基于GMM与活动轮廓模型的图像协同分割

提出一种基于GMM和轮廓模型的图像协同分割方法。通过检测待分割图像的显著性水平去除待分割图像集中的干扰图像,将剩下的图像组合成图像对进行协同分割。采用混合高斯模型建立图像区域相似性的度量,通过水平集控制分割轮廓的演化,得到所有图像中的目标区域。实验结果表明,该算法可以去除干扰图像,在处理有较大光照差异的图像时,能够保持较好的图像分割鲁棒性。

形状模板约束的图像协同分割

已有的协同分割方法没有考虑到同一类图像所具有的目标形状相似性,从而使得分割结果不一致。提出了形状模板约束的图像交互协同分割算法,通过少量用户交互提高协同分割质量。该算法首先定义形状模板;然后通过形状上下文实现分割结果传递,自动形成图像分割所需的前景和背景掩码;最后采用最小割理论进行分割边界优化。实验结果表明,与已有的协同分割算法相比,该算法能在简单用户交互下明显提高分割质量,使分割结果更具有语义性。

渐进式前景更新和区域关联的图像协同分割

目的图像协同分割技术是通过多幅参考图像以实现前景目标与背景区域的分离,并已被广泛应用于图像分类和目标识别等领域中。不过,现有多数的图像协同分割算法只适用于背景变化较大且前景几乎不变的环境。为此,提出一种新的无监督协同分割算法。方法本文方法是无监督式的,在分级图像分割的基础上通过渐进式优化框架分别实现前景和背景模型的更新估计,同时结合图像内部和不同图像之间的分级区域相似度关联进一步增强上述模型估计的鲁棒性。该无监督的方法不需要进行预先样本学习,能够同时处理两幅或多幅图像且适用于同时存在多个前景目标的情况,并且能够较好地适应前景物体类的变化。结果通过基于iCoseg和MSRC图像集的实验证明,该算法无需图像间具有显著的前景和背景差异这一约束,与现有的经典方法相比更适用于前景变化剧烈以及同时存在多个前景目标等更为一般化的图像场景中。结论该方法通过对分级图像分割得到的超像素外观分布分别进行递归式估计来实现前景和背景的有效区分,并同时融合了图像内部以及不同图像区域之间的区域关联性来增加图像前景和背景分布估计的一致性。实验表明当前景变化显著时本文方法相比于现有方法具有更为鲁棒的表现。

面向变化检测的SAR图像超像素协同分割算法

针对面向对象的合成孔径雷达(synthetic aperture radar, SAR)图像变化检测中存在的多时相图像边界和空间对应关系不一致的问题,提出了一种面向变化检测的SAR图像超像素协同分割算法。首先,分别计算两幅不同时相SAR图像中两个像素点之间的强度相似度,并进行加权组合得到新的像素强度相似度。其次,对两幅不同时相的SAR图像及其对数比值图分别进行边缘提取,以同一像素位置的最大边缘值构造二值边缘图。最后,以融合了像素强度、空间距离和边缘信息的相似度代替CIELAB彩色空间相似度,利用改进简单线性迭代聚类算法对多时相SAR图像进行超像素分割,得到边界准确、空间对应的协同分割结果。基于一组仿真和一组实测多时相SAR图像的协同分割实验结果表明,该方法的边缘贴合率、欠分割误差和可达分割准确率均优于其他4种经典方法。

显著性特征约束的交互式协同分割

针对背景区域干扰导致无法准确计算共同对象相似性的问题,提出利用图像显著性和SIFT流对齐算法改进图像协同分割质量。该算法首先计算图像显著性特征,然后通过SIFT流与交互式分割结果进行对齐和匹配,从而通过显著性与匹配结果得到像素标签的可能性,最后采用最小割理论进行分割边界优化。实验结果表明,与已有的协同分割算法相比,该算法能够提高分割质量。

基于协同热扩散模型的协同图像分割算法

针对传统的图像分割算法由于缺乏先验知识得不到理想的分割结果,或需要大量的人工交互问题,本文提出了一种基于协同热扩散模型的协同图像分割算法。算法通过建立图像集合中的扩散模型,利用传导边将图像连接成一个统一的扩散网络,从而将图像集合的协同分割问题转化为3D扩散模型最大增益的求解问题,最终根据子模优化理论对其进行求解。在协同分割数据集上的大量对比实验,验证了本文协同分割算法的优异性能。

融合注意力机制与知识蒸馏的孪生网络压缩

目的使用深度孪生网络解决图像协同分割问题,显著提高了图像分割精度。然而,深度孪生网络需要巨大的计算量,使其应用受到限制。为此,提出一种融合二值化注意力机制与知识蒸馏的孪生网络压缩方法,旨在获取计算量小且分割精度高的孪生网络。方法首先提出一种二值化注意力机制,将其运用到孪生网络中,抽取大网络中的重要知识,再根据重要知识的维度重构原大网络,获取孪生小网络结构。然后基于一种改进的知识蒸馏方法将大网络中的知识迁移到小网络中,迁移过程中先后用大网络的中间层重要知识和真实标签分别指导小网络训练,以获取目标孪生小网络的权值。结果实验结果表明,本文方法可将原孪生网络的规模压缩为原来的1/3.3,显著减小网络计算量,且分割结果接近于现有协同分割方法的最好结果。在MLMR-COS数据集上,压缩后的小网络分割精度略高于大网络,平均Jaccard系数提升了0.07%;在Internet数据集上,小网络分割结果的平均Jaccard系数比传统图像分割方法的最好结果高5%,且达到现有深度协同分割方法的最好效果;对于图像相对复杂的iCoseg数据集,压缩后的小网络分割精度相比于传统图像分割方法和深度协同分割方法的最好效果仅略有下降。结论本文提出的孪生网络压缩方法显著减小了网络计算量和参数量,分割效果接近现有协同分割方法的最好结果。