基于SLIC超像素分割的非局部均值船舶图像去噪算法

针对传统船舶图像去噪算法难以对图像的边缘细节进行保留和分析,以及传统非局部均值去噪算法相似框选择困难等问题,提出基于简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割的非局部均值船舶图像去噪算法。通过SLIC算法对图像进行分割处理,界定图像的纹理区域和平滑区域;使用相似框搜索和匹配策略,提升匹配效果,并适当保留更多边缘细节,从而改善图像去噪的效果。实验结果表明,所提出的算法相较于其他传统的船舶图像去噪算法不仅能很好地保留船舶图像的边缘细节特点,而且能在一定程度上提高船舶图像的峰值信噪比,具有良好的去噪效果,可以用于智能航海领域船舶图像的去噪。

基于SLIC和SVR的单幅图像去雾算法

为了提升图像去雾算法的效果和适应性,提出了一种基于简单线性迭代聚类(SLIC)超像素分割和支持向量回归(SVR)的单幅图像去雾算法.首先,将雾霾图像进行超像素分割,对于每个超像素块,取其最大通道内的最大值作为局部大气光的估计,并使用引导滤波优化大气光图的边缘.然后,采集清晰户外图像并切割成块,利用大气散射模型为其加入不同程度的雾作为训练样本,提取对比度、饱和度、直方图均衡度和最小通道均值4种特征,利用支持向量回归算法训练传输参数估算模型.实验结果表明,所提算法有效地恢复了图像的对比度和颜色饱和度,同时无论是在主观视觉效果方面,还是在结构相似度和峰值信噪比等客观评价指标方面,所提算法均优于现有传统算法.

基于SLIC分层分割的无人机图像极小目标检测方法

针对无人机可见光图像目标小、对比度弱的问题,本文提出一种基于简单线性迭代聚类(Simple linear iterative clustering,SLIC)分层分割的极小目标检测方法。首先使用预处理方法提高原始图像的对比度,并利用Top-hat融合方法进行初始分割以确定目标区域,其次利用SLIC方法完成目标精细分割,并采用改进的具有噪声的基于密度的聚类方法(Density-based spatial clustering of applications with noise,DBSCAN)对SLIC分割结果进行超像素聚类,最后提取目标的邻域熵等多种底层特征,使用特征匹配方式检测目标,获取最终检测结果。本文提出了一种全局检测和局部检测相结合的检测策略,极大提高了检测速度。仿真结果表明,本文方法可以有效提高无人机小目标的检测性能,加速检测速度。

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。

基于梯度方向的Canny SLIC图像分割算法

针对传统Canny简单线性迭代聚类(simple linear iterative clustering, SLIC)算法中弱边缘的边界粘附性以及超像素形状规则的问题,提出了一种改进的基于梯度方向的Canny SLIC图像分割算法。传统的Canny SLIC算法中的边缘检测,使用的滞后阈值法在识别和连接边缘时,容易将梯度幅值小的边缘信息识别成噪声,从而和SLIC算法融合后会丢失目标的部分边缘,所以本文把利用边缘和噪声在梯度方向上的不同而改进的Canny算法与SLIC结合,然后使用复数运算来降低图像边缘特征维度,最后采用六边形来描述SLIC生成的超像素,经实验表明:该算法能生成与物体边界密切贴合且分割精度高的超像素分割图,验证了所提出算法的有效性。

基于SLIC和主动学习的高光谱遥感图像分类方法

在主动学习的基础上,提出一种基于SLIC的高光谱遥感图像主动分类方法。首先提取图像纹理特征并与光谱特征融合,使用PCA对新数据进行降维,取前三个主成分构成假彩色图像,然后使用SLIC处理该图像获得超像素;接着随机抽取定量超像素作为初始训练样本,样本光谱信息为超像素样本中所有像素点的光谱信息均值,样本标签为超像素中出现次数最多的类别;然后通过主动学习得到SVM分类器;最后使用分类器对超像素分类得到其类别,并将超像素类别赋予其包含的像素点,从而达到高光谱遥感图像分类的目的。实验表明:该方法明显降低了主动学习过程的时间消耗,有效地提高了分类效果,其OA,AA和Kappa值显著优于未使用SLIC的主动学习方法。

