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.

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。

基于超像素分割的车辆检测算法

随着我国落地机动车数量增加,路面交通压力也逐步增加,采用人工智能方法对车辆进行快速识别,从而获得车辆和路况等信息具有重要意义。针对SLIC算法在目标与环境颜色或亮度极度相似时效果不佳的问题,文章考虑车辆具有对称性和轮廓等特征,提出一种基于自适应的超像素分割车辆检测算法。在原有算法引入变量λ,用于衡量亮度与颜色之间的重要性,改善SLIC模型。论文选定了BIT-vehicle数据集在YOLOv5模型进行实验。此算法能有效提高YOLOv5模型在车辆识别的性能,实验结果表明对比未处理的模型精度提高1%,全类平均精度提高1.3%。

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。

基于超像素图像分割的暗通道先验去雾改进算法

本文针对暗通道先验去雾算法在天空等明亮区域存在明显的噪声放大和色彩失真的问题,从大气散射模型和暗通道先验理论出发修正大气光值和非暗通道区域透射率,提出了基于超像素图像分割的暗通道先验去雾改进算法.本文算法基于大气散射模型和暗通道先验理论建立雾天成像模型;通过超像素阈值分割算法将图像分为暗通道区域和非暗通道区域,暗通道区域(Dark Channel Region,DCR)即图像中符合暗通道先验理论的部分,非暗通道区域(Non-Dark Channel Region,NDCR)即图像中不符合暗通道先验理论的部分;再分别通过非暗通道区域和暗通道区域的超像素,估计全局大气光值,修正非暗通道区域透射率;最终根据大气散射模型恢复无雾图像.本文算法提高了全局大气光值的准确性,有效抑制了天空等非暗通道区域的失真,复原图像更加清晰自然,增强了视觉效果.主观和客观评价的实验表明,本文算法能够取得比传统算法更优的去雾效果.

基于超像素标注的岩石薄片图像训练数据

图像标注在计算机视觉中起着至关重要的作用。鉴于岩石薄片图像的复杂性,长期以来,为岩石薄片图像手动创建语义标签是一项耗时、耗力的事。为了加快岩石薄片图像像素级标注速度,提出了一种基于超像素标注的方法生成岩石薄片图像的机器学习训练数据集。首先,使用超像素算法进行预分割处理;然后,进行区域合并,提取到岩石颗粒的边界;最后,通过交互式的标注工具,人为给岩石颗粒包含的超像素区域分配指定标签。结果表明,所提出的方法能够避免人为标注岩石颗粒的边界决策问题,可以对薄片图像进行快速标注并生成高质量的语义图像数据,推动岩石薄片图像在深度学习领域的研究。

像素分割联合深度双分支模型辅助诊断新冠CT图像

基于医学肺部影像开发智能诊断新冠肺炎的深度学习方法能够减轻大量医护人员的工作,且能够提供可靠的准确性,然而深度学习方法的高准确性通常依赖于数据样本的质量.在自然界存在的医学图像数据的来源和处理过程并不单一,数据样本差异性较大和质量不佳会增大深度学习模型提取关键特征的难度,有效的数据预处理和合适的模型设计十分关键.基于肺部CT图像,本论文提出一种像素分割联合双分支模型ReSWNet辅助诊断新冠肺炎感染.该方法首先训练像素分割模型进行分割预处理,实现肺部CT图像无关背景的剔除,然后通过结合了卷积神经网络和自注意力模型优缺点的双分支模型进行肺炎诊断.通过在COVID-CT数据集上对该方法进行验证表明,在诊断准确率、召回率和F1分数等性能指标方面,该方法较基线模型分别提高了8.6%、16.05以及7.71%,最后采用可视化结果热力图为诊断提供了可解释性.

