基于变化检测和直方图斜率差分割的洪水监测应用

洪水是世界上最严重的自然灾害之一,了解极端洪水空间范围,有益于决策者和救灾机构为受洪水灾害影响的人员提供即时支持。本文提出了一种图像分割方法CDHSD提取洪水范围,首先通过变化检测获取初始分割差异图,然后基于直方图斜率差异分布确定分割阈值,最后利用地形数据和形态学操作细化分割结果,获取淹没区域。以RadarSat-2 SAR雷达数据进行灾中洪水检测,与常用阈值分割方法KI、ISO相比,CDHSD在渥太华RadarSat-2 SAR试验总体分类精度达到98.27%,可很好地识别洪水边界细节。以2019年英国约克洪水为例,针对洪水实况数据稀缺的问题,对Sentinel-2光学影像进行CDHSD洪水区域识别,总体分类精度为99.6%,验证了光学影像作为洪水检测对比数据的可行性。以Sentinel-1 SAR影像进行洪水灾中检测,洪水用户精度为85.74%。研究表明,CDHSD方法可以较好检测洪水区域,为洪水监测提供科学支撑。

峰值检测FCM算法的医学图像分割

为了更好地平衡传统FCM及其相关改进算法的分割效果与分割效率问题,提出了一种基于峰值检测的快速FCM图像分割算法。首先基于峰值检测策略对聚类中心进行初始化;然后在初始化聚类中心的基础上对医学图像进行分割。其本质是运用峰值检测技术指导聚类中心的初始化,以使初始化的聚类中心尽可能靠近最终的聚类中心,从而以提高算法的工作效率。在医学图像上进行的实验表明,算法可以有效地提高图像分割的效率,并能得到很好的分割效果。

基于层次聚类与峰值检测的FCM图像分割算法

针对传统FCM算法在图像分割中存在的过度依赖初始聚类中心、计算复杂度高等问题,结合层次聚类与直方图峰值检测,提出了一种新的FCM图像分割算法.首先根据图像灰度直方图统计信息对图像进行层次聚类,然后将得到的聚类中心作为FCM算法的初始聚类中心对图像进行分割.该算法无需预先设置聚类数目,能自动搜索全局最佳聚类中心.实验结果表明,相比传统FCM算法和峰值检测的FCM算法,该算法不仅可以有效地提高图像的分割效率,而且分割结果更加精确.

关于直方图双峰法的研究与改进

关于图形图像处理的问题一直是多年来研究的话题,在信息技术高速发展的今天,图像的处理已应用到社会的各个领域。图像分割就是为了某一特定目的,通过一定的方法把图像按照其特征分成各具特性的区域,提取出感兴趣目标的技术和过程,进而再对目标区域进行研究。它是图像处理、模式识别和人工智能等多个领域中的关键课题,也是计算机处理视觉技术的首要的、关键的关键步骤。图像分割的应用非常广泛,几乎出现在关于图像处理的所有领域。因此,从20世纪60年代以来,图像分割一直都是图像研究技术的热点。

一种改进的非局部极值FCM图像分割算法

传统模糊C均值聚类算法在图像分割中对初始值敏感,并且需要手动输入聚类数和初始聚类中心,手动输入错误的初始值会导致图像分割结果差;图像中的每个像素点都是相互独立的,未利用其空间信息,导致算法对噪声敏感,分割出来的区域不连续,使得分割结果差。针对上述两个问题,提出了一种改进的非局部极值模糊C均值聚类算法。首先通过计算直方图中每个点的斜率,根据其规则来确定聚类中心和聚类数,解决了对初始值敏感、易陷入局部极值的问题;然后引入非局部滤波计算加权图像,结合了灰度信息和空间信息,抑制了每个像素在非局部空间信息图像中的噪声,提高了分割精度;最后根据最大隶属度原则,把图像像素点归类,完成分割。在医学图像上进行了实验验证,计算JS指标来定量分析分割精度。结果表明,该算法既能有效去除噪声,也能很好地保留图像细节,增强了分割的鲁棒性,提高了分割精度。

