一种改进超像素融合的图像分割方法

合集下载

一种改进超像素融合的图像分割方法

第!"卷 ! 第#$期 %$#& 年 #$ 月
湖南大学学报 !自然科学版 " '()*+,-(./)+,+ 0+123*4156!7,5)*,-8913+934"
:(-;!"#7(;#$ <95=%$#&
文章编号 #>?!@%A?!%$#&#$@$#%#@$A
B<C#$;#>DDAE;9+F1;GHIJKFJ;%$#&;#$;$#?
" 收稿日期%$#?$& #% 基金项目国家自然科学基金资助项目!>?"?D#D""#7,51(+,-7,5)*,-8913+93[()+H,51(+(.QG1+, !>?"?D#D""$深圳市科技计划项目 !'QZ'%$#?$D$>#!#""?#A&"#8913+93,+HN39G+(-(U6V-,+V*(E395(.8G3+KG3+Q156!'QZ'%$#?$D$>#!#""?#A&"$湖南省科技计划重点研发项目 !%$#&\`%$%#"#`36T343,*9G,+HB323-(SP3+5V*(E395(.8913+93,+HN39G+(-(U6V-,+(./)+,+V*(21+93!%$#&\`%$%#"$ 广东省科技计划重点专项项目 !%$#DX$##D$#$#!"#`36 V*(E395 (. 8913+93 ,+H N39G+(-(U6 V-,+ (. \),+UH(+U V*(21+93 !%$#DX$##D$#$#!"$国家科技支撑计划项目 !%$#"XO[##X$#"#7,51(+,-8913+93,+HN39G+(-(U68)SS(*53HV*(E395!%$#"XO[##X$#"$ 国家重大科学仪器设备开发专项项目 !%$#DZg#!$"#?"#7,51(+,-Y,E(*8913+51.#43;HRb)1SP3+5B323-(SP3+5V*(E395 !%$#DZg#!$"#?"$湖南省教育厅重点项目 !#"O$!!"#NG38T[(./)n+,+V*(21+91,-RH)9,51(+B3S,*5P3+5!#"O$!!"$湖南省研究生科研创新项目 !Q^%$#?X##$"#NG3 /)+,+V*(21+93\*,H),5385)H3+58TC[ \*,+5!Q^%$#?X##$" 作者简介余洪山 !#A&$+ "#男 #河南永城人 #湖南大学副教授 #博士生导师 L通讯联系人 #R@P,1-%6)G(+U4G,+!G+);3H);9+

结合显著性和超像素改进的GrabCut图像分割

结合显著性和超像素改进的GrabCut图像分割刘辉;石小龙【摘要】GrabCut是一种快捷准确的交互式图像分割方法.但是,当待处理图像复杂度较大时,用户很难有效的标注矩形框,而且运算时间较长.针对以上问题,提出了一种改进的GrabCut算法.该算法通过视觉显著性实现矩形框的自动标注,与超像素的结合有效的减少了分割算法的时间.首先,通过一种结合改进超像素的流形排序算法来得到显著性图,并进一步得到目标的矩形框,然后用改进的超像素来构建GrabCut 图割模型,最后,进行参数迭代估计从而得到分割图像.实验表明,本文提出的方法在保证GrabCut算法精度的前提下,实现了自动分割,并有效的减少了分割时间.%GrabCut is a fast and accurate interactive image segmentation method. However, as digital image technology develops and becomes increasingly complex, not only is it difficult for users to effectively mark a rectangular box, but also the operation time is too long. To solve the above problems, this study implements automatic labeling of rectangular boxes by salience, and effectively reduces the time required to run GrabCut by combining it with superpixels. First, we obtain a saliency map using graph-based manifold ranking, and further get the target rectangular box. Then, the GrabCut graph model is constructed using the improved superpixels. Finally, an iterative algorithm estimates the parameters that are used to obtain the segmentation results. Experiments show that the proposed method can effectively reduce segmentation time and user interaction while maintaining the accuracy of the original GrabCut algorithm.【期刊名称】《红外技术》【年(卷),期】2018(040)001【总页数】7页(P55-61)【关键词】GrabCut;简单线性迭代聚类;显著性检测;流形排序【作者】刘辉;石小龙【作者单位】重庆邮电大学通信新技术应用研究中心,重庆 400065;重庆信科设计有限公司,重庆 400065;重庆邮电大学通信新技术应用研究中心,重庆 400065【正文语种】中文【中图分类】TP3910 引言图像分割是图像处理与计算机视觉的基本问题之一。

