基于超像素和超度量轮廓图的无人机图像分割算法

为精确地分割高分辨率无人机航拍图像中的不同地物,提出一种基于超像素和超度量轮廓图的无人机图像分割算法.首先对图像进行线性谱聚类,生成超像素;然后根据HSV颜色空间的直方图特征计算超像素区域间的不相似度;再结合层次分割思想得到可表示边缘强度的超度量轮廓图并将其归一化;最后利用合适的阈值删除边缘强度低于该阈值的轮廓,并将所对应的区域进行合并得到分割后的图像.与ISODATA,FCM和gPb-OWT-UCM算法比较的实验结果表明,该算法图像分割准确率较高,对初始参数的依赖性小,且计算复杂度低.

自适应目标与内容匹配的层级图像分割算法

针对超度量轮廓图(ultrametric contour map,UCM)层级图像分割算法对轮廓适应性弱、层级匹配能力较弱且分割碎片较多等问题,提出了一种自适应目标与内容匹配的改进UCM层级图像分割算法。该算法首先使用"轮廓盒子"提取图像关键轮廓,然后使用加权分水岭算法合并区域,提升轮廓适应性,并产生UCM层级树;随后,采用动态规划的方式自适应完成目标与内容匹配,最后使用调整尺度后的UCM层级树完成图像分割。在BSDS500数据集上进行了分割实验,实验结果表明提出的算法在各项分割指标上获得了显著的提升。分割掩盖率(segment cover,SC)、概率边缘指标(probabilistic region index,PRI)和信息变化率(information variation,IV)三个衡量指标分别在最优数据集尺度(optimal dataset scale,ODS)和最优图像尺度(optimal image scale,OIS)上获得了最佳的效果。UCM层级树通过尺度的调整,能够保证相同尺度的层级分割为同一层,减少了分割碎片,保证了层级匹配。该算法在分割精度上超越了当前大多数主流图像分割算法,同时保证时间复杂度在同一个级别。