简单线性迭代聚类的超像素算法

当前,图像分割处理中存在过程繁琐、效率低下等问题,加上图像超像素形状及大小不均等影响因素,难以适应高性能计算要求。基于此,本文提出了简单线性迭代聚类改进算法。首先预处理获得像素信息,减少算法执行过程中的计算耗时;其次,通过一系列算法优化,降低访存时间,使其更有利于后续并行化的操作;最后依据像素点的处理之间互不产生依赖的情况,使用向量化和并行化的手段,对算法进行整体加速,进一步提升算法效率。实验结果表明,本文提出SLIC改进算法相比基准模型,在计算速率和算法性能方面得到提升。

基于简单线性迭代聚类和快速最近邻区域合并的图像分割算法

针对传统区域邻接图在描述数据结构时,搜索全局最优解难的问题,提出了一种基于简单线性迭代聚类(SLIC)和快速最近邻区域合并的图像分割算法。该方法在区域邻接图基础上引入了最近邻接图来优化全局搜索,首先用SLIC超像素算法将图像分割成小区域,利用区域邻接图(RAG)和最近邻接图(NNG)的邻接表数据结构来描述区域之间的关系,然后计算每个待合并区域与其所有邻接区域之间的不相似度函数值,最后合并不相似度值最小的区域。实验结果表明:本文方法能较好地将最相似的区域进行合并,与传统的区域合并算法相比,降低了合并计算的复杂度,大幅度提高了区域合并的准确性。

融合简单线性迭代聚类的高光谱混合像元分解策略

高光谱图像中的混合像元问题广泛存在,混合像元的分解效率一直是遥感应用研究的难点和热点。目前成熟的端元提取算法有纯像元指数（pure pixel index,PPI）、内部最大体积法（N-FINDR）、顶点成分分析（vertex component analysis,VCA）、顺序最大角凸锥（sequential maximum angle convex cone,SMACC）、交替最大体积法（alternating volume maximization,AVMAX）、最小体积封闭单形体（minimum volume enclosing simplex,MVES）等,这些算法从图像所有像元中提取纯光谱,具有提取速度慢、精度不高的缺点。为此,该文引入了一种融合简单线性迭代聚类（simple linear iterative clustering,SLIC）超像元分割的高光谱混合像元分解算法。超像元分割技术能够将具有相似特征的相邻像元组成图像块,并保留进一步进行图像处理的有效信息,从而大幅减少参与端元提取的像元数量,为解决上述问题提供了有效的途径。通过试验对比了降维方式（主成分分析和最大噪声分数）、RGB对应关系（6种）、色彩空间RGB（red,green,blue）和LAB（lightness-A-B）、数据格式（JPG,BIN）和算法参数K对高光谱图像超像元分割结果的影响,并进一步分析了SLIC超像元分割结果对2种典型端元提取算法（AVMAX、MVES）产生的不同效果。试验结果表明,随着K值的增大,混合像元分解的时间逐渐增加,均方根误差（root mean square error,RMSE）持平或减少,而JPG（有损压缩）数据格式的时间始终比BIN（无损压缩）数据格式的要短。SLIC＋MVES的RMSE略高于MVES的RMSE,低于AVMAX的RMSE,但时间远小于MVES。当K足够大的时候,SLIC＋MVES的效果就近似MVES的效果了。在大部分情况下,最大噪声分数的降维效果优于主成分分析。以最大噪声分数作为降维方法、以JPG作为数据格式、以LAB作为色彩空间对混合像元分解结果较为有利。另外,SLIC的参数K的取值在5-10之间较为合适。该研究中的SLIC超像元分割算法简单易行,并且提高了混合像元分解的效率,具备很好的实用价值。

