基于视觉显著性的非监督图像分割

合集下载

基于F^(3)Net显著性目标检测的蝴蝶图像前背景自动分割

述指标值，分别为0.961, 0.964, 0.963, 0.013, 0.965, 0.967和0.938。【结论】研究结果证明结
合迁移学习的F3Net算法是其中最优的分割方法。本研究提出的方法可用于野外调查中拍摄的昆
虫图像的自动分割，并拓展了显著性目标检测方法的应用范围&
关键词：蝴蝶；显著性目标检测；深度学习；图像分割；自动分割；F3Nel 中图分类号：Q969 文献标识码：A 文章编号：0454-6296(2021 )05-0611-07
implement automatic maxmundWackgmund segmentfion of images. To further improve the accurace of
基金项目：国家重点研发计划(2017YFD0600105)；福建省自然科学基金项目(2017J01607, 2018J01612 )；福建农林大学科技创新专项基金 (KFA17030A, KFA17181A)
理方能得
的分割结 *
随着全卷积神经网络技术的发展，许多学者提
出了基于该结构的深度学习显著性目标检测算法*
围绕如何得到具清晰边缘的显著性目标,不同的学
者提出了多种不同层次的特征融合方法,并加入明
确的边缘特征信息以及不同的评价方法，有效地提
高了前背景分割的效果（Wang et al. 2016 ； Lin el
图像前背景自动分割，为野外调查拍摄的昆虫图像
自 * 动分割提供新的技术解决方案
1材料与方法
1.1蝴蝶图像数据集利兹蝴蝶数据集为开源数据集，包含10种蝴蝶
（分别为黑脉金斑蝶Danaus plexippus^黄条袖蝶 Helponius chargonis、艺神袖蝶 Heliconius crate、鹿眼峡蝶 Junonia ppiO、红灰蝶 1^0X10 phlaeas、丧服峡蝶 Nymphali antiopa、美洲大芷凤蝶 PapPis cresphontes、白粉蝶 Pieris rapae、优红峡蝶 Vanesso

基于无监督学习的图像语义分割算法研究

基于无监督学习的图像语义分割算法研究图像语义分割是计算机视觉领域中一项重要的任务，其目标是将图像中的每个像素标记为不同的语义类别。

传统的图像语义分割算法通常需要大量标记好的训练样本，这限制了其在实际应用中的推广和应用。

为了解决这一问题，无监督学习成为了研究者们关注的焦点之一。

本文将对基于无监督学习的图像语义分割算法进行深入研究。

首先，我们将介绍无监督学习在计算机视觉领域中的应用现状。

无监督学习是一种不需要人工标注样本进行训练的机器学习方法，它通过自动学习数据之间的内在结构和模式来实现任务目标。

在图像语义分割任务中，无监督学习可以通过对大量未标记图像进行聚类、自编码器等方法来实现。

接下来，我们将详细介绍基于聚类方法的无监督图像语义分割算法。

聚类是一种常用于数据挖掘和模式识别领域中数据分类和分析方法。

在基于聚类方法进行无监督图像语义分割时，首先将图像像素进行聚类，然后将聚类结果映射到语义类别上。

该方法的优点是简单易实现，但是由于聚类算法本身的限制，往往无法达到较好的分割效果。

然后，我们将介绍基于自编码器的无监督图像语义分割算法。

自编码器是一种无监督学习方法，通过学习输入数据的低维表示来实现数据压缩和特征提取。

在基于自编码器进行无监督图像语义分割时，首先使用自编码器对图像进行重建，并通过重建误差来度量图像的相似性。

然后将相似性矩阵转化为相似性图，并使用图切割算法将相似性图分割为不同的语义区域。

该方法在一定程度上克服了聚类方法的限制，并取得了较好的分割效果。

此外，我们还将介绍一些基于生成对抗网络（GAN）和变分自编码器（VAE）等深度学习方法进行无监督图像语义分割的研究进展。

这些方法通过引入生成模型和判别模型来实现对未标记数据进行特征提取和分类，并在一定程度上提高了分割的准确性和稳定性。

最后，我们将对无监督图像语义分割算法进行综合评估，并展望其未来的发展方向。

虽然无监督学习在图像语义分割领域取得了一定的研究成果，但仍然存在一些挑战和问题，如如何处理类别不平衡和类别不确定性等。

基于视觉注意机制的彩色图像显著性区域提取

基于视觉注意机制的彩色图像显著性区域提取
孟琭
【期刊名称】《计算机应用研究》
【年(卷),期】2013(30)10
【摘要】图像显署性区域提取是计算机视觉处理的重要步骤.结合人类视觉心理、生理模型,提出一种基于视觉注意机制的彩色图像显著性区域提取模型.通过改进的分水岭算法对彩色图像进行预分割,从而将原图像分成若干子区域,在此基础上运用提出的区域化空间注意力模型对各个子区域进行显著图计算,得到最终的显著性区域提取结果.实验结果表明,提出的显著性区域提取算法可以很好地从彩色图像中得到与视觉注意机制相一致的结果,且满足实时性要求,与传统方法相比,算法提取的区域更完整、更准确.
【总页数】3页(P3159-3161)
【作者】孟琭
【作者单位】东北大学信息科学与工程学院,沈阳110004
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于视觉显著性和区域生长的红外目标提取方法 [J], 杨爽;徐宏宇;唐泽坤
2.基于视觉注意的肺结节显著性区域分割方法 [J], 韩贵来;詹何庆;邓丹琼
3.基于视觉注意力模型的显著性提取 [J], 张杰;魏维
4.基于视觉显著性的彩色图像感兴趣区域编码 [J], 武永红;李东晖;刘敬;郭蕾
5.融合视觉注意机制的图像显著性区域风格迁移方法 [J], 王杨;郁振鑫;卢嘉
因版权原因，仅展示原文概要，查看原文内容请购买。

