一种基于超像素合并的高光谱图像谱-空降维方法

基于超像素技术和流行的主成分分析方法,提出了一种基于超像素合并的高光谱图像谱-空降维方法,所提出的方法利用新定义的局部模块度函数对超像素进行合并,并在合并后的超像素图上进行降维计算.最后,采用支持向量机对降维后的高光谱数据进行分类,验证降维效果.该方法有效减缓了基于超像素降维方法的降维结果严重依赖于超像素分割尺度的问题.在Indian Pines和Salinas两个基准数据集上的实验和比较结果验证了所提出方法的有效性.

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。

基于超像素的印刷电路板过孔分割算法

现有的SIOX等主流图像分割算法对印刷电路板(PCB)CT分层图像中的过孔分割质量较差,而实际中常用的基于Hough变换的分割算法在PCB图像噪声大时容易出现分割错误。为解决以上问题,提出一种基于超像素的PCB CT图像过孔分割算法。首先通过对比实验在六种常用的超像素分割算法中选择一种最适合PCB CT图像的算法进行超像素分割,利用具有局部特征表达能力的超像素代替像素作为分割的基本处理单元。针对过孔表现出的显著圆形特征,引入圆度率对超像素的形状特征进行描述和表达,在此基础上设计一种全新的超像素合并与筛选策略来提取过孔目标,最后通过形态学处理得到最终分割结果。通过实验对比,选择ERS算法对PCB CT分层图像进行超像素分割;与基于Hough变换的分割算法相比,新提出方法在分割准确率和召回率两方面均提高了约10%,特别是在图像背景噪声较大时出现错误分割的概率明显小于基于Hough变换的分割算法。基于超像素的PCB CT图像过孔分割算法克服了PCB CT图像噪声大、图像灰度不均匀等情况对分割带来的困难,能够准确地从PCB CT图像的复杂背景中提取出过孔目标。

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。

NMI特征优化边界敏感的LSC遥感影像分割算法

针对线性谱聚类方法处理复杂场景的高分辨率遥感影像时存在地物边界丢失、过分割问题,提出基于归一化转动惯量特征优化边界敏感的线性谱聚类方法。首先,利用LOG算法提取影像边缘信息,将边缘信息与LSC算法融合,并将存在边缘信息的超像素块的区域质心替代原始聚类中心,改善地物边界信息丢失问题;然后,通过边缘敏感的LSC分割方法,对高分辨率影像进行分割,获取地物完整的初始超像素,并确定微小的超像素;最后,计算微小超像素与相邻超像素相似性度量值,并将其合并到相似性度量值最小的超像素,优化过分割结果。实验结果表明,该方法可以有效地解决地物边界丢失、过分割问题,获取较好的分割结果。

简单线性迭代聚类的高分辨率遥感影像分割

影像分割是面向对象影像分析的基础和关键。针对传统影像分割方法地物边界依附性差、易受影像噪声影响等问题,提出一种简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)的高分辨率遥感影像分割方法。该方法首先用SLIC算法对影像过分割生成SLIC超像素,之后根据相似性规则对SLIC超像素进行合并实现影像分割;然后通过构造Lab颜色空间下的五维特征参数度量影像像素的局部特征差异,并通过SLIC算法把具有相似性特征的像素聚类生成超像素,克服影像噪声对分割结果的影响;最后根据相似性合并规则以超像素为基本单元进行区域合并,从而达到分割目的。实验结果表明,所提出方法具有良好的高分辨率遥感影像分割结果。

基于图像分割的森林火灾早期烟检测算法研究

针对森林这样的大空间、复杂场景下的火灾检测,提出一种在单帧视频序列图像中的烟检测方法,并研究一种新的超像素合并算法,改进现有的天地线检测算法。该方法对图像进行SLIC(Simple Linear Iterative Clustering)超像素分割,并用一种新的超像素合并算法解决过分割问题;通过改进的天地线分割算法,排除天空中云对于烟检测的干扰;根据光谱特征,运用支持向量机(SVM)对超像素块进行分类。实验结果表明,超像素合并算法高效简洁,易于编程实现,基于图像分割的烟检测技术能排除云雾等噪声对烟雾检测的干扰,在森林场景下的烟雾检测正确率为77%,可以作为人工森林火灾监测的辅助手段。

基于改进的SLIC的岩心颗粒图像边缘分割算法

在岩心颗粒图像进行目标提取的过程中,由于颗粒颜色丰富,类别和大小不一,且存在边界模糊等情况,导致颗粒分割很困难。针对以上问题,本文提出一种基于改进的简单线性迭代聚类(SLIC)算法,首先对图像进行预处理,增强目标区域同时模糊背景部分,消除孤立的噪声点且保护边缘信息;其次,结合LBP纹理特征对图像进行超像素分割;最后,结合区域之间的颜色特征进行超像素合并。实验表明,与现有的其它算法相比,该算法能准确地分割颗粒的边界,更有效地提取目标颗粒,极大地降低了后续对提取目标进行分析的复杂度。

融合语义先验和渐进式深度优化的宽基线3维场景重建

目的基于视觉的3维场景重建技术已在机器人导航、航拍地图构建和增强现实等领域得到广泛应用。不过,当相机出现较大运动时则会使得传统基于窄基线约束的3维重建方法无法正常工作。方法针对宽基线环境,提出了一种融合高层语义先验的3维场景重建算法。该方法在马尔可夫随机场(MRF)模型的基础上,结合超像素的外观、共线性、共面性和深度等多种特征对不同视角图像中各个超像素的3维位置和朝向进行推理,从而实现宽基线条件下的初始3维重建。与此同时,还以递归的方式利用高层语义先验对相似深度超像素实现合并,进而对场景深度和3维模型进行渐进式优化。结果实验结果表明,本文方法在多种不同的宽基线环境,尤其是相机运动较为剧烈的情况下,依然能够取得比传统方法更为稳定而精确的深度估计和3维场景重建效果。结论本文展示了在宽基线条件下如何将多元图像特征与基于三角化的几何特征相结合以构建出精确的3维场景模型。本文方法采用MRF模型对不同视角图像中超像素的3维位置和朝向进行同时推理,并结合高层语义先验对3维重建的过程提供指导。与此同时,还使用了一种递归式框架以实现场景深度的渐进式优化。实验结果表明,本文方法在不同的宽基线环境下均能够获得比传统方法更接近真实描述的3维场景模型。