结合超像素分割和多尺度的快速半全局立体匹配算法

半全局立体匹配算法采用最大视差范围进行搜索,有较大冗余。为提高算法的效率,提出一种结合超像素分割和多尺度的快速半全局立体匹配算法。首先获得原图1/4大小的视差图;其次,结合原图像超像素分割结果,计算每个分割块的平均视差,并在平均视差基础上设置上下阈值,作为该分割区域所有点的视差搜索范围。这样,既减少了视差搜索范围,也保证了搜索结果的精度;同时,为降低原始视差图误匹配率,在计算弱纹理区域的聚合值时,叠加了下采样层对应区域的聚合值。弱纹理区域是根据超像素分割区域的灰度直方图确定的;最后,在已缩小的搜索范围内,根据代价最小原则获得最终的视差。实验结果表明:该方法在保证视差精度的前提下,计算复杂度大幅降低,计算时间缩短为原来的1/4。

基于超像素图像分割算法的碳酸盐岩鲕粒特征提取方法

碳酸盐岩是一种非常重要的油气储集体。一直以来,碳酸盐岩薄片特征的鉴定多依赖于人工标注,耗时长且主观性强。随着机器学习等技术的快速发展,将已有图像转化为数字图像后再进行分割、分类和特征提取,可以有效地提升效率,降低成本。为此,针对碳酸盐岩鲕粒特征提取采用了两种方法进行对比研究:一种是基于传统图像分割处理算法,一种是基于SLIC的超像素分割算法。实验结果表明超像素分割算法在准确度、提取速率等方面相较于传统分割算法更具优势。

结合彩色和空间信息的RGBD图像超像素分割算法

针对室内场景的特性,提出一种结合彩色和空间信息的简单线性迭代聚类(SLIC)算法来对室内场景RGBD图像进行超像素分割。该算法提出一种将彩色和空间信息相结合的方法来计算不同像素点之间的距离,具体地说,该算法利用两个像素点的法向量之间的余弦值对它们的彩色差异值和空间位置差异值进行自适应加权。该计算方法能有效区分室内场景中两个颜色相近的方向不同的相邻平面区域。在聚类过程中,聚类中心的搜索范围是固定不变的,整个聚类过程在线性时间内完成。在NYUv2图像数据集上的实验结果表明,对比只使用彩色图像的SLIC算法,本研究提出方法的分割性能更好,边缘定位更准确。

基于改进的SLIC超像素分割算法

针对原始的简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割算法,在运行前需要根据经验来预设分割的超像素块数,这可能导致出现过分割或欠分割的问题。本文提出了一种改进的SLIC超像素分割算法,利用全局HSV颜色空间的非均匀量化来间接地表示待分割图像的复杂度,并进一步用其一维向量对应直方图的均值来表示预分割超像素的块数,从而达到自适应设置超像素块数的目的。随后为了获得更加完整地分割图像目标轮廓信息,本文还提出了利用图像的梯度信息对分割结果做进一步处理。最终结果显示,相较于原始的SLIC超像素分割算法,本文所提的改进SLIC算法能够在保障分割质量的前提下,大幅减少分割图像中的过割行为并保留目标图像的边界区域。

基于边缘信息的RGB-D图像超像素分割算法

针对简单线性聚类算法(SLIC)中需要初始预设超像素个数和大量重复聚类计算的问题,提出一种基于边缘信息的RGB-D图像超像素分割算法。利用各向异性高斯核提取彩色图像中边缘强度信息,在此之上,自适应地提取图像的初始聚类中心。仅对位于图像边缘附近的像素点进行重新聚类标记计算,这种策略在保证聚类准确的同时,大大降低了重新聚类计算的复杂度。同时,本文提出一种基于边缘信息的距离度量准则来度量两个像素点之间的空间距离。在公开的图像数据集上的实验结果表明,相比其他几种算法,本文算法的分割结果更能反应出场景中物体的轮廓信息,而且算法效率更高。

梯度-纹理特征超像素分割的SAR图像阴影识别

为了克服基于像素的合成孔径雷达(synthetic aperture radar,SAR)图像阴影自动识别中图斑离散和精度低的问题,提出基于梯度-纹理特征超像素分割的SAR图像阴影自动识别方法。首先,提取SAR图像梯度和纹理特征;然后,综合SAR图像梯度和纹理特征进行主成分分析,再采用简单线性迭代聚类算法(SLIC)对前3个主成分合成的图像进行超像素分割;最后,以超像素为分析单元,采用恒虚警率(CFAR)检测算法识别SAR图像阴影。采用MSTAR图像数据集开展实验,并与“像素+CFAR”和“SAR图像超像素分割+CFAR”阴影识别方法进行定性和定量对比。对比实验显示,该方法识别阴影的MIoU值最高(0.882),Hausdorff距离最小(43.55)。实验结果表明,该方法不仅有效解决了SAR图像阴影识别图斑离散问题,而且识别阴影的准确度、识别的阴影边界与真实边界的符合程度均达到了较理想的效果。

