合并,最后在先验信息的限制下实现肿瘤的自动分割。实验结果表明,该方法可以应对图像质量低、背景复杂等不同情况下的肿瘤分割问题,分割结果比较准确。

基于颜色和纹理特征聚类的彩色图像分割

针对传统彩色图像分割算法在轮廓模糊和纹理丰富区域分割效果差的缺点,本文提出基于颜色和纹理特征聚类的彩色图像分割算法。首先,采用基于图的图像分割算法多次分割图像,以得到多组超像素块;其次,提取超像素块的颜色特征和纹理特征,将其融合为一个特征向量,并使用k-means聚类对每组超像素块的特征向量聚类,以获得多组分割结果;最后,使用线性组合的方法融合多组分割结果,得到最终的分割图像。在公开数据集BSD500上与经典聚类算法SFFCM、AFCF相比较,实验结果表明本算法优于这些经典算法。

一种基于改进剩余谱的红外舰船目标显著性检测方法

为了解决传统显著性检测方法在红外舰船目标检测中精度不高的问题,提出了一种基于改进剩余谱的显著性检测方法。该方法首先利用自适应六边形中值滤波和小波图像融合对红外图像去除噪声;然后在剩余谱显著性检测算法的基础上,引入超像素分割处理舰船目标区域以减少计算量,同时保留舰船目标的边缘信息;此外,引入目标掩码排除背景干扰以提高算法的准确性;最后,通过提取图像的显著图实现舰船目标的检测。实验证明,该方法相较于改进之前检测舰船目标的准确性提高了约3%,在岛屿等复杂背景下能够准确检测出舰船目标。

基于超像素分割算法的景观边缘提取仿真

由于遥感图像景观边缘具有复杂非线性结构,受光照与场景影响,使得图像边缘存在极多样化纹理和噪声,导致景观边缘难以捕捉。于是提出基于超像素分割算法的景观边缘提取方法。采用超像素分割算法,将图像映射至CIE-LAB(International Commission on Illumination-Lightness-L*A*B)色彩空间中,利用最小化梯度,将超像素置于梯度对应区域中,获取标准化度量,将水平与垂直梯度加入特征矢量中,组建景观弱边缘超像素分割模型,分割景观弱边缘超像素,利用高斯滤波器,模糊处理超像素分割结果,构建能量函数,通过迭代处理,实现景观边缘提取。实验结果表明,所提方法能准确分割显著边缘与细节边缘,精准提取景观边缘,且边缘线连贯、平滑,有效避免了伪轮廓问题,对实现城市与景观的合理规划具有较高的实际应用价值。

一种皮肤镜图像分割方法

随着皮肤镜技术的发展,获取的高分辨率皮肤镜图像较大,采用SLIC算法构建超像素可在后续采用Ncut聚类融合超像素时降低内存要求并减少运算时间。因此提出一种基于改进SLIC与Ncut聚类算法相结合的皮肤镜图像分割算法。实验结果表明,与对比算法相比,提出的改进算法在ISIC2018数据集中低对比度、亮度不均匀皮肤镜图像上的分割有更好的表现。

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。