层次聚类算法和基于图的分割算法相融合的图像分割算法

在基于图的分割(graph-based segmentation,GBS)算法的基础上引入层次聚类算法,构造出一种解决GBS算法欠分割的方法,同时采用多线程并行处理数据的方式,有效改善了传统层次聚类算法的处理速度。该方法首先在RGB彩色空间中使用GBS算法得到图像中每个像素点的初始分割结果,然后提取出每一类区域中的像素值,对其进行层次聚类,得到每一类区域中像素值的类别标签,再根据层次聚类所得到的类别标签和预设的类别范围,修改每个像素点的初始分割结果。根据区域合并准则,生成一个新的分割图。经实验表明,该方法与K-means-SLIC算法和GBS算法等相比,很好地解决了欠分割现象,并产生了分割精度较高的语义分割图。

含平滑处理的图像分割算法比较

图像理解的基础是图像语义分割。通过引入块形状复杂度并结合欧拉数,构建了过分割块合并的图模型图像分割算法(GM)。按照先图像平滑再图像分割的思路,把双向滤波、保边平滑、总变差结构提取平滑和滚动引导滤波等4种平滑算法与阈值分割、主动轮廓、粒子群优化算法和GM等4种分割算法相组合,形成16套先平滑再分割的两阶段图像分割算法。通过实验进行分割比较,并根据校正兰德指数(CRI)和杰卡德指数(JI)进行量化分析。实验结果表明:总变差结构提取平滑与GM相结合取得的分割结果最佳。t检验显示,平滑预处理能够显著提高GM算法的分割效果。

在Split-Merge框架下进行基于图的图像分割

Split-Merge算法是图像分割领域的经典算法,思路简洁、运算效率高,但因分裂位置和形状固定,导致出现方块效应和边界定位不准确等问题。现有的各种改进算法不能从根本上解决这些问题,为此本文将基于图的分割算法纳入到Split-Merge框架中来,提出了在Split-Merge框架下进行基于图的分割。新算法把传统的基于图割值的算法作为分裂阶段的处理手段,在合并阶段采用本文提出的一种与访问次序无关的合并算法。新算法既解决了Split-Merge算法中因分裂位置和形状固定而带来的各种问题,也有效地消除了在基于图的分割中常见的"过分割"现象,取得了满意的分割效果。

基于并行处理的图像分割算法研究

为了实时而准确地分割高分辨率图像,提出一种基于图的并行分割算法。该算法采用并行结构,将图像分为多个区域,充分利用不相邻区域的处理具有并行性的特点,对多个区域进行并行处理。算法可直接部署在多核处理器上,多核并行处理以减少运行时间。为了增强算法对杂乱背景的适应能力,提升分割的准确性,采取低权值直接合并策略,将相对较为均匀的区域直接合并,使同一目标区域内的分割一致性更强。实验结果表明,该分割算法的实时性较好,明显优于现有分割算法,并且分割准确性较高,在复杂场景中应用也能取得较好的分割效果。

基于层级图分割的视频分割

我们提出了一个全新的视频分割的方法。它不仅效率很高,而且,可以为任意长的视频生成结果。首先,我们将每一帧图像利用超像素的方法进行预分割。然后,利用基于图的层级分割的方法,将每一帧的预分割进一步分割成不同的区域。预分割中光流分析的方法保证了分割结果的时间空间一致性。在利用这种方法对视频进行分割的时候,我们只要根据上一帧的结果就可以计算下一帧,所以,我们可以针对任意长度的视频进行分割。

基于图的矿石颗粒图像检测技术

对于矿石颗粒图像,传统基于图的图像分割方法精度低。为了实现矿石颗粒图像的细分割,文章提出一种改进的基于图的图像分割方法。该方法重新定义了判定函数,度量了区域之间的关系,能够提炼出更多目标细节。所提分割方法获得了更为准确的结果,提高了精确度。

基于颜色和方向特征区域对比度的显著性检测模型

视觉显著性检测是很多计算机视觉任务的重要步骤,提出了一种基于颜色、方向特征和空间位置关系相结合的区域对比显著性检测算法.首先用基于图论的算法将图像分割成若干区域,结合区域间颜色特征和空间对比度计算出颜色显著图.同时采用基于纹理特征的算法分割图像,通过方向特征和空间对比度得到方向显著图.最后将二者结合得到最终显著图.在国际现有公开测试集上进行仿真实验,并与其它显著性检测方法进行对比,检测结果更加准确、合理,证明此算法切实可行.