一种新的基于Graph cuts方法的SAR图像分割模型

Graph cuts方法是一种快速优化技术,能有效解决计算机视觉的低层次问题,如表面重构、分割、去噪等问题。其优点是迭代计算的高效性并能得到全局最优解。利用Graph cuts方法,将基于活动轮廓模型和水平集方法的SAR图像分割模型转化成一个新的模型,可用最大流/最小割方法来求解。实测SAR图像的分割实验表明:提出的新模型所需运行时间大约是基于水平集的活动轮廓模型所需时间的一半,分割精度也得到了较大的提高。

结合小波系数的normalized cut分割算法

为了提高normalized cut分割算法的准确率,结合小波系数调整图像的亲和矩阵。首先采用小波系数计算图像的边缘信息,然后使用边缘信息对原始图像构造一个图,求取图的拉普拉斯矩阵的前K个特征值,并对第二个特征值对应的特征向量进行分类,得到最终的分割结果。使用一些自然图像进行了验证,结果证明新方法能提取目标更为细致的细节,保留更多有用的信息。

融合Ncut方法的脊椎图像OTSU分割算法

提出一种融合Normalized Cut方法和OTSU方法的脊椎图像分割算法。首先通过Normalized Cut方法得到粗略的分割结果,然后根据脊椎的形状特征提取出有效的脊椎区域,在有效的脊椎区域进行OTSU分割算法,并通过边缘检测算法得到脊椎内部的轮廓边界。实验结果证明该方法可以较为精确地检测出椎骨轮廓的边界,有效地消除了伪边缘的影响。提出了按需分割的概念,首先消除背景区域的影响,然后在有效区域进行更为精细的处理,这样可以较大程度提高算法的处理速度。

基于图论的Normalized Cut图像分割方法研究

基于图论的图像分割是近年来国际上研究图像分割算法领域中一个新的热点研究方向,Normalized Cut(规一化分割)是基于图论的分割方法中比较典型的一种。本文介绍Normalized Cut方法的相关内容,分析它的优缺点并提出几种有效的改进方法。最后,实验显示Normalized Cut在特定图片的分割上取得了不错的效果。

谱图聚类算法研究进展

近10多年来,关于谱图聚类的研究成果非常丰富,为了总结和理清这些工作之间的脉络关系,揭示最新的研究趋势,回顾和比较了典型的图割目标函数,以及这些目标函数的谱宽松解决方法,总结了谱聚类算法的本质.另外,讨论了谱图聚类的几个关键问题:相似图的构建方法、复杂性与扩充性、簇数估计、半监督谱学习等.最后,展望了谱图聚类算法的主要研究趋势,如探寻其理论解释,构建更贴切的相似图,通过学习筛选特征,应用实例化等.

一种新的图像合成方法

提出了一种新的图像分割与合成方法。对于图像的分割,提出了新的切割图法,先是手工把一些明显属于物体和明显属于背景的像素分割出来,然后设置了新的能量函数,求它取最小值时的分割结果。对于图像的合成,提出了梯度比较法,在保留物体基本颜色特征的同时,改变了物体的光亮度,使其与新背景的光亮度一致,从而合成图像的光照效果更真实。

使用图割方法提取图像的纹理特征

研究目的是对代数多重网格(AMG)方法进行分析,粗网格中会保留强连接部分而去掉弱连接部分,可以提取图像的纹理信息。将AMG方法提取的图像的纹理特征结合到图分割算法中,针对具有纹理特征的图片构建能量函数,并使用最大流方法进行优化。使用一些自然图像进行了验证,结果证明针对该方法能够较好地提取图像的纹理特征。

一种结合图割与双水平集的图像分割方法

针对水平集方法在图像分割中需要多次迭代,且计算量大的问题,提出一种基于图割与双水平集的图像分割方法。首先在目标边界内外部各设置一条初始轮廓线和一个阈值,通过双水平集方法对轮廓线进行演化。当轮廓线的能量变化率小于给定阈值时,终止水平集演化。将得到的两条轮廓线化为源点和汇点,通过图割方法得到最终目标边界。该方法有效减少了水平集迭代次数,提高了分割效率,而且给出了一种终止水平集迭代的方式。实验表明该方法具有较好的分割效果和较高的分割效率。

