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。

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。

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。

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。

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。

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。

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。

基于超像素与半监督的岩石图像分割与识别

岩石薄片图像的分析往往依赖于专业人员在显微镜下观察并给出鉴定结果,不但费时费力,并且受设备影响较大。近些年,针对薄片图像的自动识别方法已经被提出。然而,这些方法大多采用监督学习与深度学习相结合的方式,由于需要大量人工标注而受到限制,为方法的推广与应用带来巨大困难。此外,模型在不同的地层、岩性等目标应用时,由于不同地质环境中岩石的差异性,其泛化性也受到极大限制。本文针对该问题提出了一种简单线性迭代聚类算法(simple linear iterative cluster,SLIC)与半监督自训练结合的方法,仅依靠6%的人工标注便能够实现岩石图像的自动化分割与组分识别,极大地增强岩石图像自动识别方法在实际应用中的价值。该方法首先使用超像素算法SLIC对岩石图像进行预分割,随后基于分割片的颜色特征进行粗合并,并根据最小外接矩形进行切割;切割下来的岩石组分分割图像作为后续处理的基础数据集,这里仅需要人工标注6%的岩石组分数据;随后,这些数据通过一个改进的半监督自训练方法,以改进的VGG16模型作为主模型、ResNet18模型作为评判模型,不断生成高置信度的伪标签,利用迭代优化调整,将其扩展到整个数据集,最终获得一个具有较高的稳定性、准确性及一致性的组分识别模型。实际数据的测试与分析表明,本文所提出SLIC和半监督自训练结合的方法,对6类岩石组分的识别准确率可达到96%。该方法能够在数据差异不大的条件下,帮助用户基本实现自动化的组分识别。而当数据集产生较大差异时,仅需标注小部分样品即可实现自动组分识别。本方法具有较高的泛化性和可靠性,能够在实际应用提供足够的准确性与便利性。

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.

综合引导滤波和字典学习超像素聚类图像融合

针对多聚焦图像融合易出现块效应和边界伪影等问题,提出了一种综合迭代引导滤波和字典学习超像素聚类的融合算法。首先对源图像进行超像素分割,利用密度峰值实现超像素的聚类,以超像素聚类块为处理单元提取特性形成特征矩阵;建立低秩表示模型,引入拉普拉斯正则项增加同类相邻区域空间一致性约束;构造低秩表示字典,借助自带二次惩罚项的线性交替迭代求解模型系数;通过联合低秩表示系数矩阵和误差矩阵构建初步聚焦特征图,利用迭代引导滤波优化聚焦特征图扩大多焦差异化,最后基于优化聚焦特征图和源图像获得最终融合结果。经仿真对比可知,提出算法的融合结果无论在主观视觉还是客观指标上都优于其他同类算法。

基于稀疏表示超像素分类的肿瘤超声图像分割算法

目的:图像中目标的识别与分割一直是图像处理的研究热点。本文针对超声图像提出了一种新的基于超像素区域特征的肿瘤识别分割算法。方法:首先利用简单线性迭代聚类算法产生超像素,将图像分为多个内部特征相似的图像块,然后提取每个区域的特征组成该区域特征向量,利用稀疏表示分类算法(Sparse Representation Classification,SRC)构造分类器,对超像素进行分类合并,最终识别并分割出完整的感兴趣区域。结果:本文的算法在超声图像中肿瘤的识别与分割中取得较为理想的效果,灵敏度指数平均值达到了83.79%,标准化的Hausdorff距离指数平均值达到了4.80%。结论:本文的分割算法克服了SRC算法不能获得目标区域完整轮廓的缺陷,并取得了较好的实验结果,为超声图像中肿瘤的识别与分割提供了新思路。

融入超像素分割的高分辨率影像面向对象分类

针对高分辨率遥感影像面向对象分类中容易受分割参数的影响、分类精度不稳定的问题,本文提出了一种融入超像素分割的高分辨率影像面向对象分类方法。该方法通过简单线性迭代聚类(SLIC)算法对原始影像进行聚类生成超像素影像,并在此基础上采用分形网络演化方法(FNEA)进行多尺度分割生成同质性对象,最后利用最邻近分类方法进行地物分类。试验结果表明,该方法不易受多尺度分割参数的影响,分类效果稳定,而且分类精度明显高于传统的面向对象分类方法,对于高分辨率遥感影像的广泛应用具有重要意义。

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。

一种改进的多光谱遥感图像超像素分割算法

针对简单线性迭代聚类算法在多光谱遥感图像超像素分割中存在的未充分利用图像特征信息及超像素尺寸、数量固定导致分割精度较低的问题,提出将流形-简单线性迭代聚类算法引入到遥感图像超像素分割任务中,并对其进行改进.首先,给出一种基于彩色局部二进制模式改进的多光谱遥感图像纹理特征提取方法;其次,扩展流形-简单线性迭代聚类算法的光谱空间,使算法可以适应高维图像数据;最后,改进流形-简单线性迭代聚类算法的聚类距离度量,融合图像的多段光谱特征、空间特征及纹理特征对像素进行迭代聚类,实现内容敏感超像素分割.实验结果表明,与现有方法相比,该算法对多光谱遥感图像的超像素分割结果更准确,在边缘召回率、欠分割误差、可达细分精度指标上均有提升,能改善多光谱遥感图像分割预处理方法中精度较低的问题.

基于自适应超像素分割的点刻式DPM区域定位算法研究

为解决点刻式直接零件标志(Direct part mark,DPM)码基本单元分割困难、区域定位欠精确等问题,提出使用超像素分割和谱聚类相结合的算法,对含有DPM区域的图像进行初步分割和精确定位.首先为提高超像素分割的准确、快速和完整性,本文利用近邻传播聚类思想实现自动聚类得到超像素区域,并引入边缘置信度调整超像素边缘,形成自适应边缘简单线性迭代聚类(Adaptive edge simple linear iterative clustering,AE-SLIC)算法.该算法改进了简单线性迭代聚类(Simple linear iterative clustering,SLIC)超像素分割算法存在的未明确界定超像素区域边缘信息和分割数目无法自适应确定等问题;其次,将超像素作为谱聚类中图的顶点进行二次聚类,DPM区域内超像素因相似度高而被聚集为一类,从而完成点刻式DPM区域的精确定位.经实验测试和分析,本文算法得到的超像素分割结果在完整性、运算复杂度等方面优于常见的超像素分割算法.与基于像素点运算的传统定位算法相比,本文算法具有良好的实时性、定位准确率和鲁棒性.

自然场景下苹果图像FSLIC超像素分割方法

应用Cauchy-Schwarz不等式,推导出一个聚类搜索过程中剥离不必要计算的条件,早期预估后舍掉符合预设条件的候选聚类,提出了基于自然场景的快速简单线性迭代聚类算法(FSLIC算法)。对包含极端恶劣条件下的500幅苹果图像进行了边界召回率检验和运行速度测试;统计了极端恶劣条件下的30幅苹果图像的全局错误率GCE、假阳性率FPR和假阴性率FNR。试验表明,提出的FSLIC算法减小了后续迭代过程中的冗余误差,边界召回率较GB超像素分割算法平均提高了21.7%,速度是GB超像素分割算法的1.83倍;整个图像分割过程中基于超像素的分割算法(GB、FSLIC)的GCE值较常规分割算法(BP、WT、SVM)平均减小了13%,较常规算法的GCE值减小了19%。