结合局部线性嵌入与种子信息流的交互式图像分割算法

交互式图像分割是指在分割过程中引入少量的用户指引分割出目标对象,是图像处理最基本的任务之一。现有方法通常需要构建非二次能量函数,并且普遍存在缺乏唯一解、分割精度低等问题。为进一步提高分割质量,提出一种结合局部线性嵌入和种子信息的交互式图像分割算法(seed information combined with local linear embedding,SILLE)。该算法考虑像素点的局部信息以及先验信息,将标记种子点的信息融入到新构建的能量函数中,以一种有效且快速的最小化方案得到能量函数的唯一且最优解,从而获得更加准确的分割结果。最后在不同数据集上,与不同方法进行多种指标的对比,验证了算法的有效性和可行性。

基于背景先验点的Photoshop交互式图像自动降噪处理研究

为了降低Photoshop图像交互过程中产生的噪点,改善图像清晰度,提出一种基于背景先验点的Photoshop交互式图像自动降噪处理方法。计算输入图像的每个超像素显著值,分割非重叠小区域,保证每个区域都具有显著值;通过区域显著值确定Photoshop交互式图像背景先验点,为图像自动降噪提供位置。计算Photoshop交互式图像的分布方差,考虑噪声模型加1修正,获取修正后的图像噪声模型;再寻找图像相似块,计算任意两个小片a、b之间的欧氏距离,将噪声图像中的噪声点宽度实际极值对应的位置设定为背景先验点,避免陷入局部极值点。最后,对像素矩阵进行3D变换处理,获取降噪3D块像素矩阵,按照降噪图像匹配相似块的方法匹配含噪图像的相似块,经过二次降噪后得到最终降噪图像。实验结果表明,所提方法最小峰值信噪比为42 dB,获取的降噪图像无噪点且整体清晰,视觉效果有明显提高。

基于随机森林和随机游走的交互式图像分割

基于随机游走的交互式图像分割在计算相邻像素相似度时,仅考虑了颜色空间的差异。针对这一问题,利用图像中广泛存在的对称结构,提出一种基于随机森林进行对称检测的方法。通过基于相似边的特征,将对称检测转化为结构化标签问题。在得到对称轴的基础上,通过期望最大算法,建立对称轴与相邻像素之间的关系,以提高交互式分割的精确度。实验表明,该方法不仅能有效地提取图像中的对称轴,而且能得到较高精度的交互式分割结果。

多颜色空间上的交互式图像分割

介绍了视觉颜色空间及其在交互式图像分割中的作用 ,实验分析了它的奇异性 ,在此基础上 ,考虑像素的空间和色彩分布 ,提出了基于区域生长法的多颜色空间、多度量准则的聚类算法和零碎区域的合并算法 ,颜色空间选取 HSL 和 RGB两种 ,相似性度量包括了种子点、扩张点和生长区域三个方面 。

最大熵和最小交叉熵综合的交互式图像分割

在图像分割中,使用某一种分割方法并不是总有效。最大熵和最小交叉熵阈值化方法是目前常用的两种图像分割方法,但在某些分割应用场合失效。针对此问题,提出基于最大熵和最小交叉熵综合的交互式图像分割方法。首先,利用一种简单的算法将前两种方法有机结合产生一种既满足最大熵原则,又满足最小交叉熵原则的新分割方法,然后通过人机交互,在这三种阈值方法中选择最好的图像分割。仿真实验结果表明,提出的方法不仅分割效果好,算法的普适性增强,而且更实用。

一种改进的Live-Wire交互式图像分割算法

提出了一种改进的Live Wire交互式图像分割算法。与原Live Wire算法相比 ,改进算法在不增加算法复杂度的同时 ,大大提高了图像分割的性能 ,而且在 3个方面弥补了原算法的不足 :(1)对噪声相当敏感 ;(2 )不能有效地区分图像中的强弱边缘 ;(3)不适用于边缘弯曲程度较大的图像。将改进算法与窗宽 /窗位调整算法相结合用于医学图像分割中 。