超像素图像分割的研究与优化

超像素图像分割的研究与优化随着计算机技术的飞速发展，图像处理技术也日趋成熟。

已经涌现出了许多基于人工神经网络、深度学习、卷积神经网络等算法的图像处理方法，其中之一就是超像素图像分割。

超像素图像分割能够将原图像分割成多个相似区域，可广泛应用于图像处理领域，如图像分析、特征提取、目标跟踪等。

本文将重点讨论超像素图像分割的研究与优化。

一、超像素图像分割的基本概念超像素图像分割是指将多个像素集合成一个相似的区域，即将图像分成几个块来进行处理，这些块称之为超像素。

超像素图像分割能够消除图像中的噪音点和冗余信息，降低图像处理的复杂度，保持图像的边缘特征。

超像素图像分割由于将像素分成一组相邻的像素，因此更能保留图像的本质。

二、超像素图像分割的优点和缺点超像素图像分割优点在于保留了图像的结构和边缘特征，同时还能提高图像处理的速度和质量。

但是，超像素图像分割也存在一些缺点。

对于图像中的平滑区域，生成的超像素有时候并不稳定，会造成图像失真。

在边缘处，由于多个超像素相邻，边缘效果可能被过度削弱。

三、超像素图像分割的优化方法为了优化超像素图像分割质量，研究者们提出了一系列的算法与技术，其中有一些值得我们关注和学习。

1. 多尺度超像素图像分割多尺度超像素图像分割是以不同尺度下超像素信息进行图像分割。

它能够较好地处理图像的不同尺度和多重结构，提高图像分割的准确度和速率。

在实际应用中，多尺度超像素图像分割可以优化图像的分割过程，增强对小结构的处理效果。

2. 非均匀超像素图像分割非均匀超像素图像分割是将不同的像素分为不同的超像素。

这种方法能够进一步提高超像素图像分割的效果，因为它可以根据图像中不同区域的特性来选择不同的超像素大小和形状。

非均匀超像素图像分割可以提高超像素的质量和准确度，从而提高图像分割的效果。

3. 超像素合并技术超像素合并技术是将图像中不同的超像素再次合并，使得生成的超像素数量较少，从而提取图像特征和处理图像时所需的时间也会减少。

一种改进超像素融合的图像分割方法

一种改进超像素融合的图像分割方法余洪山;张文豪;杨振耕;李松松;万琴;林安平【摘要】基于超像素的传统图像分割方法在边缘分割的一致性、计算效率和融合算法的自适应性等方面仍存在诸多问题.文章结合国内外相关研究进展,提出了一种新型超像素融合的图像分割方法.方法采用ERS超像素过分割算法,以强度、梯度直方图作为超像素特征,并采取EMD方法计算特征距离,通过混合Weibull模型获取融合自适应阈值,进而完成分割.算法时间复杂度降至为O(N),分割过程中不需要手动选取待分割区域,有效提高了算法的自适应性.实验结果表明本方法在分割边界准确度和处理效率方面优于现有方法.【期刊名称】《湖南大学学报（自然科学版）》【年(卷),期】2018(045)010【总页数】9页(P121-129)【关键词】超像素;区域融合;陆地移动距离;混合Weibull模型;图像分割【作者】余洪山;张文豪;杨振耕;李松松;万琴;林安平【作者单位】湖南大学电气与信息工程学院/机器人视觉感知与控制技术国家工程实验室,湖南长沙410082;湖南大学深圳研究院,广东深圳 518057;湖南大学电气与信息工程学院/机器人视觉感知与控制技术国家工程实验室,湖南长沙410082;湖南大学电气与信息工程学院/机器人视觉感知与控制技术国家工程实验室,湖南长沙410082;湖南大学深圳研究院,广东深圳 518057;湖南大学电气与信息工程学院/机器人视觉感知与控制技术国家工程实验室,湖南长沙410082;湖南大学电气与信息工程学院/机器人视觉感知与控制技术国家工程实验室,湖南长沙410082;湖南大学电气与信息工程学院/机器人视觉感知与控制技术国家工程实验室,湖南长沙410082【正文语种】中文【中图分类】TP273图像分割是利用颜色、纹理和灰度等特征将图像分割成一定数量的符合人类视觉感知分类的区域. 由于自然图像中场景的复杂性，加之人的视觉感知上的主观性，人们对图像场景理解不尽相同，因此图像分割一直是计算机视觉中的一个难点. 传统方法以像素为基本处理单元，使得算法时间消耗大、效率低. 超像素是指具有相似纹理、颜色和亮度等特征的相邻像素构成的图像块[1]，它利用像素之间特征的相似程度将像素分组，在很大程度上降低了后续图像处理任务的复杂度. 然而超像素分割会对图像产生过分割，并不能达到符合人的视觉感知的分割结果. 超像素算法多用于图像分割预处理，在后续图像处理中用超像素来代替像素，大大降低了时间的消耗.目前，基于超像素融合的图像分割研究开始获得越来越多的关注，典型方案有基于SLIC或Normalized cuts产生超像素过分割，然后提取超像素的特征(颜色、纹理和直方图等)，再基于一定的相似性度量标准计算相邻两个超像素的特征相似性距离. Hsu C Y等[2]提出了基于谱聚类的融合策略，该方法通过对SLIC 产生的超像素进行谱聚类取得了较高的效率，但其对于复杂场景的分割结果不够理想. Song X 等[3]采用了基于分层超像素的区域融合策略-MSRM(maximal similarity based region merging)[4]，针对前景对象很少的图像，该方法可以得到较好的分割结果，但需要人为给定前景对象所在的大致矩形区域. 当场景前景对象很多且分散时，该算法将很难处理，因此存在很大的局限性. Han B等[5]利用Normalized cuts[6]产生超像素，基于直方图的相似性度量计算相邻超像素间的非相似性距离来完成对图像的分割. 该方法虽然对相似的超像素进行了融合，但是融合比较保守导致分割结果过于细化，即在明显应该分割为一个对象的区域中存在没有融合的超像素边界. 综上所述，目前基于超像素融合的图像分割方案在边缘分割的一致性、特征相似性度量的可靠性、计算效率和融合算法的自适应性方面仍需进一步改善.针对上述问题，本文结合国内外相关研究进展，提出了一种改进超像素融合的图像分割方法. 主要改进如下：1)本文采用ERS(entropy rate superpixel)算法生成与真实边缘一致性更佳的超像素图像；2)选用稳定性好且计算简易的直方图特征(强度、颜色及方向直方图)，并采用陆地移动距离EMD(Earth Mover’s distance)计算超像素节点间相似性，以适应多种结构尺寸；3)采用Weibull 模型对相邻超像素的EMD 分布进行估计，获取融合处理的自适应阈值，从而提高了本文算法的鲁棒性. 