基于SLIC与Delaunay图割的交互式图像分割算法

针对现有的交互式图像分割算法在处理高分辨率图像时仍不够高效的问题,提出了一种基于简单线性迭代聚类(simple linear iterative clustering,SLIC)与Delaunay图割的交互式图像分割算法。使用一种简化但是高效的SLIC算法将图像分割为多个在感知上有意义的原子区域,并提取这些区域的代表像素点;对处在背景矩形框内的代表像素点进行Delaunay三角剖分,构建图结构;最后利用最小割最大流算法将图中的节点分为两部分,并将这些节点对应为相应的原子区域,达到将图像分割为前景和背景的目的。与其他交互式图像分割算法进行实验对比,结果表明所提算法在计算效率上有较大提升,并更为准确。

基于SLIC和改进区域生长的非结构化道路识别

非结构化道路一般没有车道标识线且道路边界模糊,区分道路区域与背景区域难度较大。针对现有非结构化道路识别方法存在全像素域计算分类处理实时性差、易受噪声数据干扰等问题,提出一种基于SLIC(simple lineariterativeclustering)超像素分割和改进区域生长算法的非结构化道路识别方法。利用均匀化初始聚类中心的SLIC算法生成低分辨率超像素特征图。在此基础上,利用聚类算法与邻域搜索算法自适应选择种子点,并引入CIEDE2000色差理论作为区域生长法生长准则,初步确定道路区域。根据道路连续一致特点,优化超像素级生长图并映射轮廓区域至原图,获得道路最终区域。基于数据集及真实场景的实验结果表明,该方法具有较高的识别率和抗干扰能力。

基于SLIC的GrabCut减小姿态搜索空间算法

针对人体的高自由度导致姿态估计过程中搜索空间过大的问题,提出一种基于简单线性迭代聚类(SLIC)超像素算法的Grab Cut减小姿态空间算法。运用SLIC算法对图像进行超像素分割,以超像素作为s-t图中的节点构建图模型,利用超像素区域的颜色特征平均值作为该区域内每个像素的特征值,分别为前景和背景超像素建立混合高斯模型,迭代更新高斯参数,运用最小割算法完成前景提取,并在得到的前景区域中进行后续的姿态估计。实验结果表明,基于SLIC的Grab Cut与基于Grab Cut的减小搜索空间算法在运行时间和姿态估计准确度上均有较大程度提升。

基于城区特征和SLIC的简缩极化SAR分类方法

简缩极化SAR作为一种特殊的双极化模式,可以获取较为全面的极化信息,同时也能获得较大的成像幅宽,近年来得到了研究人员的关注。但以往基于极化度的分解方法存在体散射过估计的问题,导致分解与分类的结果在城区部分,尤其是大方位角城区部分表现一般。本文采用基于城区描述子的简缩极化分解方法,将分解获取的特征进行Wishart迭代分类,同时利用SLIC算法进行超像素分割,在超像素区域内进行类别合并,从而改善分类效果。实验采用Radarsat-2旧金山区域的全极化数据仿真合成CTLR模式及π/4模式的简缩极化数据验证了算法的可行性,实验表明,对于两种模式,本文方法在小方位角城区分类精度提高约20%,大方位角城区分类精度提高约10%。

一种改进的基于SLIC的自适应GrabCut算法

图像分割是对图像进行分析的关键步骤,是图像识别和计算机视觉至关重要的预处理过程,也是计算机视觉的基础技术之一。计算复杂度是判断图像分割算法好坏的重要标准,降低算法复杂度是当前图像分割领域的主要任务之一。针对GrabCut算法计算复杂度高、耗时长等缺点,提出了一种改进的基于简单线性迭代聚类(SLIC)的自适应GrabCut算法。通过激光雷达获取用户交互信息,采用阈值法得到包含目标的外截矩形框,并将其设为感兴趣区域,然后采用SLIC算法对感兴趣区域作预处理,最终构建精简的GraphCut网络图并进行图像分割。试验结果证明,该算法缩小了SLIC预处理的图像区域,减少了图的节点数,降低了错误率,提高了目标边缘信息提取的精确度。