交互式图像分割实验系统开发

以"交互式图像分割算法的实验系统开发"为例,介绍了如何在传统的图像处理实验中引入新的内容、开展创新性实验。利用Matlab的图形用户界面设计,开发相应的实验教学系统,该系统主要包括lazy Snapping、Grab Cut以及改进的Grab Cut 3种图像分割算法,不仅能够加深学生对基于图割的图像分割的基本原理的理解,而且能够让学生更好地掌握交互式图像分割的实现步骤以及各种算法的优势和局限性。该系统操作简单方便,在实际实验教学应用中取得了良好的效果。

基于图切分的交互式图像分割算法

提出一种基于图切分(Graph Cut)的交互式图像分割新算法。首先,使用图切分技术获取初始轮廓并采取非均匀有理B样条(NURBS)拟合边界曲线。由于NURBS具有局部可控性,其控制点可视为隐式马尔可夫模型(HMM)的隐状态,边界特征和区域同一性被视为HMM观察状态,然后采用轮廓平滑性作为约束来定义一个状态转移模型。最后,通过维特比算法递归求取最优轮廓。实验证明该法鲁棒性好,允许用户简易、高效地分割图像。

一种基于图割的交互式图像分割方法

交互式的图像分割方法目前已经受到越来越多的重视。该文提出一种新的基于图割(graph cuts)的交互式图像分割方法。该方法将图像的纹理、色彩、边缘等多种特征通过一个概率模型结合在一起。其中纹理和色彩用以Texton为基的直方图来建模,并用Fisher判别准则来对特征空间进行降维。利用图割方法,可以快速求解该模型下的最优分割。在遥感图像分割等问题中的应用结果表明该方法在速度和精确性方面都有很好的表现。

基于集成学习的交互式图像分割

针对交互式图像分割人工标记示例匮乏、不同目标区域难以均衡标记,单一分类器难以获得有效分割结果的问题,提出一种多分类器集成学习的交互式图像分割方法.采用多元自适应回归样条(MARS)方法构造第一个分类器;同时引入光滑薄板样条回归函数(TPSR)构造与之互补的第二个分类器,综合组成bagging集成学习器,以降低单一分类器对噪声的敏感度并进一步提高人工标记样本特征空间的利用率.随后,基于半监督学习中的聚类假设,结合bagging多学习器并联特点,提出一种REG-Boosting半监督学习算法,实现半监督图像分割.在不同数据集上的验证性和对比性实验表明所提方法的有效性和优越性.

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。

一种初始分割和区域合并的交互式图像分割方法

针对全自动分割很难从图像中自动获取目标、提取边缘不理想等不足,提出一种基于SLIC超像素初始分割和区域合并的交互式图像分割方法.首先采用SLIC超像素进行初始分割;针对单一的颜色特征不能较好地提取区域的特征信息,再采用由颜色直方图和轮廓波变换构成的区域相似性特征来进行区域特征的提取;最后通过改变区域合并策略,采用分层匹配机制对区域合并顺序进行调整,以降低合并过程中出现的误匹配.实验结果表明,该方法不但提高了分割速度,而且分割的准确率(ACC)也有所提升,同时降低了分割的负率度量(NRM).

多阈值交互式图像智能分割方法优化与仿真

目前多阈值交互式图像分割方法没有对图像进行预处理,存在图像分割效果差与图像分割性能不佳的问题。提出基于Prewitt算法的多阈值交互式图像分割优化方法。方法首先利用自适应算法对图像进行去噪以及纹理处理,对图像进行增强,将增强后的图像进行交互式处理,即对图像进行标记和合并以此提高分割效果,最后在Prewitt算法的基础上优化阈值选取并进行图像分割,实现多阈值交互式图像分割优化。实验结果表明,所提方法的图像分割效果与分割性能较好,说明该方法的应用价值较高。

基于内容的交互式图像检索方法的实现

在基于内容的图像检索(CBIR)中,很难定义"相似"的含义,因为相似性具有主观因素,随不同的情形发生变化。为此,本文介绍了几个有特色的基于内容的交互式图像检索系统,最后提出了引用动态规划的思想来约束反馈机制的每一阶段,并通过实验证实了交互式检索的效果、效率是更高的。

基于自适应局部阈值的交互式图像分割

目前比较主流的交互式图像分割技术,对用户的输入位置和输入量比较敏感,而且用户的输入具有试探性,所以为了得到满意的分割结果,用户不得不多次调整自己的输入,比较繁琐。针对这种不足,提出一种新的交互式图像分割方法。首先采用基于自适应局部阈值的图像分割算法,生成一系列同质区域,并描绘出其轮廓;然后用户用不同颜色,粗略标记出组成不同目标的区域集;最后通过合并同色标记的区域集,完成图像分割。实验结果表明,该算法不仅满足用户对交互式图像分割输入更直观、结果更准确的需要,同时方便地实现了多区域多目标的图像分割。

