基于高斯超像素的快速Graph Cuts图像分割方法

提出了一种交互式的快速图像分割方法.该方法通过使用高斯超像素来构建Graph cuts模型以实现加速.首先,利用融合了边缘置信度的快速均值漂移算法,将原始图像高效地预分割为多个具有准确边界的同质区域,并将这些区域描述为超像素,用于构建精简的加权图.然后,使用区域的彩色高斯统计对超像素进行特征描述,并在信息论空间中对高斯距离度量进行设计.另外,为了准确而精炼地对先验知识进行参数化学习,本文还使用了分量形式的期望最大化混合高斯(Component-wise expectation-maximization for Gaussian mixtures,CEMGM)算法对用户交互进行聚类.最后,在改进的加权图模型中应用Graph cuts方法,获得最终的分割结果.通过使用不同的彩色图像进行分割实验比较,仿真结果表明本文的方法在准确性和高效性方面都具有很好的性能.

一种基于Graph Cuts的SAR图像分割方法

在最小化由马尔科夫随机场(MRF)图像分割模型建立的能量函数方面,基于Graph Cuts的alpha-expansion是一种比较有效的算法。但是,由此算法构建的s/t图中边的数目非常多,运算速度很慢。为了减少alpha-expansion算法的计算量,本文在标号为alpha的像素向其它像素膨胀的过程中,先隔离非alpha类间的联系,而只考虑alpha类与非alpha类之间的关系,从而避免了alpha-expansion算法需要构造辅助结点的问题,减少了s/t图中边的数目,提高了算法的计算效率。因放松了非alpha类间的关系对alpha膨胀的约束,使得算法可以更容易得跳出能量函数的局部极小点而获得更优的分割结果。实验中将改进的算法与传统的基于Graph Cuts的算法做了对比,显示了新算法在运算时间和最小化能量方面的有效性。

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。

一种基于GMM和Graph Cuts的图像分割方法

图像分割是图像处理中的基础问题。研究利用GMM构造T链的可行性,并探索一种可以兼顾精度与速度的确定GMM中K值的方法,结合GMM和Graph Cuts理论完成了对不同图像的分割实验。实验表明,文中的分割方法准确、有效。

融合多高斯混合模型与Graph Cuts优化技术的目标自动检测方法

本文将时域信息与空域信息融合,利用Graph Cuts全局最优特性,通过自适应的信息融合策略,提取运动目标。在自动化跟踪系统中,从图像序列提取运动目标信息,是进行目标检测与跟踪的前提。目前,目标信息提取方法包括对视频图像序列的时域和空域进行分析。利用时域信息,可以比较好地提取出目标的运动信息,区分出前景和背景。而把利用空域信息的图像分割技术运用到目标跟踪系统中,也是近年来比较热点的研究问题。本文提出了一种将时域信息与空域信息很好地融合的运动目标检测方法,通过对多高斯混合模型提取的前景信息进行无监督学习,构建似然能量模型,然后通过Graph Cuts优化技术提取目标。从而实现了鲁棒的目标自动检测。

基于SLIC的改进GrabCut彩色图像快速分割

GrabCut算法用户交互量少且分割精度高,但它迭代使用GraphCuts的求解模式使得在处理高分辨率图像时,耗时巨大。提出了一种快速GrabCut算法,在高斯混合模型参数估计过程中,通过SLIC算法构建精简的GraphCuts模型以实现加速。通过SLIC算法将原始图像快速地预分割成具有确定边界且区域内相似度高的超像素图,并以此构建精简的网络图。以块内的RGB均值描述超像素特征进行高斯混合模型参数估计。为了提高分割精度,使用得到的GMM参数对原始图像进行分割。实验结果证明了该算法在时效和精度上都有很好的性能。

基于Grabcut的图像目标提取

在图像处理过程中,快速准确地提取感兴趣的目标是图像处理的一个重要任务.提出了一种基于Grabcut准确提取图像目标的算法,该方法根据用户指定前景物的基本形态获取初始的前景、未知的背景区域,并用mincut/maxflow对分割能量函数进行了优化,利用大量图像对本文方法进行了实验分析,结果表明了算法能有效提取图像中感兴趣的目标.

