基于Dip-dist算法的区域合并图像分割

目前图像分割的方法比较多,大热的神经网络无所不及,但是神经网络计算起来复杂,需要大量样本,论文的方法虽然没有神经网络复杂,但是分割的结果还是可以期待的。论文提出的是基于单峰检测算法的图像分割方法,可以快速准确地分割图像。最早的Dip-test方法需要设置一个阈值判断内容的同质性,所以,阈值的设置很大程度上影响了分割结果,因此此问题成为图像分割的主要弱点。论文在最新的Dip-dist准则的基础上进一步改进,使判断的的过程更加快速合理。该方法从图像超分化开始,生成一个个紧凑的整齐的超像素区域,生成超像素的方法导致超分块,所以随后需要判断将内容同质区域的超像素块进行迭代合并以形成大区域。所以判断内容同质性为一个重点,其中,论文的方法是将要合并的区域从两块增加至四块,依次判断其单峰性,然后以增量聚类的过程进行合并,即通过增量聚类的过程导致更大的同质区域。为了证明论文方法的准确性,采用CLELAB五维颜色空间提供每个像素的特征向量。结果证明,在速度和准确性上都有了一定的改善。