本文算法时间复杂度为O(N)，处理过程中不需要手动选取待分割区域，分割结果的边界准确率和处理效率均具有明显的提高.1 改进的超像素融合图像分割方法如图1 所示，本文提出的超像素融合图像分割方法可划分为三部分：1)超像素过分割方法选择及图像预分割；2)以超像素节点为单位，求取强度、颜色以及方向(梯度)的特征直方图，基于特征相似性距离EMD模型，计算相邻节点各自特征直方图之间的相似性距离；3)建立Weibull 混合模型(Weibull mixture model)，对模型中的参数进行估计，确定节点特征相似性距离阈值γf ，并根据其进行超像素融合.1.1 基于超像素算法的图像预分割1.1.1 超像素算法选择目前，超像素算法主要分为两大类：基于图论的算法和基于梯度上升的算法.超像素的评价标准[7]主要包括：1)边缘贴合度；2)紧密度；3)计算效率等. 边缘贴合度指的是超像素边缘与真值边沿的吻合程度. 某些超像素方法虽然可以产生超像素，但是超像素的边缘可能穿过场景中物体的实际边缘. 紧密度反映了超像素形状是否规则以及边缘平滑程度. 常见的超像素算法性能比较[7]如表1 所示(使用公测数据集Berkeley dataset[8]中图片进行测试，其中边缘贴合度通过边界召回率boundary recall[7]反映)．图1 基于超像素融合的图像分割流程图Fig.1 Flow chart of image segmentation based on superpixel merging表1 几种超像素方法的性能特点Tab．1 Several superpixel algorithm performance characteristics算法边缘贴合度形状是否规整数量是否可控紧密度是否可控时间复杂度Ncuts0.68√√×O(N32)watersheds-×××O(Nlog (N))mean-shift-×××O(N2)Turbopixel0.61√√×O(N)SLIC0.82√√√O(N)ERS0.84×√√O(Nlog (N))超像素分割是为后续的分割服务的，所以超像素的边缘贴合度对后续的分割质量有着最直接的影响. 同时综合表格中时间复杂度、紧密度和数量是否可控等性能，本文采用的是边缘贴合度非常好的ERS(entropy rate superpixel)算法产生超像素.1.1.2 基于ERS的超像素计算和图模型构建ERS是由Liu等人[9]在2011年提出的一种基于图的聚类算法，该算法采用了一种新型的目标函数，并通过在图拓扑结构中最大化目标函数产生超像素. ERS算法构造的目标函数如表达式(1)所示：(1)式中，A表示图拓扑结构中的边集，λ是可调节的权重因子，H(A)代表随机游走熵率项，B(A)代表平衡项. H(A)项的定义为：(2)式(2)中，pi,j代表随机游走的转移概率，μi为随机游走的固定分布，H(A)构造的目的是为了生成紧密度较好的超像素，而构造平衡项则是为了约束超像素的尺寸．B(A)项的构造为：(3)式(3)中，ΖA是聚类分布，表示聚类分布的概率[10].用ERS算法对原始图像进行超像素过分割后，整幅图像由许多超像素构成. 超像素构成的“图”模型如图2所示，其中图结构由节点和边组成，即G=(V,E)，节点V 不再是图像中所有的像素集合，而由超像素构成，E是由连接相邻两个节点(超像素)的边构成的集合.图2 超像素“图”结构Fig.2 Superpixel “graph” structure1.2 特征提取与相似性度量1.2.1 超像素节点特征提取在二维彩色图像中，颜色、强度以及方向梯度是三种常用且易提取的直方图特征. 超像素是一定范围内像素点的集合，因此本文选取强度直方图、颜色直方图和方向直方图特征作为超像素节点特征.强度直方图是一个1维256区间的直方图，颜色直方图是由色调(hue)和饱和度(saturation)(HSV颜色空间中)构成的76*76(颜色位数为8位)的2维直方图，梯度直方图是用方向梯度(即垂直方向梯度与水平方向梯度的反正切)构成的1 维的360 区间的直方图，这个特征与HOG 特征类似. 为便于计算处理，算法将所有的特征直方图归一化处理.1.2.2 基于EMD的相似性度量1)EMD度量标准为了计算上述特征直方图相似性从而为超像素融合提供判断依据，本文采用EMD作为相似性度量标准. EMD是一种在某种区域两个概率分布距离的度量，即被熟知的Wasserstein度量标准. 如果两个分布被看作在区域上两种不同方式堆积一定数量的山堆，那么EMD是把一堆变成另一堆所需要移动单位小块最小的距离之和. EMD定义如表达式(4)[10]：(4)其中fij需要满足的约束条件：fij≥0(5)∑jfij≤pi(6)∑ifij≤qj(7)其中P和Q为两种给定的分布，P为m个特征量xi和其权重pi的集合，Q为n 个特征量yi和其权重qi的集合，P和Q分别记作P={(x1,p1),…,(xm,pm)}和Q={(y1,q1),…,(yn,qn)}. 在计算这两个分布EMD前，需先定义好P、Q中任意特征量Pi和Qi之间的距离dij(该距离称为ground distance，两个分布之间EMD 依赖于分布中特征量之间的ground distance). 当这两个特征量是向量时，dij是欧式距离，当这两个特征量是概率分布时则dij是相对熵(Kullback-Leibler divergence). 约束条件(5)是对方向性进行约束. (6)和(7)是对两个分布的量进行约束. 当P和Q归一化后有相同的总量时，EMD等同于两个分布之间的Mallows距离[11].EMD相比其它分布距离计算方法有着明显的优势[10]：EMD适用于计算两个直方图之间的距离，并且它能够处理变化尺寸的结构，有着更大的紧凑性和灵活性；如果两个分布有相等的总量，EMD则是一种真实的度量.2)相似性度量对于任意相邻的超像素对(节点)va和vb，提取其以强度(1维)、颜色(2维，HSV空间中色调和饱和度)和方向(1维)直方图为特征的4维特征直方图，再将其归一化处理，以此作为计算va、vb间EMD的参数. va、vb的特征相似性距离如式(8)[11]所示：(8)其中dn表示第n对相邻节点va和vb的特征相似性，且dn∈[0,1]，如果dn为0，则两个相邻节点特征完全一样，如果为1，则意味着相邻两个节点完全不相似.为常量，是以上述相邻节点的4维特征直方图为参数所能求得的最大可能的EMD，从而使得式(8)中dn的值在0到1之间. 其中，强度变化的最大可能为黑色到白色，色调(hue)变化的最大可能为0°到360°，饱和度(saturation)变化的最大可能为0%到100%，梯度方向变化的最大可能为水平梯度到垂直梯度.