基于简单线性迭代聚类优化的无人机图像去雾算法及其在风电场中的应用

针对电力巡检过程中无人机(unmanned aerial vehicle,UAV)载荷因受雾气颗粒影响而导致UAV图像不清晰的问题,提出一种基于简单线性迭代聚类(simple linear iterative clustering,SLIC)优化的UAV图像去雾算法。通过雾天成像物理模型、暗通道先验定律、同质滤波与SLIC算法,改善电力巡检图像中白色区域及不均匀光照的影响,提升UAV图像去雾处理的效率,并对大气光强度参数进行自适应计算,以防止去雾过程中复原失真。实验结果表明提出的算法可有效恢复电力巡检图像的原始细节,并通过主观视觉评估及融合多种客观评价指标的对比,说明该算法相对于传统算法的优越性。

基于超像素快速模糊聚类的印刷品图像分割方法

针对当前彩色印刷品色差检测过程中效率低、复杂性高等问题,提出了一种基于超像素快速模糊聚类的印刷品图像分割方法(SFFCM)。先用简单线性迭代聚类(SLIC)算法将图像分割为紧密相邻的超像素区域。每个超像素区域被视为一个独立的聚类单元。随后,将模糊C均值聚类(FCM)算法应用于超像素的归属关系计算中,即引入隶属度值,允许超像素归属于多个聚类中心,并通过权衡归属度值来实现模糊聚类。实验结果表明,相对于其他算法,本文方法在保持良好实时性的同时,实现了较好的分割效果,有效平衡了算法复杂度与分割效果之间的关系。

基于NMI特征的遥感影像线性迭代聚类超像素分割算法

针对现有基于简单线性迭代聚类(SLIC)的超像素分割算法用于细节丰富的遥感图像处理时,存在的易受噪声干扰、过分割问题,本文提出一种结合超像素块之间基于归一化转动惯量(NMI)特征的相似性度量的遥感影像分割方法,对分割效果进行改善。本文首先利用引导滤波算法对影像进行平滑处理,去除椒盐噪点;再通过现有的线性迭代聚类算法对影像进行像素级分割,生成初始的超像素;进而确定出微小超像素块,然后计算其与相邻超像素块的相似性度量值,将其合并入差异性最小的相邻超像素块,达到分割影像的目的。本文方法在传统分割算法基础上降低了超像素对噪声的敏感性,提高了影像分割的精度。实验表明,论文提出算法可将测试遥感图像的分割超像素块数量由4 171减小为282,微小超像素块数量减少60%以上,有效降低噪声点的影响,改善以往算法存在的过分割缺陷。

基于模糊聚类的超像素图像分割算法

针对传统的模糊聚类算法在图像分割时出现的信息保留不足和抗噪性差等问题,提出一种基于模糊聚类的超像素图像分割算法。该算法首先在全局范围利用抑制式模糊c均值聚类算法确定像素的所属分类,然后在局部范围利用简单线性迭代聚类算法融合图像中物体的边界信息,最后通过计算超像素分割网格划分下的均值隶属度完成图像分割。算法既保留模糊聚类的粗模块分割优势,又利用超像素提高对边界信息的融合能力,达到优化分割效果的目的。在数值实验部分,分别在人工合成图像和Berkeley数据集等真实图像上检测算法效果,验证了边界分割能力和抗图像噪点能力。

结合SLIC超像素和DBSCAN聚类的眼底图像硬性渗出检测方法

为自动检测出眼底图像中的硬性渗出,结合简单线性迭代聚类(SLIC)超像素分割算法和基于密度的聚类算法(DBSCAN),提出一种对眼底图像硬性渗出的检测方法.首先,采用SLIC超像素分割算法对彩色眼底图像进行过分割;然后,采用DBSCAN对上述分割得到的超像素进行聚类,形成簇;最后,分割出目标图像,并选用标准糖尿病视网膜病变数据库(DIARETDB0和DIARETDB1)的眼底图像验证上述组合算法的可行性.实验结果表明:算法能够快速、可靠地检测出眼底图像中的硬性渗出,具有可直接对彩色图像进行分割、特征提取的特点.