基于机载LiDAR点云的建筑物多细节层次建模方法

机载激光雷达点云(LiDAR)重建大范围建筑物模型一直是实景三维建模的热点问题,由于机载激光点云稀疏、建筑物立面数据缺失,给模型自动化重建带来了极大的挑战。为了解决该问题,本论文研究基于图优化理论重建建筑物多细节层次(LOD)模型。首先,对原始点云进行自动化滤波,分离地面点和非地面点,对地面点构建数字高程模型(DEM),对非地面点半自动提取单体化建筑物点云。然后,基于滚球法(Alpha shape)提取建筑物边界,利用通用图优化方法(G2O)对误差线进行全局一致性改正,获得规则化的二维边框。并基于建筑物屋顶三维高程及DEM高程值重建建筑物LOD1模型。其次,根据点云的高程差异生成高程栅格图,从高程栅格图提取建筑物轮廓线,对轮廓线进行简化、规则化、聚类,并将规则后的边界线拉伸获取建筑物立面结构,弥补建筑物立面数据缺失对建模的影响。最后,将屋顶平面相交、建筑物立面裁剪,对候选平面进行二元图割全局优化,选择最能表达建筑物结构的平面,以此重建建筑物LOD2模型。本论文选择北京市2017年机载激光点云进行实验,结果表明,本文提出的方法可以稳健地重建建筑物多细节层次模型,LOD2模型距离偏差为0.22 m,LOD1模型距离偏差为0.71 m,整体模型精确度高;针对1147个建筑物,LOD2和LOD1模型重建时间分别为1290s和1097s,具有较高的自动化程度和建模效率。

影像辅助下LiDAR数据建筑物轮廓信息提取

针对复杂场景中提取的建筑物外轮廓锯齿状变形及精度不高等问题,提出了一种新的轮廓信息提取方法。在综合利用LiDAR数据及影像特征的基础上,建立轮廓线提取候选区,计算候选点的方向、梯度及高边点信息,引入基于活动轮廓的图割算法(graph cuts based active contour model,GCBAC)构建并解算轮廓线能量函数,实现建筑物轮廓信息的精确提取。通过3个具体实例证明了该方法的有效性和可行性。

基于单目视觉系统的远距离场景重建算法研究

提出了一种基于机载前视被动传感器(电视传感器或红外成像传感器)获取的序列图像,并结合惯导信息,恢复前视场景深度的新方法。通过将前视三维场景看作一组具有不同深度的,分别对应背景和障碍物的层的集合,将复杂的场景重建问题简化为对各层深度集和像素标记场的计算;我们使用贝叶斯方法解决对各参数的估计,并使用图论方法快速求解。试验表明,该方法是可行的。

基于多尺度分析与图割的快速图像分割算法

以GrabCut算法为基础,引入多尺度分析方法,以塔式分解的多尺度图像序列代替固定尺度的原始图像序列估计GMM参数,将粗糙尺度的易分割性与精细尺度的精确性互补,使得算法以较少样本快速确定GMM参数,分割精度不减而效率显著提高。实验表明了算法的有效可行性。

结合小波变换与图像分割的快速目标提取

基于图割理论的GrabCut算法具有全局最优性和结合多种知识的统一性,但其基于全部像素点的参数估计以及为达到一定分割精度采取的迭代求解模式,使算法效率大大降低。以GrabCut算法为基础,通过小波变换将图像分解,用分解后低频图像的像素点作为GMM参数迭代估计的样本点,减小了问题规模。实验结果表明,算法的效率得到较大提高。

区域可信度融合的彩色纹理图像分割方法

提出一种将颜色信息与纹理信息有机结合的彩色纹理图像分割方法。通过对多尺度结构张量纹理信息进行奇异值分解与主成分分析降维,得到压缩多尺度纹理信息,同时与尺度信息、颜色信息相结合的方式来提高彩色纹理特征的描述能力。针对分割区域容易出现过分割与错误分割现象,采用区域的邻接关系、区域的大小、区域的公共边、以及区域间的J-散度距离来共同计算相邻区域间的可信融合度,通过合理判别,删除与融合可信度较低的区域。并在合成彩色纹理图像与自然纹理图像上进行大量的实验对比与分析,验证提出方法具有较高的准确率,且最终分割区域具有较高的区域整体性与地面真实性。