基于上述处理后，图像对应的图构建G=(V,E)基本完成，其中 V由超像素构成的集合，E为连接相邻两个节点(超像素)的边构成的集合，边权重由其连接的两个超像素之间的EMD确定，作为这两个超像素的相似性度量. 如图3所示．图3 “图”的权重示意图Fig.3 Schematic diagram of the weight of the graph1.3 自适应融合不同场景图像的最佳融合阈值不尽相同，如采用手动设置阈值，则需要多次更改阈值方能得到较好的分割结果. 为了确定本文超像素融合所需的自适应相似性阈值，首先需要得知边缘权重的分布模型，尚无证据表明相邻节点间的EMD服从均匀分布或者正态分布. 由于被比较的两个直方图特征向量分布是相关且非同分布的，根据文献[12]，这两个特征向量之间的Lp范数距离服从Weibull分布. 另外Chen-Ping Yu等人[13]的工作也对其进行了佐证. 因此，本文采用Weibull模型对相邻超像素的EMD分布进行估计，以获得自适应阈值，用于对不同场景图像的融合分割处理，从而提高了算法的鲁棒性.1.3.1 Weibull混合模型及参数估计Weibull是概率统计中常用的分布模型. 采用两个Weibull分布混合后对所有相邻超像素对的特征距离(EMD)X建立模型. 其混合模型完整形式如公式(9)所示：(9)其中θ=(ε1,φ1,μ1,ε2,φ2,μ2,π) 是待确定的模型参数.ε、φ、μ和π分别是尺度、形状、位置和混合参数.为了得到M2(Χ;θ) 中的参数，需要对M2(Χ;θ)进行参数估计，本文采用最大似然估计. 最大似然估计是基于观测样本的似然函数最大化来对参数进行估计的，M2(Χ;θ)的似然函数取对数后如下：lnM2(X;θ)=(10)该似然函数很复杂，并且存在位置参数μ1和μ2，因此，本文采用Nelder-Mead 方法[14-15]，它作为一种不含导数的优化方法，通过使(10)的负对数似然函数最小化来实现对参数的估计.为了得到相似性阈值γf，本文采用一个单一Weibull分布来拟合由两个Weibull 分布构成的混合Weibull模型，用AIC(Akaike Information Criterion)[16]信息准则来防止拟合混合Weibull模型过程中出现的过拟合. 相似性阈值γf由表达式(11)决定：(11)当混合模型更好的时候，γf的取值为max (x,η)，此时γf是混合的两个部分的交点，通过搜索向量Xf 的值可以以线性时间得到该方程的解. 当单一的Weibull更好时，即AIC(M2)>AIC(M1) 时，γf通过计算M1的逆累计分布函数得到，其中τ是给定的一个百分数，τ∈[0,1].1.3.2 超像素融合处理对于图像对应的图结构G=(V,E)，若相邻节点之间边的权重大于γf时，则认为该边连接的两个超像素差异较大，分属不同对象，该边继续保留，反之，则对两个超像素进行融合.超像素融合过程示意图如图4 所示，图中相似性阈值为0.6，即当连接相邻两个超像素(节点)的边的权值小于0.6 时，则认为这两个相邻超像素属于同一对象物体，可以对这两个超像素进行融合，形成一个更大的区域(如图4中实线连接的超像素节点)，反之，如果连接相邻超像素的边缘权值大于0.6，则认为该相邻超像素对不相似，属于不同的对象物体，继续保留分割边界(如图4 中的虚线形成的边界).2 实验结果与分析为验证本文方法的有效性和先进性，本文采用两个常用公测数据集BSD(Berkeley Segmentation Dataset)[8]以及SUN Dataset[17]的图像进行实验对比分析. 实验平台配置如下：PC主频为2.0 GHz，RAM为4 G，软件环境为MATLABR2014a.图4 超像素融合过程示意图Fig.4 Schematic of the superpixel merging process2.1 实验结果图5为本文方法得到的实验结果. 从图中可以看出：本文方法分割结果边界与场景真实边界具有良好的一致性，对于复杂的场景，如第二行图像所示，同样能得到与人的视觉感知相一致的结果．图5 实验结果Fig.5 Results of the experiment2.2 Weibull模型的有效性分析为了验证本文算法加入Weibull模型的有效性，本文另通过手动选取相似性阈值γf ，对不同场景图像进行超像素融合实验. 实验结果(超像素融合后的均值填充效果图)如图6所示.图6中最右侧为与真实场景最一致的融合效果图. 由实验结果可知，要得到良好的融合效果，必须手动调节多次阈值直至结果满意为止. 而且，对于不同场景的图像，其最佳相似性阈值不尽相同.加入Weibull模型后，最佳相似性阈值可由Weibull分布估计求得. 与上述手动调节阈值相比，具有更好的灵活性，避免了繁琐的调节阈值的步骤，可方便应用于不同的场景图像，极大地提高了算法的鲁棒性.2.3 分割结果直观效果对比为了验证本文算法的分割效果，本文选取了2种常用的基于超像素融合的分割算法并与其进行了对比，分别为DBSCN算法[18]对SLIC超像素融合的分割方法(SLIC-DBSCN)，基于原型对象(proto-object)的分割方法[12](PO).图6 手动选取阈值融合实验结果Fig.6 Merging results of selecting the threshold value manually不同算法的实验结果对比如图7所示，其中(a)为原始图像，(b)、(c)和 (d)分别为SLIC-DBSCN算法、PO算法以及本文算法的分割结果. 超像素数目均设定为600. 由图7中分割结果的对比可得，在产生相同超像素个数的情况下，本文方法得到的分割结果在保持边界的性能上优于SLIC-DBSCN算法和PO方法，分割结果视觉效果上更符合人的视觉感知.图8为图7的局部细节放大对比. 进一步从分割细节上进行了对比说明.图7 不同算法的实验结果对比Fig.7 Comparison of experimental results from different algorithm图8 局部细节放大对比图Fig.8 Partial details of the enlarged comparison chart2.4 分割结果性能量化对比为了对实验结果进行量化评价，本文采用了3种量化指标：1)PRI(Probabilistic Rand Index)[19]，它统计了实验的分割结果的边界标记像素与真实分割结果保持一致的数目，即分割结果的边缘准确度；2)VOI(Variation of Information)[20]，该指标针对两个类之间的信息的不同进行了距离度量；3)BDE(Boundary Displacement Error)[21]，该指标表示分割结果与真值之间的区域边界的平均位移.