图像区域分割中的无监督图割方法

提出一种基于图割算法的图像多区域分割方法,该方法采用核函数对数据项进行隐性的非线性映射,将原始数据映射到高维特征空间,实现图像的线性多类划分,扩展了分段常数模型的应用范围,提高了复杂区域的分割效果。由于图像边缘梯度变化剧烈,具有不连续性,在平滑项中加入图像的梯度约束条件,减少过分割。同时,采用无监督方法设置初始参数,避免了交互操作,更符合多区域分割的要求。实验结果表明,新方法不受图像内容的限制,无论是主观视觉判断还是客观定量分析,该方法都具有较好的分割效果。

基于新区域一致性度量与图论的SAR图像区域分割

由于SAR图像含有斑点噪声,传统区域分割方法已不再适用于SAR图像分割。为此提出了一种新的SAR图像区域分割方法。该方法通过定义一种可有效抑制斑点噪声影响的区域一致性度量,以指导四叉树技术分裂SAR图像得到初始分割区域;然后以区域为顶点和区域间的相似度为边权,构建一个完全赋权图。最后运用图论分割方法中可利用全局信息的Minimum Cut方法进行区域合并,获得最终的图像分割结果。实验结果表明了该方法的有效性。

融合区域和测地线的活动轮廓模型与图割相结合的自然图像分割

针对活动轮廓模型利用水平集函数演化来分割图像时,只能分割灰度均匀的图像问题以及容易陷入能量泛函局部极小值的缺点,提出一种新的图像分割模型。模型将区域中的局部和全局信息融合的活动轮廓模型与边界模型相结合,然后利用图切割进行优化。实验表明,该方法对初始曲线不敏感,能分割灰度不均的自然图像,避免陷入局部极小,并能有效提高图像分割的速度和精度。

基于图割和改进的变分水平集的图像分割方法

文章在图割理论的基础上,引入了一种新的方法将图割理论和改进的变分水平集模型结合起来,先利用图割理论对目标形成一个初始轮廓,并在得到的轮廓线上定义能量函数,通过能量函数的最小化,从而使得到的轮廓线最终收敛到目标边界,这样在保证分割精度的同时大大简化了计算量。

全符号网络函数的割裂分析法

本文提出了一种形成一般线性网络的全符号网络函数的新的树值算法—割裂分析法.此方法基于图分块的思想,具有现有的全符号网络函数树值法的主要优点,完全不存在冗余项问题,正、负符号的判断也较为简洁,另外也为较大型网络的分析提供了依据.

基于区域的图切割算法求解Mumford-Shah图像分割模型

在Egil Bae和Tai Xue-Cheng提出的图切割算法基础上,给出了一种改进算法用于求解Mumford-Shah图像分割模型。首先利用Mean Shift算法对原始图像进行过分割,基于过分割产生的小区域构造恰当的图,使得分割问题转化为求特定图的最小切割问题。数值实验结果显示,直接利用Mean Shift算法分割的效果不理想,本方法保持了与Egil Bae和Tai Xue-Cheng方法相类似的分割效果,而运算效率却有了很大提高。

基于交替方向低秩模型的运动目标检测算法

不同于传统运动目标检测算法,引入背景低秩和前景稀疏性,提出基于交替方向低秩模型的运动目标检测算法。首先在鲁棒主成分分析法建模的基础上添加背景噪声模型,在低秩背景模型中引入全变差范数并结合核范数进行约束。考虑视频矩阵前景图像的稀疏性,接着利用马尔可夫随机场和图建立前景模型。然后采用交替方向法实现函数的优化求解。最后对算法结构进行改进,实现视频运动目标的在线检测。通过对两种数据集进行实验结果分析,与其他算法对比,该算法在满足在线的基础上具有很好的检测效果,特别是在动态背景及复杂前景上具有很强的鲁棒性。