基于分水岭变换和图割的彩色图像快速分割

基于图割理论的图像分割具有结合多种知识的统一图像分割框架,可获取全局最优解,但海量的像素级处理单元以及为达到一定分割精度而采用的迭代求解模式,导致算法分割效率不高。以GrabCut算法为基础,通过分水岭变换,将图像划分成区域内颜色相似的若干分块,以各个块内像素的RGB均值代表所在分块的全部像素点来估计高斯混合模型参数,使问题规模减小,算法效率得到提高。

图割模型在光纤熔接缺陷检测中的应用

针对当前光纤熔接过程中熔接缺陷图像人工判读费时费力的问题,提出了一种全自动的、利用图割(Graph Cut)模型进行熔接缺陷分割与检测的方法。与传统图割模型分割方法不同,该方法首先采用图像增强与二值化分割技术对热像图进行预处理。其次,设计了一类利用缺陷及背景斑块区域历史先验信息进行图割模型源点和汇点计算的建模方法,并采用快速最大流(Max-flow)算法进行能量函数的最优化求解,有效地提高了算法对缺陷斑点分割的效率。再次,对光纤熔接缺陷斑块特征的建模与分析问题进行了讨论,提出了一类缺陷识别与报警的原则。大量实验结果证明了文中算法的有效性。

基于亚像素位移的超分辨率图像重建算法

针对多帧图像超分辨率重建问题,利用一阶泰勒展式,在亚像素级上对图像退化过程进行建模,并建立极小化能量函数,选择Graph-cut算法进行能量极小化求解.为了验证本文算法的有效性,采用模拟图像退化过程和直接用相机拍摄两种方式获得低分辨率图像序列.从4×4倍重建结果的比较来看,本文算法不仅对模拟退化过程产生的低分辨率图像序列有效,而且在提高真实低分辨率图像的分辨能力方面也有很好的效果.此外,实验结果表明本文算法对噪声有较好的抗干扰能力.

一种快速保边的图像对象分割方法

提出一种快速保边的交互式图像对象分割方法.该方法基于图割优化,建立了从整体分割到局部细化的两步骤优化过程.整体分割采用超像素代替像素表示图像,在保留了绝大部分图像边界特征的同时降低了优化计算的复杂度,且通过结合交互中包含的对象形状、外观和图像梯度信息,保证了分割结果区域和边界的完整性.局部细化针对某段边界局部范围内的像素,通过局部采样更新外观模型来改善分割结果的边界质量.实验结果验证了方法的正确性和有效性.

基于图割优化的能量最小化模型图像分割方法

针对主动轮廓模型中利用梯度下降法求解能量函数容易陷入局部极小的不足,设计了一个离散化最小能量函数模型。该模型以Chan-Vese模型为基础,利用图割方法优化能量泛函,实现能量的全局最优解。新模型首先将图像映射为图,将基于像素的能量泛函转换为可用图表示的离散化能量函数,通过计算节点及其邻域关系权值,迭代求解最小化能量并将其作用于形变轮廓曲线,直至达到稳定状态。新模型改进了主动轮廓模型对弱边界图像初始轮廓敏感的问题,提高了分割精度和运行速度。

基于先验动态形状约束的视频目标提取

准确的目标提取是机器视觉系统中的基础和关键步骤。然而诸如边界模糊、背景杂乱、目标被部分遮挡等复杂场景情况通常导致仅使用灰度信息的方法难以区分目标和背景。针对此问题,提出了一种针对单摄像机视频图像的目标提取新算法。首先在马尔可夫随机场的框架下将先验形状约束定义为从分割结果到先验形状之间轮廓变换的距离,并结合目标的检测似然度信息统一为势函数,再用图分割算法获取分割的全局最优解;同时为反映形变的时空相关性,进而提出基于先验知识的动态形状模型,用主成分分析将形状映射到低维度潜变量子空间,并对潜变量变化趋势建立自回归模型,再利用模型预测指导分割过程;最后模型参数和系统状态利用分割结果在线更新。试验表明,该算法能够适应噪声和目标外形变化,并能在目标被部分遮挡或难以从背景区分的情况下准确分割,鲁棒性较好,能够为机器视觉应用提供中级视觉的信息。