针对简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)算法对不同图像自适应性差的问题,提出了一种基于皮尔森相关系数的自适应SLIC超像素图像分割算法。首先,通过量化非间隔进行图像预处理,并计算颜色熵作为图像复杂度,从...针对简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)算法对不同图像自适应性差的问题,提出了一种基于皮尔森相关系数的自适应SLIC超像素图像分割算法。首先,通过量化非间隔进行图像预处理,并计算颜色熵作为图像复杂度,从而确定所需分割的超像素个数。其次,利用皮尔森相关系数作为相似性度量函数。最后,通过纹理特征对类内异常点进行滤除,确保种子点更新的准确性。实验结果表明,在超像素个数相同的情况下,基于皮尔森相关系数的自适应SLIC超像素图像分割算法相比主流超像素分割算法,可以获得更高的边缘命中率以及更低的欠分割率,性能优于LSC(Linear Spectral Clustering)、SLIC和SLIC0(Simple Linear Iterative Clustering Zero)算法。展开更多
由于遥感图像景观边缘具有复杂非线性结构,受光照与场景影响,使得图像边缘存在极多样化纹理和噪声,导致景观边缘难以捕捉。于是提出基于超像素分割算法的景观边缘提取方法。采用超像素分割算法,将图像映射至CIE-LAB(International Commi...由于遥感图像景观边缘具有复杂非线性结构,受光照与场景影响,使得图像边缘存在极多样化纹理和噪声,导致景观边缘难以捕捉。于是提出基于超像素分割算法的景观边缘提取方法。采用超像素分割算法,将图像映射至CIE-LAB(International Commission on Illumination-Lightness-L*A*B)色彩空间中,利用最小化梯度,将超像素置于梯度对应区域中,获取标准化度量,将水平与垂直梯度加入特征矢量中,组建景观弱边缘超像素分割模型,分割景观弱边缘超像素,利用高斯滤波器,模糊处理超像素分割结果,构建能量函数,通过迭代处理,实现景观边缘提取。实验结果表明,所提方法能准确分割显著边缘与细节边缘,精准提取景观边缘,且边缘线连贯、平滑,有效避免了伪轮廓问题,对实现城市与景观的合理规划具有较高的实际应用价值。展开更多
针对SNIC(Superpixels and Polygons using Simple Non-Iterative Clustering)算法在进行距离度量时空间距离和颜色距离采用的距离比例系数恒定不变,而忽视了像素点的局部特点,提出了一种基于自适应距离度量的改进超像素算法。算法引入...针对SNIC(Superpixels and Polygons using Simple Non-Iterative Clustering)算法在进行距离度量时空间距离和颜色距离采用的距离比例系数恒定不变,而忽视了像素点的局部特点,提出了一种基于自适应距离度量的改进超像素算法。算法引入局部二值模式(Local Binary Pattern,LBP),计算并保留所有像素点的LBP值,在进行种子点更新时保存标签内像素LBP的平均值,并通过像素点与种子点的LBP值自适应地计算距离系数,采用新的距离公式计算距离并迭代更新。在C++环境下分别对所提算法与四种对比算法进行测试,在超像素个数均为600的情况下,所提算法在BSD500数据集上与经典的SNIC算法相比,在边界召回率方面提升3.9%,欠分割错误率降低1.1%。实验结果表明,所提算法能有效提升超像素分割质量。展开更多
文摘针对简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)算法对不同图像自适应性差的问题,提出了一种基于皮尔森相关系数的自适应SLIC超像素图像分割算法。首先,通过量化非间隔进行图像预处理,并计算颜色熵作为图像复杂度,从而确定所需分割的超像素个数。其次,利用皮尔森相关系数作为相似性度量函数。最后,通过纹理特征对类内异常点进行滤除,确保种子点更新的准确性。实验结果表明,在超像素个数相同的情况下,基于皮尔森相关系数的自适应SLIC超像素图像分割算法相比主流超像素分割算法,可以获得更高的边缘命中率以及更低的欠分割率,性能优于LSC(Linear Spectral Clustering)、SLIC和SLIC0(Simple Linear Iterative Clustering Zero)算法。
文摘由于遥感图像景观边缘具有复杂非线性结构,受光照与场景影响,使得图像边缘存在极多样化纹理和噪声,导致景观边缘难以捕捉。于是提出基于超像素分割算法的景观边缘提取方法。采用超像素分割算法,将图像映射至CIE-LAB(International Commission on Illumination-Lightness-L*A*B)色彩空间中,利用最小化梯度,将超像素置于梯度对应区域中,获取标准化度量,将水平与垂直梯度加入特征矢量中,组建景观弱边缘超像素分割模型,分割景观弱边缘超像素,利用高斯滤波器,模糊处理超像素分割结果,构建能量函数,通过迭代处理,实现景观边缘提取。实验结果表明,所提方法能准确分割显著边缘与细节边缘,精准提取景观边缘,且边缘线连贯、平滑,有效避免了伪轮廓问题,对实现城市与景观的合理规划具有较高的实际应用价值。
文摘针对SNIC(Superpixels and Polygons using Simple Non-Iterative Clustering)算法在进行距离度量时空间距离和颜色距离采用的距离比例系数恒定不变,而忽视了像素点的局部特点,提出了一种基于自适应距离度量的改进超像素算法。算法引入局部二值模式(Local Binary Pattern,LBP),计算并保留所有像素点的LBP值,在进行种子点更新时保存标签内像素LBP的平均值,并通过像素点与种子点的LBP值自适应地计算距离系数,采用新的距离公式计算距离并迭代更新。在C++环境下分别对所提算法与四种对比算法进行测试,在超像素个数均为600的情况下,所提算法在BSD500数据集上与经典的SNIC算法相比,在边界召回率方面提升3.9%,欠分割错误率降低1.1%。实验结果表明,所提算法能有效提升超像素分割质量。