从以上指标可以得出，PRI越高，VOI，BDE越小，则分割结果的性能越好. 本文分割方法与Normalized cut(Ncut)[6]，Mean Shift[22]，Ultrametric Contour Maps(UCM)[23]，Segmentation by Aggregating Superpixels (SAS)[24]，SLIC-DBSCN算法以及PO算法的量化比较如表2所示，其中文献[6]、[22]、[23]、[24]的性能量化数据来自于文献[2]，实验数据集采用BSD.表2 本文方法与其他算法分割结果的性能评估Tab．2 The performance evaluation of this paper and ot her algorithm segmentation’s results方法PRIVOIBDENcuts[6]0.724 22.906 117.15Meanshift[22]0.795 81.972514.41UCM[23]0.811.68N/ASAS[24]0.831 91.684 911.29SLIC-DBSCN0.784 61.927 813.72PO0.846 31.582 511.21本文方法0.853 71.519 110.98本文采用BSD数据集做了40组分割实验，并对三种不同分割算法的时间分别计算平均值，实验图像尺寸481×321，在设置不同超像素数目N的情况下，三种方法平均消耗时间如表3所示．表3 不同N时算法的平均时间消耗Tab．3 Average time consumption of algorithm for different N s方法N=500N=800N=1 000SLIC-DBSCN18.826.238.5PO10.415.323.6本文方法10.716.124.5由表看出，本文算法具有较高的时间效率，相较于SLIC-DBSCN算法具有明显的优势，与PO算法相差无几. 随着超像素的数目增多，时间消耗亦随之增加，虽然N越大，超像素对边缘的贴合度越好，但是并不是对任何图像都将超像素的数目N设置的越大越好，对于图像尺寸较小时，如BSD数据集的尺寸为481×321，N 设置600即可获得很好的分割结果.3 结论本文在图像预处理阶段(超像素分割)采用了ERS算法，通过产生数目更少的超像素便可达到更好的边缘保持性能，这一点对后续的分割至关重要.此外，本文的算法充分运用了统计学，距离度量采用EMD ，通过 Weibull分布建立EMD统计模型．因此，该方法的实验结果具有很高的边缘准确性. 本文采用AIC信息准则确定自适应阈值，无需手动调节，从而提高了超像素聚类的鲁棒性，使得该算法能够适应复杂场景的分割. 在时间消耗上，本文的分割方法首先采用ERS超像素过分割，使得后续的融合都是基于超像素级的. 另外，本文的分割方法两次利用了“图”的结构(ERS为第一次利用“图”结构，然后基于超像素过分割的结果第二次建立“图”的结构)，这使得我们的算法具有很好的存储效率.与其他经典的传统分割算法([22]，[23]，[24])以及基于超像素融合的分割方法([2]，[12]，[18]等)的实验结果进行对比，本文对图像的分割结果性能优于其他方法，特别是在图像场景比较复杂的情况下，本文的分割结果对物体的边界保持得非常好.在对超像素融合后，将各个区域进行均值赋色，最后生成的分割图像的视觉效果和人类视觉的感知一致.参考文献【相关文献】[1] MALIK J. Learning a classification model for segmentation[J]. Proc Iccv, 2003,1(1):10-17．[2] HSU C Y, DING J J. Efficient image segmentation algorithm using SLIC superpixels and boundary-focused region merging[C]// Communications and SignalProcessing． Melmaruvathur: IEEE, 2014:1-5.[3] SONG X, ZHOU L, LI Z, et al. Interactive image segmentation based on hierarchical superpixels initialization and region merging[C]// International Congress on Image and Signal Processing． Dalian: IEEE, 2015: 410-414.[4] NING J, ZHANG L, ZHANG D, et al. Interactive image segmentation by maximal similarity based region merging[J]. Pattern Recognition, 2010, 43(2): 445-456.[5] HAN B, YAN J. A novel segmentation approach for color images with progressive superpixel merging[C]// International Conference on Computer Science and Network Technology． Changchun: IEEE, 2013: 433-437.[6] SHI J, MALIK J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(8): 888-905.[7] ACHANTA R, SHAJI A, SMITH K, et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274-2282.[8] MARTIN D, FOWLKES C, TAL D, et al. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics[C]// International Conference on Computer Vision．