基于SLIC超像素算法和密度聚类的TA2钛板表面缺陷定量化评估研究

由于边缘效应的影响,TA2钛板涡流C扫描图像中缺陷区域与背景区域混杂,边缘对比度低,难以实现缺陷区域定量化评估。针对以上问题,提出了一种基于简单线性代聚类(SLIC)超像素算法和密度聚类算法的涡流C扫描图像分割方法。首先对TA2钛板进行涡流无损检测,获得包含有TA2钛板表面缺陷的涡流C扫描图像;然后利用SLIC超像素算法将获得的C扫描图像预分割成若干小区域;最后通过密度聚类算法对预分割后的C扫描图像进行区域合并,得到受检测TA2钛板C扫描图像中的缺陷区域,通过对缺陷区域进行细化处理和轮廓跟踪可以得到TA2钛板缺陷区域的估计长度,实现对TA2钛板表面缺陷的定量化评估研究。实验结果表明,该方法能够有效地实现受检测的TA2钛板表面缺陷的可视化、定量化分析,与传统的图像分割方法相比分割效果更优、准确性更高。

几种新超像素算法的研究

超像素算法是图像分析领域中的一个新的研究方向,在图像分割、图像分类及目标跟踪等领域取得了应用。它对图像进行预分割,将图像平面中相近的、具有类似属性的多个像素进行合并,从而形成由多个像素构成的结构化像素—超像素,并作为后续图像处理以超像素的信息处理基本处理单元。简要回顾了超像素的主要概念和经典算法,鉴于经典算法往往不能同时兼顾分割效果和运算的复杂性的特点,重点对最近经典算法基础上发展起来的新算法进行了总结,并对其中的SLIC、VCell和基于图模型能量方程的超像素算法进行了仿真实验对比分析。

基于超像素分割算法的景观边缘提取仿真

由于遥感图像景观边缘具有复杂非线性结构,受光照与场景影响,使得图像边缘存在极多样化纹理和噪声,导致景观边缘难以捕捉。于是提出基于超像素分割算法的景观边缘提取方法。采用超像素分割算法,将图像映射至CIE-LAB(International Commission on Illumination-Lightness-L*A*B)色彩空间中,利用最小化梯度,将超像素置于梯度对应区域中,获取标准化度量,将水平与垂直梯度加入特征矢量中,组建景观弱边缘超像素分割模型,分割景观弱边缘超像素,利用高斯滤波器,模糊处理超像素分割结果,构建能量函数,通过迭代处理,实现景观边缘提取。实验结果表明,所提方法能准确分割显著边缘与细节边缘,精准提取景观边缘,且边缘线连贯、平滑,有效避免了伪轮廓问题,对实现城市与景观的合理规划具有较高的实际应用价值。

基于超像素的深度图修复算法

随着计算机视觉领域不断的发展,用于描述场景深度信息的深度图受到越来越多的关注。针对深度图中由于深度信息缺失导致的图像空洞、深度值准确度不高及图像噪声等问题,提出了一种融合超像素和基于方向的联合双边滤波器的深度图修复算法来改善深度图的质量。该算法引入了基于超像素的自适应滤波窗口,并对不同类型的空洞像素点采用不同的滤波算法,从而对深度图进行修复和优化。定性对比实验和定量评价结果表明,其可以有效地修复深度图空洞噪点,获得高质量、高准确性的深度图。

基于平面超像素的图像分割算法

针对以像素为节点建立图模型进行图像分割颇为耗时的弊端,提出了一种基于平面超像素图割的图像分割方法,并应用于图像分割。首先用改进的分水岭算法将图像分割成区域一致性小区域(超像素),用分割得到的超像素作为图的节点构建图模型;以每个超像素的灰度值代表所在分块的全部像素点参数;最后用图割算法达到最优分割。该算法以极少数超像素代替海量像素,在得到较好分割结果的同时,极大地缩短了运行时间。

一种基于自适应超像素的改进谱聚类图像分割方法

图像分割是一种基于图像中各个像素的相似性,把图像分成多个区域,以提取出所需目标的技术。当前图像分割研究过程中,由于图像分割需处理的数据量较大,导致传统的基于聚类算法的图像分割算法难以处理大规模的图像分割问题。针对该问题,本文根据对传统谱聚类算法进行改进研究,提出一种新的基于自适应超像素的改进谱聚类图像分割方法。首先通过运用贝叶斯自适应超像素算法,作为谱聚类算法的预处理,从而达到降低算法运算的复杂度;然后将超像素作为传统NJW算法的输入,利用NJW算法迭代运算的优点,达到提升算法准确率的目的。通过在BSDS500数据集上验证算法有效性,本文所提出算法在不同类型的图像上较传统的聚类算法分割准确率提高近10%,实验结果表明了本算法的有效性。

