基于SLIC超像素分割显著区域检测方法的研究

近年来,图像显著性区域检测已经成为图像处理与分析的热点领域,RC方法是这一领域较为出色的算法之一,然而该方法存在预分割方法不精细、区域显著值分配误差较大等缺陷。为了解决上述缺陷以获得更好的显著图,文中提出了一种基于SLIC超像素分割的显著区域探测方法。该方法首先利用Mean Shift方法对输入图像进行平滑,接着利用SLIC超像素分割方法对平滑图像进行分割,然后通过改进RC方法并引入CA方法中的上下文信息特征对分割区域进行融合,最后通过区域显著值分配得到最终的显著图。实验结果表明,对比RC方法,文中所取得的显著图效果在边缘信息以及背景处理方面都有着明显的提高。在正确率和召回率2个指标上也明显优于RC方法。

基于SLIC超像素分割的SAR图像海陆分割算法

海陆分割在合成孔径雷达(SAR)图像的海面目标检测以及海岸线提取等海洋应用方面具有非常重要的意义。针对合成孔径雷达图像的特点,提出了基于SLIC超像素分割的SAR图像海陆分割算法。首先为抑制SAR图像固有相干斑噪声并较好地保留图像的边缘信息,采用精致Lee滤波对图像进行预处理。然后对图像进行SLIC超像素分割,再将分割后的图像进行FT区域显著性检测以及显著值相似度聚类。最后将处理后的图片二值化得到海陆分割结果。实验结果表明,本文所提海陆分割算法具有很高的处理精度以及较高的处理效率。

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。

基于ORB和SLIC超像素分割的特征点匹配方法

为了增加特征点的提取数量以及提高特征点匹配正确率,本文提出一种基于ORB和SLIC超像素分割的特征点匹配方法。首先利用ORB算法提取出特征点进行匹配,同时加入SLIC超像素分割算法的限制因素进一步提高精度,最后得到优化的特征点匹配结果。本文将SIFT算法,SURF算法和ORB算法相比较,以多次测试求取平均值的方式得出实验数据,得出特征点提取数量的比较情况和特征匹配准确率的比较情况。

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。

SAR图像海岸线分割的超像素合并方法

由于SAR图像固有的相干斑噪声和海陆交界处复杂的地形影响,利用区域合并方法在进行SAR图像的海岸线提取过程中很容易出现误合并。为解决SAR图像海岸线分割中单一分割尺度造成的误分割问题,提出基于SLIC超像素的SAR图像海岸线分割算法,超像素分割后再利用改进的融合光谱和纹理信息的合并代价(CT-Model)进行合并,最后将海陆交界处的海岸线显示用来进行分割效果对比。实验结果表明,改进后的合并准则在SAR图像的海岸线分割上具有更好的精确度。

结合显著性检测和超像素分割的遥感信息提取算法研究

针对目前显著性检测算法在复杂多目标遥感图像中检测能力不足的问题,提出一种结合显著性检测和超像素分割的遥感信息提取算法。该算法通过GBVS(graph-based visual saliency)方法检测出原始影像中部分显著性较高的区域,然后利用SLIC(simple linear iterative clustering)方法分割显著区域,并修正显著区域边缘得到训练样本数据,进一步对训练样本进行统计学习,构造显著目标提取的阈值区间,最后实现对整幅超像素图像的显著目标提取。实验结果表明,该算法具有较高的准确率和召回率,能更加有效地检测出遥感图像中的显著目标,比目前主流的显著区域检测算法提取效果更好,可以很好地应用于具有明显显著区域的复杂多目标遥感图像信息提取中。

基于改进SLIC算法的SAR图像海陆分割

海陆分割在提高SAR图像舰船目标检测精度方面具有十分重要的意义。针对传统算法不能很好地对SAR图像进行海陆分割,提出了基于改进SLIC超像素分割和分层区域合并准则(HSWO)的海陆分割算法。针对SAR图像统计特性,首先对SLIC超像素分割和HSWO算法模型分别进行改进,然后用SLIC超像素分割算法对图像进行超像素分割,并按照分层区域合并准则对超像素块进行聚类,最终实现海陆分割。实验表明,所提出的改进模型具有较高的处理精度和处理效率,相比于其他算法更适用于SAR图像的海陆分割,具备一定的工程应用价值。

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。

一种顾及空间关系的遥感影像阴影检测算法

以城市区域内高大建筑阴影为研究对象,针对现有的阴影检测算法在复杂地物环境下检测精度和可靠性不高的问题,提出了一种结合颜色空间特征和空间关系的遥感影像阴影检测方法。首先,采用SLIC超像素算法对影像进行分割;然后基于Lab和HSI颜色空间构建初步检测条件,将阴影划分为阴影主体区域和待检测区域;最后,借助Canny边缘检测信息合并待判别区域内的超像素块,并利用阴影区域与造成干扰区域间的空间位置关系构建的检测条件进行判别。实验结果表明,该方法可以有效提高复杂地物环境下遥感影像阴影的检测精度和算法可靠性。

立体足迹鞋底花纹削弱及步态增强方法比较

本论文主要探讨利用SLIC超像素分割技术以及Mask R-CNN算法处理立体足迹图像,通过分析立体足迹承痕客体表面的紧实程度,经过实验选取效果最好的处理方式及设计参数,更加清晰的反映出足迹步态特征,从而尽可能消除鞋底花纹对于足迹步态特征的影响。

基于多特征融合与边缘约束的建筑物变化检测

利用遥感影像进行建筑物变化检测能够快速获取城镇扩张、违章建筑管控等结果。针对基于单一特征的高分辨率遥感影像变化检测算法检测结果较为粗糙,变化建筑物边缘效果不佳等问题,本文提出一种多特征信息融合与边缘约束的建筑物变化检测方法。引入改进的形态学建筑物指数,通过建筑物的多特征描述与差异特征集融合实现城镇区域建筑物变化信息自动提取,并对其进行边缘约束。首先,针对形态学建筑物指数增加纹理、边缘、空间上下文等特征组成建筑物描述的特征向量集;其次,利用结构相似度判别后的特征向量差异构建建筑物变化的证据源;第三,利用概率模型进行特征信息融合并依据决策规则得到建筑物变化区域;最后,引入SLIC(simple linear iterative clustering)超像素分割算法,将高分影像建筑物变化检测结果与超像素分割的边缘信息融合进行边缘约束,改善边缘检测效果。通过对Google Earth影像和QuickBird多光谱影像进行变化检测,总体精度为93.33%—95.39%,相对于Wang方法、Huang方法和Volpi方法正确率提升11%—19%,漏检率降低5%—20%,虚检率降低11%—25%;采用边缘约束后正确率提升2%—5%,虚检率、漏检率降低2%—5%。试验结果表明:该方法对于不同场景的高分影像均具有较好的鲁棒性,能有效解决变化建筑物边缘检测等问题。