Vancouver: IEEE, 2001, 2:416-423.[9] LIU M Y, TUZEL O, RAMALINGAM S, et al. Entropy rate superpixel segmentation[C]// Computer Vision and Pattern Recognition．Colorado : IEEE, 2011: 2097-2104.[10] RUBNER Y, TOMASI C, GUIBAS L J. A metric for distributions with applications to image databases[C]// International Conference on Computer Vision． Bombay: IEEE Computer Society, 1998:59.[11] LEVINA E, BICKEL P. The earth mover's distance is the mallows distance: Someinsights from statistics[C]// Eighth IEEE International Conference on Computer Vision． Vancouver: IEEE, 2001, 2: 251-256.[12] BURGHOUTS G J, SMEULDERS A W M, GEUSEBROEK J M. The distribution family of similarity distances[C]// Conference on Neural Information Processing Systems.Vancouver: DBLP, 2009:201-208.[13] YU C P, HUA W Y, SAMARAS D, et al. Modeling clutter perception using parametric proto-object partitioning[C]// International Conference on Neural Information Processing Systems. Lake Tahoe: Curran Associates Inc， 2013:118-126.[14] NELDER J A, MEAD R. A simplex method for function minimization[J]. The Computer Journal, 1965, 7(4): 308-313.[15] LAGARIAS J C, REEDS J A, WRIGHT M H, et al. Convergence properties of the Nelder-Mead simplex method in low dimensions[J]. SIAM Journal on Optimization, 1998, 9(1): 112-147.[16] LUMLEY T, SCOTT A. AIC and BIC for modeling with complex survey data[J]. Journal of Survey Statistics and Methodology, 2015, 3(1): 1-18.[17] XIAO J, HAYS J, EHINGER K A, et al. Sun database: Large-scale scene recognition from abbey to zoo[C]// Computer Vision and Pattern Recognition. San Francisco: IEEE,2010:3485-3492.[18] ESTER M. A density-based algorithm for discovering clusters in large spatial Databases with Noise [C]// International Conference on Knowledge Discovery and Data Mining. Portland: AAAI Press, 1996:226-231.[19] UNNIKRISHNAN R, PANTOFARU C, HEBERT M. Toward objective evaluation of image segmentation algorithms[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, 29(6):929.[20] MEIL M. Comparing clusterings: an axiomatic view[C]//Proceedings of the 22nd International Conference on Machine Learning. Bonn: DBLP, 2005: 577-584.[21] FREIXENET J, X, RABA D, et al. Yet another survey on image segmentation: region and boundary information integration[J]. Lecture Notes in Computer Science, 2002, 2352:21-25.[22] COMANICIU D, MEER P. Mean shift: A robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(5): 603-619.[23] ARBELAEZ P, MAIRE M, FOWLKES C, et al. From contours to regions: An empirical evaluation[C]//Computer Vision and Pattern Recognition. Miami: IEEE, 2009: 2294-2301.[24] LI Z, WU X M, CHANG S F. Segmentation using superpixels: A bipartite graph partitioning approach[C]// Computer Vision and Pattern Recognition. Rhode Island: IEEE, 2012:789-796．。