基于稳定特征点和SLIC超像素分割的快速立体匹配

针对目前立体匹配中存在的匹配精度和匹配速度很难兼顾的问题,提出了一种基于稳定特征点和SLIC超像素分割算法的快速立体匹配。利用SURF算法高速有效地提取出特征点进行匹配,并且利用三角剖分的方法对稳定特征点作进一步处理,以此匹配作为先验知识来减少其余各点的匹配误差和搜索空间,同时又加入了SLIC超像素分割算法的限制因素进一步提高精度,这样使得立体匹配算法在精度上和速度上都得到了很好的提高。对Middlebury中的标准数据进行测试的结果表明,该算法能较为快速准确地获得视差。

利用改进的超像素分割和噪声估计的图像拼接篡改定位方法

通过检测图像局部噪声水平的不一致性,提出一种图像拼接篡改区域的定位方法.首先,用改进的简单线性迭代聚类(SLIC)超像素分割算法将待检测图像分割成具有相似特征的像素块;然后,采用基于主成分分析的噪声水平估计方法计算每个图像块的局部噪声水平;最后,利用3种聚类算法对估算的噪声水平进行聚类,根据聚类结果定位出被篡改的区域.实验结果表明:文中方法不仅能有效定位被篡改的区域,而且能保留检测区域更多的边缘信息.

SLIC超象素分割在医学图像处理中的应用

背景：影像学检查为临床诊断、治疗及预后评估等方面的重要工具。目的：综述SLIC超象素分割在医学图像处理中的应用。方法：检索相关数据库中有关SLIC超象素分割在医学图像处理中应用的文献。结果与结论：SLIC超象素分割算法在医学图像处理中具有较好的应用效果，该算法能够突出图像的细微特征，充分利用图像多余信息，通过归类的方式将相对独立的超象素块均匀分布在原图中，能够保障边界规则的稳定性，同时减小了图像处理计算的复杂性。

基于SLIC区域分割的三维地形重建算法

为利用无人机在高空连续拍摄的两幅航拍图像准确实现三维地形重建,提出了通过将图像进行区域分割来达到不同地形区域分别生成数字高程模型DEM数据的方法。首先利用简单线性迭代聚类SLIC超像素算法将图像分割为多个包含单一地形的超像素区域,再利用各区域的颜色信息进行相邻同类地形区域的融合,最后在所得的各区域内通过SIFT特征点提取与匹配、计算三维坐标来生成DEM数据。通过将重建地形结果与卫星地图对比表明,利用该方法能够有效实现地形重建;通过对比本文算法与传统地形重建算法的重建结果表明,利用该方法能准确呈现各地形间的边界信息。

基于多时相Sentinel-2影像和SNIC分割算法的优势树种识别

【目的】探究将简单非迭代聚类超像素分割算法(SNIC)融合到基于多时相数据的树种分类问题中,并对比分析不同时相数据组合对分类结果的影响,实现更高效、更精准的优势树种识别。【方法】以内蒙古旺业甸林场为研究区,在Google Earth Engine(GEE)云计算平台上利用多时相Sentinel-2多光谱数据提取波段反射率特征和光谱指数特征,采用SNIC和支持向量机(SVM)机器学习分类方法,实现面向对象的优势树种识别,并分析不同时相数据组合对优势树种识别精度的影响。【结果】多时相数据组合的分类精度明显高于各季节单时相数据。对比不同多时相数据组合分类结果,春、秋2个季节时间序列组合数据的分类精度与多季节组合数据结果相近,总体精度分别为94.5%、95.0%和95.8%。【结论】基于多时相Sentinel-2影像和SNIC分割算法的面向对象分类方法能够快速、准确识别优势树种,多季节组合数据的分类结果最优,春、秋2个季节时间序列数据也能获得较好分类结果,总体精度与最优结果差距较小。

SLIC算法和OTSU算法结合的道路提取方法

针对基于像素的道路提取方法的不足,使用一种基于超像素分割算法(Simple Linear Iterative Clustering,SLIC)和自适应阈值分割算法(OTSU算法是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法)相结合的道路提取方法,可以较好地解决在遥感图像中分辨率较高所造成的非道路地物对目标的噪声影响。该方法使用SLIC超像素分割算法对影像进行分割处理,再用改进的K-means聚类算法对分割后的超像素影像进行非监督分类,根据GVI值对分类后的影像中的植被及水体信息进行过滤,对过滤后的影像进行基于OTSU的分割,最后对分割影像进行后处理获得完整道路网。经过定性和定量分析后得出,此方法在道路提取上有较好的表现。