“平坦峰”对象的分割

对于目标所占比例很小的图像,目标在直方图中退化成平坦峰。该文根据直方图的形状,提出了一种对具有平坦峰的图像的分割方法,在具体的医学图像应用中取得了较好的分割效果。

一种基于模糊聚类的医学图像快速分割算法

对基于模糊聚类的医学图像分割算法进行研究,提出了一种快速有效的分割算法。该算法先将图像的直方图与高斯模板卷积,并进行峰值检测,得到c个峰值的横坐标,以此为基础进行区间划分,在各区间范围内初始化并且更新聚类中心,然后对原图像进行均值滤波,最后根据像素值所属区间完成分割。实验证明,在保证分割质量的前提下,可将运行时间减少4%以上,优于目前的图像快速分割算法。

桥梁识别中阀值分割算法的研究

在介绍图像分割的主要特征的基础上,针对桥梁识别中图像分割的特点,提出了一种从直方图中快速自动分割的方法。与传统的最大类间方差法相比,实验验证该方法用于桥梁识别前的图像二值化处理时,能够更好地消除图像噪声,将背景与目标分割开来,有利于下一步的目标识别和跟踪。

基于灰度直方图多峰值选取的脑组织MRI图像K-means聚类分割方法研究

针对传统的K-means聚类算法随机选取初始聚类中心的问题,根据脑MRI图像的灰度直方图呈现出多个"波峰"和"波谷"的特点,将鲁棒选取的"波峰"点用作代表脑白质、脑灰质、脑脊液的K-means聚类算法的初始聚类中心,提出了一种基于灰度直方图多峰值选取的脑MRI图像K-means分割算法,实验结果表明,该分割算法克服了传统K-means聚类算法随机选取初始聚类中心带来的迭代次数多、分割效率低、精确度不高、结果不稳定等不足,能够高效、准确、稳定地分割出了脑白质、脑灰质、脑脊液等脑组织。该算法直方图"波峰"点选取思想具有较为广泛的适用性。

基于多层次聚类的纹理图像分割算法

提出了一种基于多层次聚类的算法,此算法相对传统算法降低了空间和时间复杂度,并减少了对参数的敏感度,适合处理大规模数据集.该算法包括粗分、代表点聚类和细分三个阶段.首先,利用亲和传播聚类(AP)算法对所有数据进行粗分,为了节省空间和时间,仅考虑每个点和离自己最近的t个近邻之间的相似度,所以构造的相似度矩阵远远小于原始AP算法所构造的相似度矩阵;其次,为了进一步提高效率和性能,在第二阶段采用密度峰值算法(FDP)对上一阶段所得结果进行再划分;最后,结合两个阶段划分的结果得到所有数据的划分.实验表明:所提算法可以快速准确地进行图像分割,和经典聚类算法FCM(模糊C均值)、Kmeans以及SOM(自组织映射)的对比实验也证明了所提算法的有效性.

快速自动模糊C-均值聚类彩色图像分割算法

针对传统模糊C-均值(FCM)聚类算法计算复杂度高、无法自动确定聚类数目的问题,提出了一种快速自动FCM聚类彩色图像分割算法。首先通过改进的简单线性迭代聚类(SLIC)超像素算法预分割图像,将传统基于单个像素的聚类转化为基于超像素区域的聚类,降低FCM计算复杂度;其次利用改进的密度峰值算法自动确定聚类数目,提高算法灵活性;最后,对超像素图像进行基于直方图的FCM聚类,完成图像分割。为验证所提算法的有效性,采用BSDS500、AID和MSRC公共数据库作为实验数据集,并与其他4种FCM分割算法进行了比较。实验结果表明,所提分割算法在分割精准度、模糊分割系数、模糊分割熵和视觉效果等方面均优于其他几种比较算法。