一种基于相对模糊连通度的交互式序列图像快速分割算法

在基于相对模糊连通度的交互式图像分割方法的基础上提出了一种序列图像分割的快速算法。对于单幅图像,新算法在保持分割精度的同时,运行速度提高了3倍。作为该算法的扩展,一方面将原算法中单目标分割推广到多目标分割,另一方面将单帧图像的分割推广到序列图像的分割,实现了复杂背景下多目标的图像分割和图像序列的批处理分割。并进行了分割结果的后处理,提取出目标的单像素宽度的光滑边缘。用人造图像和实际的医学图像和图像序列所做的测试实验取得了令人满意的分割结果。     

一种基于图割的交互式图像分割方法

交互式的图像分割方法目前已经受到越来越多的重视。该文提出一种新的基于图割(graph cuts)的交互式图像分割方法。该方法将图像的纹理、色彩、边缘等多种特征通过一个概率模型结合在一起。其中纹理和色彩用以Texton为基的直方图来建模,并用Fisher判别准则来对特征空间进行降维。利用图割方法,可以快速求解该模型下的最优分割。在遥感图像分割等问题中的应用结果表明该方法在速度和精确性方面都有很好的表现。     

基于深度学习的图像实例分割技术研究进展

随着深度学习算法在图像分割领域的成功应用,在图像实例分割方向上涌现出一大批优秀的算法架构.这些架构在分割效果、运行速度等方面都超越了传统方法.本文围绕图像实例分割技术的最新研究进展,对现阶段经典网络架构和前沿网络架构进行梳理总结,结合常用数据集和权威评价指标对各个架构的分割效果进行比较和分析.最后,对目前图像实例分割技术面临的挑战以及可能的发展趋势进行了展望.     

基于深度学习的医疗图像分割综述

自2006年深度学习这一概念提出以来,各研究领域对于深度学习技术的研究热度一直高居不下.深度学习的出现,对计算机视觉领域的发展起到了重要推动作用.计算机视觉的主要研究任务是对图像、视频等进行目标的检测、识别以及分割等,目前已经广泛应用于医疗、金融和工业领域中.其中最常见的应用场景是医学图像处理.图像分割是医学图像处理任...     

基于冗余小波变换的相对模糊连通图像交互式分割算法

为了提高图像分割算法的抗噪声性能,该文提出一种基于冗余小波变换的相对模糊连通图像交互式分割算法。与文献中基于尺度的相对模糊连通交互式分割算法相比,新算法在几乎不改变分割效果的前提下,速度提高了十几倍,且对不同的噪声模型均具有较好的鲁棒性。此外,文中还对小波变换的不同尺度对图像分割效果的影响进行了较为系统地研究。用人造图像和实际的医学图像所做的测试实验结果表明,该文提出的新算法可实现对非噪声和噪声图像中感兴趣目标的快速而准确的分割。     

一种基于综合集成和数学形态学的图像分割方法

图像分割是图像处理的重要步骤,是计算机视觉的基础,是模式识别与图像理解的重要组成部分。由于光照不均匀而形成的灰度图像,采取单一的分割方法不能获得良好的分割结果,为此,采用综合集成的方法对此类图像进行分割,并用数学形态学的运算对分割结果进行处理,改善了分割效果。试验结果表明,基于综合集成和数学形态学的分割方法能有效地分割这一类图像,获得良好的分割结果。     

基于曲面拟合的图像分割算法

传统分割方法,在光照不均匀情况下,很难得到理想的分割结果。针对这种情况,提出一种基于曲面拟合的阈值曲面分割方法。首先利用偏离项和光顺项构造拟合曲面方程,然后使用在统一的大光顺项因子条件下求解的拟合结果,来构造自适应的偏离因子与光顺因子,最后利用这些自适应因子第二次精确拟合阈值曲面。实验表明,该方法对于照度不均匀的图像,分割结果明显优于传统全局阈值法。     