联合改进LBP和超像素级决策的高光谱图像分类

高光谱图像在有标签样本数目较少的情况下进行分类时,除了利用光谱特征外,空间纹理特征也是必不可少的。本文提出了一种利用多尺度多方向局部二值模式(LBP)描述子获取纹理特征,并结合超像素级指导决策的支持向量机分类方法。首先,本文方法将传统LBP描述子改进为多尺度多方向LBP描述子,一方面充分考虑了邻域像素之间的关系,另一方面在计算时分别考虑了水平垂直方向和对角方向。其次,在利用统计直方图获得纹理特征时,采用了多个尺寸窗口组合的方式,以获得多范围、高精度的纹理特征。第三,对传统的简单线性迭代聚类(SLIC)超像素分割方法进行改进,重新定义了光谱距离并引入了纹理特征距离,获得更精确的超像素分割图。最后,利用超像素分割图结合多数投票策略,对分类结果进行进一步的指导校正。实验表明,本文方法能够更有效的提取纹理特征,再结合超像素分割图的指导决策,进一步提升高光谱图像的分类性能。

基于超像素和改进迭代图割算法的图像分割

基于经典的图割(Graph cut)理论,提出一种基于超像素和改进Graph cut算法的图像分割算法。采用改进简单线性迭代聚类算法,得到前景边缘信息保存较完整的超像素图像。以超像素为处理单元,通过融合颜色、梯度等信息重建能量函数,并基于Graph cut框架进行分割。仿真结果显示,与Grabcut算法相比,改进算法不仅具有更高的分割精度,提取的目标边缘较完整、光滑,而且大幅提升了分割效率。

基于改进简单线性迭代聚类算法的遥感影像超像素分割

使用简单线性迭代聚类(SLIC)算法对遥感影像进行超像素分割时,存在运行时间长与边缘贴合度差的问题,因此,提出了一种基于改进SLIC的遥感图像超像素分割算法。首先,改进了初始种子点的初始化方式,消除了随机分配造成的影响;其次,在每次迭代后引入滤波操作,去除超像素内与聚类中心在颜色空间上差异较大的像素点,用剩余的像素点更新聚类中心;最后,用改进的均值计算公式进行迭代以实现超像素分割。在Python环境下的实验结果表明,在超像素个数相同的情况下,相比经典的SLIC算法,本算法在相同数据集中的分割误差率降低了7.4%、分割精度提高了1.4%,可在有效提高边缘轮廓贴合度的同时降低算法的计算复杂度。

一种融合双聚类算法的高分辨率遥感影像分割方法

针对高分辨率遥感影像分割易受噪声干扰问题,提出一种简单线性迭代聚类与区域动态约束聚类相融合的双聚类算法。该法首先利用简单线性迭代聚类产生超像元,然后运用区域动态约束聚类算法对超像元进行聚类合并,结合聚类生成的方差和、局部方差和局部方差变化率,确定合理分割数,最终完成影像分割。实验表明,本文提出的影像分割方法抗噪声干扰能力较强,且分割结果精度较高,未出现欠分割和过分割现象,Kappa系数高达0.8312,OCE值低至0.4185,属于一种稳健的遥感影像分割方法。

线性迭代聚类和主成分分析的遥感影像变化检测

针对像素级变化检测方法对高空间分辨率遥感影像进行变化检测时存在检测结果过于细碎、错检和漏检过多等问题,该文提出一种结合简单线性迭代聚类(SLIC)和主成分分析(PCA)的对象级遥感影像变化检测方法。该方法首先采用SLIC算法分别对两期遥感影像进行分割得到超像素并标记颜色;然后采用PCA法对分割标记图进行降维并采用差值运算方法对两期分割标记图进行处理得到差异图;最后采用OTSU法对差异图进行二值分割得到最终的变化检测结果。为了验证实验结果,选取两组多时相遥感影像作为实验数据。实验结果表明,该方法得到的变化检测精度分别达到95.96%和91.9%,是一种可行的变化检测方法。