基于图割与快速水平集的腹部CT图像分割

针对腹部CT图像中组织分割的问题,提出了一种基于图割与改进的快速水平集的交互式分割方法。首先对人工给定的一个待分割目标的初始轮廓作膨胀运算,将所得内部边界所有像素点作为源点、外部边界像素点作为汇点构造图,并通过图割方法对CT图像进行初步分割,然后以膨胀所得内部边界作为初始轮廓,通过基于区域竞争主动轮廓模型(RCAC)的快速水平集算法对初步分割后的图像进行精确分割,克服了传统水平集方法运算速度较慢及易产生边界泄漏的问题。在此基础上将二维分割推广到三维分割,最终完成腹部不同器官的完整三维分割。进行三维重建,使医生能直观地观测到各器官的三维相对位置和拓扑结构。实验结果表明,该方法交互简单、鲁棒性强、准确性高,能有效辅助医生实现诊断和手术规划。

双目视觉中立体匹配算法的研究与比较

在基于双目立体视觉三维重建的研究中,立体匹配是其中最重要的部分,它的准确性影响着最后的重建结果。本文主要讲述了常用的立体匹配算法,并详细介绍了两种算法分类中的代表性算法的实现步骤,即局域算法中的基于特征点匹配的算法和全局算法中的基于图割法的匹配算法,并对算法从运算速度和误配率两方面进行了比较,总结了两种算法的优缺点,比较了两种匹配算法最终获取的视差图,以及已有的立体匹配算法所存在的问题和今后需要改进的方向。

基于单目视觉的小目标行人检测与测距研究

自动驾驶场景下,为了提高远距离行人的检测精度和测距精度,结合深度学习的目标检测,提出了一种行人测距算法。首先,提出了冗余切图法,结合YOLOV3模型对小目标行人进行检测,再通过改进的边界框筛选算法对所有子图的候选框进行多次筛选,最终得到行人检测框。然后,对传统的相似三角形测距算法进行分析,提出了一种包含pitch和yaw的改进相似三角形测距算法。最后,根据行人检测结果实时测量行人距离当前车辆的横向距离和纵向距离。实验结果表明,在BDD 100K验证集上,所提出的冗余切图法检测模型比原YOLOV3模型的mAP提高了6%,比小目标行人的mAP提高了3%,具有更好的检测鲁棒性;在车载摄像头采集的测距测试集上,冗余切图法和改进的测距算法的结合使测距精度在对比实验结果上改善了6.542%,不仅实现了远距离测距,而且具有更高的测距准确性。

图像分割的自适应交互核图割模型

为了克服图割模型算法在实现图像分割时需要人为选定参数,以及图割模型可能会陷入局部最小值的不足,考虑到交互图割是一种灵活的全局最优算法,提出了基于EM方法的交互核图割算法。数据映射到核空间,构造了新的目标函数,这样可以更有效地解决分类分割问题;为了估计交互图割所需要的参数以及图割算法所需要的各种阈值,采用EM算法来估计这些参数,避免人为随机选取可能造成的不利影响,因而该方法是一种自适应的分割算法。实验结果表明,相对于交互图割算法,该算法分割合成图像时具有更低的误分率,处理光学等图像时,分割结果更准确,保留图像细节信息的能力更强。

融合时空多特征表示的无监督视频分割算法

针对视频分割的难点在于分割目标的无规则运动、快速变换的背景、目标外观的任意变化与形变等,提出了一种基于时空多特征表示的无监督视频分割算法,通过融合像素级、超像素级以及显著性三类特征设计由细粒度到粗粒度的稳健特征表示。首先,采用超像素分割对视频序列进行处理以提高运算效率,并设计图割算法进行快速求解;其次,利用光流法对相邻帧信息进行匹配,并通过K-D树算法实现最近邻搜索以引入各超像素的非局部时空颜色特征,从而增强分割的鲁棒性;然后,对采用超像素计算得到的分割结果,设计混合高斯模型进行完善;最后,引入图像的显著性特征,协同超像素分割与混合高斯模型的分割结果,设计投票获得更加准确的视频分割结果。实验结果表明,所提算法是一种稳健且有效的分割算法,其结果优于当前大部分无监督视频分割算法及部分半监督视频分割算法。