改进U-Net网络的接地网图像超像素分割

研究基于改进U-Net网络的接地网图像超像素分割方法,提升红外图像超像素分割效果。通过主成分分析法降维处理接地网腐蚀红外图像;利用Turbopixel超像素分割法分割降维后的红外图像,获取数个超像素区域;在全卷积U-Net网络内添加可变形卷积与重构上采样卷积,并利用反向传播算法,优化网络参数,建立改进的全卷积U-Net网络结构;在改进的全卷积U-Net网络内分割获取的数个超像素区域,输出红外图像超像素自动分割结果。实验证明:该方法可有效降维处理接地网腐蚀红外图像,实现红外图像超像素分割,分割后的红外图像边界清晰;在不同分辨率时,该方法的Dice相似性系数较高、Hausdorff距离较低,具备较高的红外图像超像素分割精度。

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。

改进霍夫变换与像素分割的水位识别方法

基于图像的前端水位测量平台可以显著提升水位监测系统的效率。由于一年中水流情况各不相同,大多数摄像仪器并不能保证测量的稳定性。为防范化解超标准洪水信息采集可能带来的风险,本文提出了一种改进霍夫变换与像素分割的水位识别方法,将霍夫变换应用于不同分辨率的水尺图像,以对倾斜水尺目标进行校正。利用中值滤波解决水尺污渍的读数问题,在预分割的同时过滤了修正后的水尺图像。最后将相邻像素相似度函数的边界项纳入图像分割算法,提升水尺和水面区域的分类精度以获得准确的水位数据。实验结果表明,改进后的水位识别算法能够在极端恶劣的气象条件下,提供50ms/次的水位识别,识别误差小于2cm,确保了在超标准洪水过程中出现缺乏光照、水面阴影、水尺反光等情况时,水位识别监控的准确性和可靠性。

基于超像素分割的多尺度特征融合图像语义分割算法

针对当前图像语义分割Deeplab v3+模型浅层特征分辨率低、遗漏分割等问题,引入全卷积神经网络(FCNN),并在此基础上联合超像素分割实现对物体边缘特殊优势、粗糙分割结果的优化,采用空洞卷积设计多尺度特征融合模块,以提升图像空间信息利用率。为提高网络学习能力与网络性能,引入跳跃连接结构和两个损失函数,经过训练测试,证实该算法具有良好的像素精度,可提升分割准确率提高,鲁棒性强,可改善遗漏分割与错误分割。

基于超像素特征的苹果采摘机器人果实分割方法

针对苹果采摘机器人在自然环境下对着色不均匀果实的识别分割问题,提出了基于超像素特征的苹果采摘机器人果实分割方法。首先,采用简单线性迭代聚类算法将图像分割成内部像素颜色较为一致的若干超像素单元;然后,提取每个超像素的纹理和颜色特征,并采用支持向量机将超像素分为果实和背景两个类别;最后,根据超像素之间的邻接关系对分类结果进行进一步修正。实验表明,该方法能够对大部分超像素单元进行正确分类,平均每幅图像被错误分类的超像素约为2.28个。与采用像素级特征的色差法和采用邻域像素特征的果实分割方法相比,采用超像素特征的果实分割方法具有更好的分割效果。在进行邻接关系修正前,该方法图像分割准确率达0.9214,召回率达0.8565,平均识别分割一幅图像耗时0.6087 s,基本满足实时性需求。

基于超像素分割与闪频特征判别的视频火焰检测

视频监控已经成为当今火灾防范的主要方法。视频火焰算法层出不穷,但多为训练各种分类器做最后的分类,这需要提前准备大量相关的视频火焰样本来做训练,在视频火焰样本不够的情况下往往不能达到很高的检测率。本文提出一种基于超像素分割并结合闪频特征进行判断识别的方法。首先在Lab颜色空间上利用超像素分割方法将待检测图像分割出近似均匀的若干个小区域,并以其形心点代表一个超像素,结合RGB颜色空间与Lab颜色空间中的静态特征,根据提出的一定规则提取出火焰候选区域,最终利用此区域内提取的闪频特征判别其是否为火焰。实验证明,该算法在样本较少的情况下检测率较高。