一种新的图像超像素分割方法

针对现有超像素分割方法无法自动确定合适的超像素数目,以及难以有效贴合图像目标边界等问题,该文提出一种新的利用局部信息进行多层级简单线性迭代聚类的图像超像素分割方法。首先,运用基于局部信息的简单线性迭代聚类(LI-SLIC)对原始图像进行超像素初分割,然后,根据超像素的色彩标准差对其进行自适应多层级迭代分割,直至每个超像素块的色彩标准差小于预设阈值,最后,利用相邻超像素间的色彩差异对过分割的超像素进行合并。为验证方法的有效性,该文采用Berkeley, Pascal VOC和3Dircadb公共数据库作为实验数据集,并与其他多种超像素分割方法进行了比较。实验结果表明,该文提出的超像素分割方法能更精确贴合图像目标边界,有效抑制图像过分割和欠分割。

一种基于脊线的层级分水岭新算法

针对传统V.S.分水岭算法存在的过分割现象,提出一种基于脊线的层级分水岭算法。通过对传统V.S.分水岭算法中浸没过程的适当改进,找到完整无冗余的区域脊线;再次修改浸没过程,仅对脊线进行多级迭代的分水岭再分割,即可完成区域分割。实验结果显示:该算法能处理传统V.S.分水岭算法的过分割现象,且计算速度较快。

基于改进AlexNet和线性迭代聚类的超像素分割方法

针对超像素分割算法目标边缘分割不精确等问题,提出一种基于改进AlexNet和简单线性迭代聚类的超像素分割方法。采用可微分聚类算法模块,以取代SLIC算法中的硬像素-超像素关联;通过将迁移学习融入AlexNet模型,对全连接层参数进行调整,保留原网络的卷积层,根据所得到的特征进一步把识别检测问题转换成分离目标和背景的二分类问题。训练一个可微分的聚类算法模块,以产生准确的超像素。在BSDS500和MRI数据集上进行图像生成和图像分割的仿真结果表明,所提出的方法在图像生成边界召回率指标和超像素的生成时间性能指标分别达到69.32%和0.7037 s,实现了性能和时间的平衡,有效提高超像素的分割精度和分割时间效率。