利用改进的超像素聚类算法分割和检测肺结节

2020年第14期信19与电10China Computer&Communication利用改进的超像素聚类算法分割和检测肺结节南叶洲李志华(江南大学物联网工程学院，江苏无锡214122)摘要：为了提升肺结节分割和检测效果，基于原有的SLIC算法提出了一种改进的超像素聚类算法SLIC+。

该算法首先利用目标函数确立像素对于聚类中心的隶属度为优化目标，再通过距离权重加权重定位聚类中心，然后针对医学影像减少参数输入.实验表明，改进后的SLIC+算法提升了原有SLIC算法的肺结节分割效果和肺结节检测效果这两项指标,为通过预筛选和人机诊断结合模式降低放射报告医生工作量的研究思路提供了一种方式.关键词：医学影像；图像分割；目标检测；超像素；SLIC中图分类号：TP391文献标识码：A文章编号：1003-9767(2020)14-071-03Segmentation and Detection of Pulmonary Nodules Using Improved Superpixel Clustering AlgorithmNan Yezhou,Li Zhihua(School of Internet of Things Engineering,Jiangnan University,Wuxi Jiangsu214122,China) Abstract:In order to improve the segmentation and detection of pulmonary nodules,an improved super-pixel clustering algorithm SLIC+is proposed based on the original SLIC algorithm.The algorithm uses the objective function to establish the membership degree of the pixel to the cluster center as the optimization objective,and then uses the distance weight to re locate the cluster center,and then reduces the parameter input for medical images.Experiments show that the improved SLIC+algorithm improves the segmentation effect of pulmonary nodules and pulmonary nodule detection effect of the original SLIC algorithm.It provides a way to reduce the workload of radiologists through the combination of prescreening and human-computer diagnosis.Key words：medical image;image segmentation;object detection;super-pixel;SLIC0引言肺结节是早期肺癌的重要特征，尽早检测出CT图像中的肺结节，在病程发展的初期跟踪结节的变化情况，可以起到早发现、早治疗的作用但是CT厚层的图像对肺结节识别不明确，而薄层图像量又太大，仅靠放射科医师人工阅片识别肺结节工作效率低、速度慢。

改进Turbo-pixel算法在CT图像分割中的应用

改进Turbo-pixel算法在CT图像分割中的应用田连晓;闭应洲【摘要】医学图像分割是各种医学图像应用的基础,但由于医学图像噪声复杂,纹理低,使得分割极为困难.且目前大多的图像分割算法,忽略像素点的位置信息,应用包含位置信息的Turbo-pixel超像素对CT图像进行处理,后期结合少量的人工标记信息,可完整提取出CT图像的软组织信息,为医生减轻负担,且根据专家目测表明,改进的Turbo-pixel分割提取的软组织较为完全且位置信息正确.【期刊名称】《现代计算机（专业版）》【年(卷),期】2016(000)024【总页数】4页(P44-46,74)【关键词】Turbo-pixel;CT图像;人工标记【作者】田连晓;闭应洲【作者单位】广西师范学院计算机与信息工程学院,南宁530032;广西师范学院计算机与信息工程学院,南宁530032【正文语种】中文随着计算机辅助医疗技术的不断发展和提高，医学图像分割技术显示出越来越重要的临床价值。

医学图像分割同于图像分割，也是将图像中的感兴趣区域提取出来。

但由于医学图像自身的特点，带来了医学图像分割的难题。

医学图像种类繁多，功能类别不同，如磁共振（MR）成像、计算机断层（CT）成像等。

针对于软组织识别上MR影响比起CT影响有较为明显的优势；但CT图像以其经济廉价的拍摄成本，使用的越来越频繁，但由于其对软组织的显现不如MR图像明显，也使得CT 图像不得不与其他种类的医学图像结合使用。

本文利用改进Turbo-pixel超像素块对CT图像进行分割处理，Turbo-pixel超像素可以保留图像像素点位置信息的特点，且有生成的超像素可控的优势，将其应用于医学图像分割中。

