基于超像素融合算法的显著区域检测

针对目前流行的显著性检测算法不能精确反映显著性信息的问题,提出一种基于超像素融合方法的显著性检测算法.首先对图像进行超像素分割,在保证高质量的图像目标边缘信息前提下,建立以超像素为节点的图模型;然后计算超像素邻接矩阵,将该图模型转化为最小生成树模型.通过OTSU算法自适应地确定最佳阈值,根据该阈值将最小生成树模型的部分节点进行融合,获得大超像素分割区域;最后利用大超像素的颜色和相互距离信息,获得高质量的显著性图.实验结果表明,相对于其他检测方法,该算法可以更有效地检测出图像中的显著目标,并能达到接近分割的效果.

基于超像素融合的文本分割

提高复杂背景及噪声干扰文本图像的文本分割性能是文本识别研究中的重要问题和难点,为更好地解决这一难题,提出一种基于超像素融合的文本分割方法。首先对文本图像初始二值化,并估计文本笔画宽度;然后进行图像超像素分割并融合;最后利用超像素融合的局部相似性对初始二值化图像进行文本校验。实验结果表明,与最大稳定极值区域(MSER)及笔画超像素聚合(SSG)方法相比,所提方法在KAIST数据集上的分割精度分别提高了8.00个百分点和7.00个百分点,在ICDAR2003数据集上的文字识别率分别提高了5.33个百分点和4.88个百分点。所提方法具有较强的去噪能力。

基于模糊C均值和SLIC的纳米孔阻断事件的识别与研究

纳米孔电流信号的分析依赖于对不同类型的阻断事件的准确分析。在阻断事件提取上,提出了一种基于灰度图检测阻断事件的新方法,对灰度图进行二值化后提取出阻断事件。针对基线电流对二值化阈值选取的影响,采用从小波分解后的近似系数中估计出基线电流的方法实现自适应的二值化阈值。为了减小阈值法对检测出的短阻断事件起始与终止位置的影响,采用模糊C均值(Fuzzy C-Means,FCM)方法对短阻断事件的位置进行修正。对检测出的多级事件,先将其转换为相应的具有颜色差异的灰度图,再利用简单的线性迭代聚类(Simple Linear Iterative Clustering,SLIC)超像素算法对多级事件的台阶自动检测。为避免SLIC算法的过分割带来属于同一台阶的超像素被分割的问题,对过度分割后的超像素进行超像素融合,实现属于同一台阶的超像素融合。仿真结果表明,基于灰度图的事件检测方法能够实现对信号中阻断事件的有效检测,FCM算法能够实现对短阻断事件位置的有效修正,SLIC超像素算法能够有效地检测出多级事件的台阶数。