基于改进模糊C均值聚类与Otsu的图像分割方法

针对背景与前景颜色差别较小的原木图像分割效果不理想的情况,本文给出了模糊C均值聚类与Otsu相结合的图像分割方法。该方法首先以标准原木数据库为样本,之后使用模糊C均值聚类算法把背景与前景颜色差别较小的原木样本图像分割成2类,其次利用准则函数找出前景分割结果,最后把该结果作为Otsu算法的输入,对原木样本图像进行再次分割。实验结果表明,本文研究的算法比单独使用模糊C均值聚类算法、Otsu和同类算法有较好的分割效果和较高的分割准确率,边缘信息保留较好,平均分割准确率提高2个百分点。

一种融合MeanShift聚类分析和卷积神经网络的Vibe++背景分割方法

针对传统Vibe+算法存在噪点和拖影分割错误率较高的问题,提出了一种改进的Vibe+运动目标分割算法(Vibe++)。首先,通过对视频帧采用传统Vibe+算法处理获取二值图像,基于区域生长算法对结果图中各连通域标记,依据边界面积块差异获取面积筛选阈值,将低于阈值的连通区域视为噪点并删除;然后,引入5种不同核函数优化传统MeanShift聚类算法,并与卷积神经网络(CNN)进行顺序组合;最后,采用组合模型对已消除噪点图像中的拖影区、非拖影区和拖影边缘区分类,计算拖影区中每个像素点的坐标,定位拖影区并快速删除,获取分割结果。所提算法用于公开数据集的实验结果表明,其可取得98%以上的分割准确率,具有较好的应用效果和较高的实用价值。