针对其Turbo-pixel对边界保留不完整的问题，改进Turbo-pixel算法的边界依附能力，使得改进后的Turbo-pixel算法可以更好的保留目标物体的边界信息。

在医学图像中的应用解决了CT图像对软组织识别不清晰的问题，后期处理针对每个超像素块为基本处理单元，符合人类视觉习惯，在医学标记提取时，大大降低了医生的工作量。

基于超像素的图像分割算法研究与优化

基于超像素的图像分割算法研究与优化随着计算机技术的不断发展，人工智能也日益成熟和普及，图像处理技术也在飞速发展。

图像分割技术是图像处理的重要分支之一，它是将一张图像分成多个子区域或者像素集合，并提取出每个子区域或将每个像素标记为一个对象的过程。

因此，图像分割技术广泛应用于图像处理、计算机视觉、医学图像处理等领域。

在图像分割中，超像素是近年来一个热门且高效的技术，它可以将图像划分成大小相等的区域块。

超像素的特征是区域内的像素具有相似的颜色、纹理、边缘等特征。

而超像素技术的目的是将大量的像素合并为几个超像素，从而降低计算复杂度和提高分割的准确度。

在常规的图像分割算法中，如基于阈值、基于边缘和基于区域的方法，可能会将同一对象中的像素分割到不同的区域，使得分割结果不理想。

而超像素的使用可以将同一对象中的像素合并到一个区域中，从而提高分割的精度。

然而，超像素算法也存在一些问题。

例如，超像素的数量、尺寸和形状等参数对算法的结果影响很大。

为了解决这些问题，研究人员对基于超像素的图像分割算法进行了优化，使得超像素算法在图像分割中具有更高的精度和效率。

一种常见的基于超像素的图像分割算法是SLIC（Simple Linear Iterative Clustering）。

SLIC算法结合了超像素和K均值聚类算法，它首先根据像素的颜色和空间距离将图像分成若干个超像素。

然后，在每个超像素中进行迭代，计算每个像素与超像素的距离，实现像素的聚类。

然而，SLIC算法也存在一些缺点。

例如，算法不适用于具有大量纹理和变化较大的图像，因为它不能识别局部区域的纹理和结构。

此外，SLIC算法对于噪声敏感，容易将噪声像素聚为一类。

因此，需要对算法进行优化，以提高其准确性和鲁棒性。

一种改进的算法是SEEDS（Superpixels extracted via energy-driven sampling）。

SEEDS算法是一种快速和准确的算法，它基于能量函数对像素进行分割，而不是使用聚类算法。

融合SLIC的DCUT改进图像分割算法

融合SLIC的DCUT改进图像分割算法邹小林【期刊名称】《新疆大学学报（自然科学版）》【年(卷),期】2017(034)001【摘要】谱聚类DCUT算法能在任意形状的样本空间上聚类且收敛于全局最优解,但其缺点是计算相似度矩阵和特征向量的复杂度较高.为了提高了DCUT的算法速度,提出了基于SLIC的DCUT算法(SDCUT).SDCUT算法首先采用SLIC算法分割图像成超像素,再根据任意两个超像素的归一化直方图计算Pearson系数作为超像素之间的相似度,从而建立基于超像素的相似度矩阵,最后采用DCUT算法对超像素进行分类获得最终分割结果.在一系列图像上的实验结果表明,与几种经典谱聚类算法相比,本文方法的分割速度更快,且具有较好的分割效果.%Spectral DCUT algorithm can cluster samples in any form of feature space and has global optimal solution,But its disadvantage is that the complexity of computing the similarity matrix and the feature vector is higher.In order to improve the speed of DCUT algorithm,a new algorithm based on SLIC (S-DCUT) is proposed.S-DCUT algorithm firstly uses SLIC method to split the image into super pixels,secondly according to normalized histogram of super pixels,the Pearson coefficient is computated as the similarity between any two super pixels,therefore a similarity matrix based on super pixels is established,finally the DCUT algorithm is used to classify the super pixels to obtain the final segmentation results.Experimental results on a series ofimages show that the proposed method is faster and has good segmentation results compared with some classic spectral methods.【总页数】7页(P78-83,95)【作者】邹小林【作者单位】肇庆学院数学与统计学院,广东肇庆526061【正文语种】中文【中图分类】TP391.41【相关文献】1.基于小波图像融合算法和改进FCM聚类的MR脑部图像分割算法 [J], 耿艳萍;郭小英;王华夏;陈磊;李雪梅2.一种新的基于SLICO改进的GrabCut彩色图像分割算法 [J], 陈鑫;何中市;李英豪3.融合SLIC与改进邻近传播聚类的彩色图像分割算法 [J], 程仙国;王明军4.融合FPGA技术的改进SLIC超像素分割算法 [J], 韩剑辉; 吕郅强5.基于改进的SLIC的岩心颗粒图像边缘分割算法 [J], 董领;卿粼波;何小海;黄帅坤;何海波因版权原因，仅展示原文概要，查看原文内容请购买。