基于区域再分割的改进型SLIC超像素生成算法

超像素能够提高图像分割算法的计算效率,是图像更具视觉意义的一种描述,关于超像素分割算法的研究一直是当下研究的热点。流行的SLIC超像素生成算法在细节丰富区域容易产生欠分割的超像素,影响图像处理的后续步骤。为改进SLIC算法的不足,改进型的算法通过对检测欠分割区域,并在其中添加新聚类中心来修正欠分割。该方法能够保留原始SLIC算法的分割结果,只在欠分割区域进行处理,从而得到更精确的超像素结果并且不对原先使用SLIC算法的应用产生大的影响。通过实验与原始SLIC算法对比,该改进型算法的各项评价指标均优于SLIC算法,且运行效率相差无几,能够为图像的进一步处理提供更好的基础。

Improved SLIC Segmentation Algorithm for Artificial Structure Images

Simple linear iterative cluster(SLIC) is widely used because controllable superpixel number, accurate edge covering, symmetrical production and fast speed of calculation. The main problem of the SLIC algorithm is its under-segmentation when applied to segment artificial structure images with unobvious boundaries and narrow regions. Therefore, an improved clustering segmentation algorithm to correct the segmentation results of SLIC is presented in this paper. The allocation of pixels is not only related to its own characteristic, but also to those of its surrounding pixels.Hence, it is appropriate to improve the standard SLIC through the pixels by focusing on boundaries. An improved SLIC method adheres better to the boundaries in the image is proposed, by using the first and second order difference operators as magnified factors. Experimental results demonstrate that the proposed method achieves an excellent boundary adherence for artificial structure images. The application of the proposed method is extended to images with an unobvious boundary in the Berkeley Segmentation Dataset BSDS500. In comparison with SLIC, the boundary adherence is increased obviously.

基于SLIC和区域生长的目标分割算法

传统区域生长算法的分割结果依赖于种子点的选取,且图像自身的噪声以及灰度值不均匀等问题易在分割目标过程中形成分割空洞,针对以上问题提出了基于超像素的改进区域生长算法。采用拉普拉斯锐化,增强待分割目标边界,之后根据像素灰度相似的特征采用SLIC(简单线性迭代聚类算法)超像素分割将原始图像分割成若干不规则区域,建立不规则区域间的无向加权图,选取种子区域,根据无向加权图以分割好的不规则区域为单位进行区域生长,最后在分割目标边缘处以像素为单位做区域生长,细化边界。对比于传统区域生长算法,改进后的算法在分割结果上受种子点选取影响较小,且能有效地解决分割空洞等问题。对比于聚类分割,Otsu(最大类间方差)阈值分割法等典型算法,该算法在分割精度上具有明显优势。

融合纹理信息的SLIC算法在医学图像中的研究

随着超像素算法的发展, SLIC (Simple linear iterative clustering)由于时间复杂度低及良好的分割结果而被广泛关注.但是由于传统的SLIC算法并没有考虑到图像的纹理信息,故而对于纹理较复杂的图像分割效果略有不足. LBP (Local binary pattern)对于纹理的识别有着优秀的表现而且时间复杂度低,但是对于噪声的鲁棒性较差,并且会产生纹理偏移.因此,本文首先针对传统的LBP中存在的问题进行改进;然后将改进后的算法与SLIC结合,提出一种融合纹理信息的超像素算法—SLICT (Simple linear iterative clustering based on texture).为验证分割效果,本文选取纹理较多的医学图像进行实验,采用心脏MRI数据库进行验证并与其他超像素算法进行对比.实验表明, SLICT在边缘召回率、欠分割错误率以及覆盖率上的综合表现优于其他算法.从分割结果上来看, SLICT不但能够更好地贴合图像边缘,而且对于连续区域的分割效果也较好,更适合纹理较复杂的图像.