基于深度学习的图像语义分割方法综述

图像语义分割技术是计算机视觉领域的核心研究内容 之一,在生产生活中有着广泛的应用需求。随着计算机性能的提升和深度学习技术的不断发展,研究者们对图像语义分割的实际效果和性能有着越来越高的研究热情。文章通过对图像语义分割方法的研究整理,梳理出现阶段图像语义分割研究的主要问题,针对这些主要问题整理了研究者们提出的解决方法和思路,介绍了语义分割领域常用的公共数据集以及算法性能评价标准,最后对各个算法进行性能的比较和评价,并对图像语义分割领域下一步的研究热点方向进行了展望。     

基于深度学习的激光雷达遥感图像分割

为解决传统激光雷达遥感图像分割方法存在的分割精度差、鲁棒性差问题,引入深度学习模型对激光雷达遥感图像分割方法进行研究。通过对图像的颜色通道R、G、B三个分量进行加权平均,使激光雷达遥感图像灰度化,完成遥感图像预处理,根据处理结果构建遥感图像分割模型,并进行图像的细分割,引入改进深度学习模型计算全卷积网络输出值,最后以全卷积网络输出值作为激光雷达遥感图像的分割值,实现激光雷达遥感图像分割。通过实验数据显示,与传统激光雷达遥感图像分割方法相比较,提出的激光雷达遥感图像分割方法极大地提升了分割精度与鲁棒性,充分说明提出的激光雷达遥感图像分割方法具备更好的分割效果。     

基于PCNN图像分割新算法

在原有PCNN的基础上提出一种新的参数自适应PCNN模型,该模型中的各参数均由像素点本身决定,而不受人为的外界干涉,因此,该算法在图像处理领域有较好的运用价值。此外提出另一类分割判定准则——最大相关系数判定准则。最后通过对3种不同的图像分割实验结果分析后得出。该算法和最大相关系数判定准则在图像分割领域中具有较强的适应性和较好的辅助意义。     

基于区域限制的EM和图割的非监督彩色图像分割方法

提出一种基于区域限制的EM(Expectation Maximization)和图割的非监督彩色图像分割方法,以解决自动确定分割类数问题.首先,生成图像的超像素,提取图像的CIE Lab颜色特征和多尺度四元数Gabor滤波特征;为了高效自动地确定分割类数,同时避免因直接使用超像素造成的奇异值问题,对每一个超像素采样并使用采样像素表示超像素;然后采用高斯混合模型对采样像素集合进行建模,使用加入区域限制的分量EM自动获取模型组件数及参数,最后使用图割结合高斯混合模型对图像进行优化,获取最终分割结果.实验结果表明,该方法在分割效率和分割质量上均得到较大提升.     

基于近邻信息和PS O算法的集成特征选取

提出了一种新的PSO特征选取方法。以粒子对应特征组合的同类近邻样本和异类近邻样本间的距离关系作为类别可分性和粒子适应度函数。以适应度函数加权的群体历史最佳、粒子历史最佳和粒子邻域内最佳个体信息共同指导粒子运动方向,搜索类内紧密、类间分离的最佳特征组合;同时,利用加权集成方法对PSO特征选取方法进行集成,以提高特征选取方法的稳定性和鲁棒性。在5个高维数据集上的特征选取实验结果表明集成PSO特征选取方法的有效性和可行性。     

基于场景分割的视频内容语义管理机制

针对视频内容管理在不同层面存在语义鸿沟的问题,提出基于UCL（Uniform Content Locater）的视频语义描述框架,该框架包含了三个层次的语义：内容语义、控制语义以及物理属性信息.而视频场景的分割则通过视频内容基于时空上的相似性实现.对于每个视频场景,结合局部纹理复杂度、背景亮度和场景复杂度,选择最佳参考帧（I帧）与非最佳参考帧（非I帧）以嵌入不同的语义信息：控制语义、物理属性信息嵌入I帧,内容语义嵌入非I帧.利用数字语义水印技术来实现视频内容的语义管理,完成语义信息和载体信号的一体传输和存储.实验中采用JM参考模型进行数字水印方法的验证,结果表明该方法鲁棒性强,且不会造成视频资源质量显著下降.     