流形排序的交互式图像分割

针对显著目标检测难以获得有效的目标整体检测导致目标分割困难的问题,采用一种在初始显著图的指导下添加有效交互信息的方式来获得目标的准确分割。该方法利用边界先验对超像素进行流形排序获得初始显著图,参照显著图对不显著的目标部分添加目标标记,显著背景部分添加背景标记,利用标记信息对超像素重新进行流形排序,将获得的显著图与初始显著图融合,对融合后的显著图采用自适应阈值法来获得目标的分割。在BSD图像数据库中的实验得到的平均正确分割率(TPR)和平均错误分割率(FPR)优于经典的最大相似合并图像分割算法(MSRM),表明了该算法能有效分割出正确的目标。

结合区域特性的交互式图像分割

针对现有的交互式分割算法对用户标记的数量与位置敏感的问题,提出了一种与图像区域特性结合的分割算法.首先将均值漂移分割的小块区域作为虚拟像素,参与有权图构建,从而为信息向远方同质区域的像素传播提供路径;然后设计一个基于像素归属于各类用户标记的概率代价函数,并采用微粒群算法进行全局寻优,最后将获得的归属概率作为判据实现分割.实验结果表明,即使采用少量用户标记也可以获得满意的分割结果,说明该算法对标记的数量与位置具有很高的鲁棒性.

基于融合多尺度标记信息的深度交互式图像分割

现有深度交互式图像分割算法通过对单击点计算距离映射或者高斯映射,然后将其与图像进行拼接作为网络的输入.每个单击点的影响范围是相同的,而每个交互的目的并不相同,早期交互的主要目的为选择,后期则更侧重微调.基于此,提出了融合多尺度标记信息的深度交互图像分割算法.首先,通过设置不同高斯半径,对每个单击点计算2组不同尺度的高斯映射.然后,融合小尺度高斯映射,并移除基础分割网络中的部分下采样模块,使网络提取更丰富的细节特征.同时,为了保持目标分割结果的完整性,提出了非局部特征注意力模块,该模块融合了大尺度高斯映射.最后,根据高斯映射提供的概率信息,提出了概率单击损失,提升目标在单击附近的分割表现.实验结果表明:提出的算法既能保持分割的完整性,又能得到目标细节的分割结果,大大降低了用户的交互负担.

基于FCM和图割的交互式图像分割方法

为了提高在前景和背景颜色相似情况下图像的分割效果,提出了一种基于模糊C均值聚类(FCM)和图割的交互式图像分割方法。首先,利用分水岭算法对图像进行预处理,将图像分成多个小区域,用区域代替像素点进行分析。然后,采用模糊C均值算法对用户标记的前景区域和背景区域分别进行聚类分析,挖掘用户交互所提供的隐藏信息。用未标记区域的颜色分量到前景区域及背景区域类心的最小距离表示相似能量,用未标记区域与其相邻区域的相关性表示先验能量。最后,利用最大流/最小割算法求能量函数的全局最优解。与其他方法相比,该文方法具有较好的分割性能,能从前景背景相似的图像中较精确地提取感兴趣的物体,且用户操作简单。

基于区域中心的交互式图像前景提取方法

图像分割是从图像中提取有意义的区域,是图像处理和计算机视觉中的关键技术。而自动分割方法不能很好地处理前景复杂的图像,对此提出一种基于区域中心的交互式图像前景提取算法。针对图像前景的复杂度,很难用单一的相似区域描述前景,文中采用多个区域中心来刻画目标区域。为提升图像分割的稳定性,给出基于超像素颜色、空间位置和纹理信息的相似性度量方法;为确保图像分割区域的连通性和准确性,定义了基于超像素的测地距离计算方法。使用基于测地距离的超像素局部密度,来分析图像的若干区域中心;基于用户交互的方式来分析前景的区域中心,得到图像前景。经过大量彩色图像的仿真表明,在分割过程中利用少量的用户交互信息,可有效提升图像分割的稳定性和准确性。