基于综合辨识信息的SLIC超像素分割算法

简单线性迭代聚类算法(SLIC)作为目前主流的基于聚类的超像素分割算法,能产生形状规整的超像素,但是边界附着度不高,针对以上问题本文提出了基于综合辨识信息的SLIC超像素分割算法。该算法首先调整种子点的初始化选取方式,计算像素梯度值,扩大初始聚类中心的选取范围。其次在距离度量时,加入像素的边缘概率,以权重的方式加入到距离公式中,减少了像素的误分割现象。实验结果表明,本文方法与SLIC算法相比,在分割质量方面有明显提升;同时与其他几种算法相比,本文提出的算法可以有效地提高超像素的边界附着度,同时降低像素的分割错误率。

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。

球面图像的SLIC算法

简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割算法可以直接用于等距柱状投影(equirectangular projection,ERP)的球面图像,但是投影所造成的球面数据局部相关性破坏,会导致SLIC算法在ERP图像的部分区域无法生成合适的超像素分类,从而影响该算法的性能.为解决这一问题,首先对ERP格式的球面图像进行重采样,生成球面上近似均匀分布的球面像元数据;然后在保持球面图像数据局部相关性的基础上,将重采样数据重组为一个新的球面图像二维表示;并基于此二维表示,将球面数据的几何关系整合到SLIC算法中,最终建立球面图像SLIC算法.针对多组ERP图像分别应用SLIC算法和本文提出的算法,对比2种算法在不同聚类数量下的超像素分割结果.实验结果表明:所提出的球面图像SLIC算法在客观质量上优于原SLIC算法,所生成的超像素分割结果不受球面区域变化影响,且轮廓闭合,在球面上表现出了较好的相似性和一致性.

一种新的图像超像素分割方法

针对现有超像素分割方法无法自动确定合适的超像素数目,以及难以有效贴合图像目标边界等问题,该文提出一种新的利用局部信息进行多层级简单线性迭代聚类的图像超像素分割方法。首先,运用基于局部信息的简单线性迭代聚类(LI-SLIC)对原始图像进行超像素初分割,然后,根据超像素的色彩标准差对其进行自适应多层级迭代分割,直至每个超像素块的色彩标准差小于预设阈值,最后,利用相邻超像素间的色彩差异对过分割的超像素进行合并。为验证方法的有效性,该文采用Berkeley, Pascal VOC和3Dircadb公共数据库作为实验数据集,并与其他多种超像素分割方法进行了比较。实验结果表明,该文提出的超像素分割方法能更精确贴合图像目标边界,有效抑制图像过分割和欠分割。

融合简单线性迭代聚类的高光谱混合像元分解策略

高光谱图像中的混合像元问题广泛存在,混合像元的分解效率一直是遥感应用研究的难点和热点。目前成熟的端元提取算法有纯像元指数（pure pixel index,PPI）、内部最大体积法（N-FINDR）、顶点成分分析（vertex component analysis,VCA）、顺序最大角凸锥（sequential maximum angle convex cone,SMACC）、交替最大体积法（alternating volume maximization,AVMAX）、最小体积封闭单形体（minimum volume enclosing simplex,MVES）等,这些算法从图像所有像元中提取纯光谱,具有提取速度慢、精度不高的缺点。为此,该文引入了一种融合简单线性迭代聚类（simple linear iterative clustering,SLIC）超像元分割的高光谱混合像元分解算法。超像元分割技术能够将具有相似特征的相邻像元组成图像块,并保留进一步进行图像处理的有效信息,从而大幅减少参与端元提取的像元数量,为解决上述问题提供了有效的途径。通过试验对比了降维方式（主成分分析和最大噪声分数）、RGB对应关系（6种）、色彩空间RGB（red,green,blue）和LAB（lightness-A-B）、数据格式（JPG,BIN）和算法参数K对高光谱图像超像元分割结果的影响,并进一步分析了SLIC超像元分割结果对2种典型端元提取算法（AVMAX、MVES）产生的不同效果。试验结果表明,随着K值的增大,混合像元分解的时间逐渐增加,均方根误差（root mean square error,RMSE）持平或减少,而JPG（有损压缩）数据格式的时间始终比BIN（无损压缩）数据格式的要短。SLIC＋MVES的RMSE略高于MVES的RMSE,低于AVMAX的RMSE,但时间远小于MVES。当K足够大的时候,SLIC＋MVES的效果就近似MVES的效果了。在大部分情况下,最大噪声分数的降维效果优于主成分分析。以最大噪声分数作为降维方法、以JPG作为数据格式、以LAB作为色彩空间对混合像元分解结果较为有利。另外,SLIC的参数K的取值在5-10之间较为合适。该研究中的SLIC超像元分割算法简单易行,并且提高了混合像元分解的效率,具备很好的实用价值。