基于SLIC和马氏距离混合核函数聚类的脑肿瘤图像分割算法

针对脑核磁共振图像边界不清晰、灰度不均匀和无法准确进行图像分割的问题,提出了一种基于简单线性迭代聚类(SLIC)和马氏距离混合核函数聚类的脑肿瘤图像分割方法.首先,采用各向异性滤波去除脑肿瘤MRI图像中的噪声,并运用SLIC算法对图像进行预分割;其次,对预分割图像使用粒子群算法初始化聚类中心;最后,将传统核模糊C均值聚类(kernel fuzzy c-means clustering)算法中的欧氏距离单一高斯核函数替换为马氏距离混合高斯核函数,把数据由低维空间映射到高维空间,并在高维空间中进行聚类.实验结果表明,所提算法在脑肿瘤图像分割中具有较高的分割精度,其Dice指标和Jaccard指标的平均值分别达到了0.9553和0.9144.

基于SLIC和主动学习的高光谱遥感图像分类方法

在主动学习的基础上,提出一种基于SLIC的高光谱遥感图像主动分类方法。首先提取图像纹理特征并与光谱特征融合,使用PCA对新数据进行降维,取前三个主成分构成假彩色图像,然后使用SLIC处理该图像获得超像素;接着随机抽取定量超像素作为初始训练样本,样本光谱信息为超像素样本中所有像素点的光谱信息均值,样本标签为超像素中出现次数最多的类别;然后通过主动学习得到SVM分类器;最后使用分类器对超像素分类得到其类别,并将超像素类别赋予其包含的像素点,从而达到高光谱遥感图像分类的目的。实验表明:该方法明显降低了主动学习过程的时间消耗,有效地提高了分类效果,其OA,AA和Kappa值显著优于未使用SLIC的主动学习方法。

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。

融合边缘优化SLIC和A*算法的影像镶嵌线提取

针对遥感影像自动提取镶嵌线穿过独立地物损害地物完整性的问题,提出融合边缘信息优化SLIC和A*算法的影像镶嵌线提取方法。首先,提取影像边缘信息,并将边缘强度因子与影像光谱信息融合;然后,使用优化的简单线性迭代聚类方法对重叠区域影像进行超像素分割,获取地物完整的超像素,并利用数学形态学算子去除孤立噪声与不完整边界;最后,采用曼哈顿距离启发函数提升A*算法的镶嵌线提取效率,获取最优的镶嵌线提取。分析结果表明,该方法可有效提取影像镶嵌线,避免镶嵌线通过独立建筑物,满足后期正射影像制作要求。

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。

基于类间蚂蚁竞争模型的显著图像分割算法

由于单类蚁群算法分割易造成欠分割或者过分割,提出基于类间蚂蚁竞争模型的显著图像分割算法。首先根据线性迭代聚类超像素分割算法(simple linear iterative clustering,SLIC)对图像进行预处理,在保留原始图像信息的前提下,将图像分割成各个区域,这样不仅可以提高分割精度得到理想的分割结果,还可以缩短运算时间。同时为了弥补单类蚂蚁分割易造成的欠分割或者过分割,引入两类蚂蚁,每一类蚂蚁寻找各自目标(前景/背景),不同类别的蚂蚁之间进行信息互补与竞争,使得分割结果更加准确。根据种群竞争思想,设定两类蚂蚁,每类蚂蚁设定食物目标不同,从而相互竞争,“优胜劣汰”,最终找到各自的食物,根据两类蚂蚁分泌的信息素竞争得到最终的结果。实验结果表明,该算法运行快速,分割结果更加精确。

基于超像素统计量的随机森林遥感图像分类

针对遥感图像地物覆盖分类方法对图像空间分布信息利用不足的问题,提出一种基于超像素统计量的随机森林遥感图像分类方法。以北京市海淀区为研究区,选用Landsat-8卫星为主要数据源,通过改进SLIC超像素分割方法,使之适用于多光谱遥感图像中超像素的分割,提取超像素常见的六个统计量(最小值、最大值、均值、标准差、上四分位数、下四分位数)用于随机森林在遥感图像中的分类。实验结果表明,其对研究区遥感图像的总体分类精度为89. 01%,明显改善了对地物的错分和漏分现象,能够推广到Landsat-8遥感图像的地物覆盖分类工作中。