一种基于IMM的自适应跟踪数据率算法

针对交互式多模型(IMM),提出一种自适应跟踪数据率的算法.该算法利用IMM模型更新概率对各模型产生的采样间隔时间进行混合估计,产生系统的自适应采样间隔时间.在保证跟踪精度的基础上,有效地降低了跟踪采样次数.仿真结果表明了方法的有效性.     

基于元强化学习的自适应卸载方法

计算卸载是移动边缘网络中的一个关键问题,基于深度学习的算法为高效生成卸载策略提供了一种解决方法。但考虑到移动终端设备的动态性以及不同任务场景之间的转换,需要大量的训练数据和较长的训练时间重新训练神经网络模型,即这些方法对新环境的适应能力较弱。针对这些不足,提出了一种基于元强化学习(Meta Reinforcement Learning, MRL)的自适应卸载方法,先对外部模型进行预训练,处理具体任务时再基于外部模型训练内部模型。该方法能快速适应具有少量梯度更新的样本的新环境。仿真实验表明,该算法能够适应新的任务场景,效果良好。     

利用0-1矩阵分解集成的极化SAR图像分类

全极化合成孔径雷达(PolSAR)图像蕴含更丰富的散射信息,具有更多的可用特征。如何使用这些特征是极化SAR图像分类中非常重要的一步,但是目前尚未对此提出非常明确的准则。为了能够有效地解决上述问题,该文提出一种基于特征加权集成的极化SAR图像分类算法。该算法采用0-1矩阵分解集成方法对包括不同特征的数据集进行学习获得相应加权系数,并通过对每个特征集获得的预测结果进行加权集成来提高极化SAR图像分类性能。首先,输入极化SAR数据,获得极化特征作为原始特征集,并对其进行随机抽取获得不同的特征子集;然后,使用0-1矩阵集成算法得到每个特征值相对应的加权系数;最后,通过对各个特征子集的预测结果进行集成得到最终极化SAR图像分类结果。实测L波段和C波段极化数据的实验结果表明,该算法可以有效地提高极化SAR图像分类的准确度。     

一种基于简化PCNN的自适应图像分割方法

近年来的研究表明,脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)可有效地用于图像分割.然而对于不同图像,常需要选取适当的网络参数,以得到有效的分割结果.但是,目前网络参数的选取还主要停留在人工调整和确定阶段,尚无一种能够根据图像本身特性自动确定参数的方法,这在很大程度上限制了PCNN的应用.针对这一问题,本文提出了一种基于简化PCNN的自适应图像分割方法,通过利用图像本身空间和灰度特性自动确定网络参数,实现对不同图像的分割.实验结果表明,本文算法可以有效地对不同图像进行自动分割,具有一定的健壮性.     

基于深度学习的复杂背景图像分类方法研究

复杂背景图像受背景干扰后不易被识别。针对这一问题,文中提出了基于前景分割机制的卷积神经网络图像分类方法。采用全卷积神经网络对图像前景区域进行自动分割,通过图像中前景区域周围的最小边界框对其进行定位。对于定位的前景区域,构建卷积神经网络对其进行处理以区分不同的类别,从而实现复杂背景图像的分类。将提出方法在公开数据集中提取的单一背景和复杂背景图像数据集上进行对比实验,并使用迁移学习与数据增强等方法优化模型。实验结果表明,所提方法使用前景区域分割相比于仅分类CNN具有更高的准确度,且复杂背景图像上的准确度提升幅度要远大于单一背景图像。该结果说明引入前景区域分割对于复杂背景图像分类模型准确度的提升具有一定帮助,能够显著前景区域特征并减少背景因素的干扰。