基于视觉注意的肺结节显著性区域分割方法

基于视觉注意的肺结节显著性区域分割方法作者：韩贵来詹何庆邓丹琼来源：《电脑知识与技术》2017年第16期摘要：针对肺实质图像中肺结节可能存在多发的实际情况，本文改进了ITTI模型中“赢者全拿”的策略，对多个显著性区域进行分析；针对基于视觉注意所检测到的肺结节显著性区域与肺实质图像中肺结节的实际位置并不完全一致的问题，该文先在肺实质图像中找出那些显著区域所对应的区域，将这些区域分割成各个连通区域，在每个连通区域中找到一个灰度值最大的点作为种子点，并在肺实质图像中进行区域生长，最终得到可疑肺结节图像。

相比直接将显著性区域作为可疑肺结节的方法，本文方法分割得到的可疑肺结节更加准确，更利于后续的肺结节特征提取和识别，对肺癌的早发现，早诊治具有重要意义。

关键词：视觉注意机制；肺结节；显著图；图像分割；区域生长2015年中国预计有429.2万例新发肿瘤病例和281.4万例死亡病例。

肺癌是发病率最高的肿瘤，也是癌症死因之首，是名副其实的癌症第一杀手。

降低肺癌死亡率的重要举措是“早期发现，早期诊断，早期治疗”，如果肺癌能在早期被诊断和治疗，5年生存率可以达到80%-90%。

肺癌早期的重要表征形式为肺结节，尤其是恶性肺结节多具有毛刺、分叶等特征。

如何更早的发现这些肺结节，实现对无症状肺癌高危人群筛选检查，是发现早期肺癌的有效办法。

随着医学成像技术的出现，利用医学影像，医生可以及时发现肿瘤，并从医学影像学角度判断肿瘤的性质和种类，从而提供诊断意见。

计算机断层图像（CT）是胸部影像学中最常用的图像，被广泛用于肺部肿瘤和肺结节的检测中。

由于肺部CT扫描的图像数量巨大，医生分析胸部CT是个枯燥而且繁琐的过程，特别是高分辨率扫描图片，仅一个病人的扫描图像数量就可达到200层以上，给影像工作人员带来了巨大的工作量，从而增加了漏诊和误诊的几率。

近年来随着计算机技术不断发展，医学影像的计算机辅助诊断与检测技术迅速发展。

计算机辅助诊断被称为医生的“第二双眼睛”，可以对CT图像进行自动分析后向影像工作人员提示可疑肺结节，使得肺癌的早期普查成为可能，具有重大的社会效益和广泛的应用前景。

图像分割及显著性区域检测算法与应用

图像分割及显著性区域检测算法与应用图像分割是计算机视觉领域中的一个重要任务，它旨在将一幅图像分成若干个不同的局部区域，使得每个区域内的像素具有相似的特征。

显著性区域检测是图像分割的一个子任务，它主要关注图像中最吸引人的部分，如物体、纹理等，并将其从背景中区分出来。

图像分割及显著性区域检测算法和应用在图像处理、计算机视觉、机器学习等领域具有广泛的应用价值。

图像分割算法有许多种，其中常用的包括基于阈值的分割、区域生长算法、基于边缘的分割等。

基于阈值的分割是最简单的方法，它将图像中的像素按照灰度值或颜色进行分类，像素值在一定范围内的像素划分为同一区域。

区域生长算法根据像素之间的相似性逐渐扩展区域，直到满足某一条件为止。

边缘分割算法则是基于图像边缘的梯度信息，通过检测图像中的边缘实现分割。

相比之下，显著性区域检测算法主要关注图像中最显著的部分，并通过计算显著性值来区分显著性区域和非显著性区域。

现有的显著性区域检测算法可以分为基于全局对比度的方法和基于局部对比度的方法。

基于全局对比度的方法基于图像的全局特征，如颜色、纹理等，在整个图像中寻找显著性区域。

而基于局部对比度的方法则基于图像的局部特征，在局部范围内计算像素的显著性值，再通过融合得到全局显著性图。

除了图像分割和显著性区域检测的基本算法外，这些算法还可以结合其他技术来改进性能。

例如，图像分割算法可以与机器学习方法结合，通过训练模型来提高分割的准确性和效率。

显著性区域检测算法可以与深度学习技术相结合，通过卷积神经网络等方法提取更准确的特征表示。

图像分割及显著性区域检测算法在许多应用中发挥着重要作用。

在医学影像分析中，图像分割可以帮助医生识别和定位病变区域，辅助诊断和治疗。

在自动驾驶领域，显著性区域检测可以帮助车辆识别和跟踪重要的交通目标，提高驾驶的安全性和效率。

在视频监控和安防领域，图像分割及显著性区域检测可以帮助识别异常行为和重要的目标，发现潜在的安全威胁。

基于无监督域适应的遥感图像语义分割

基于无监督域适应的遥感图像语义分割基于无监督域适应的遥感图像语义分割摘要：遥感图像语义分割在许多应用中发挥关键作用，然而，由于遥感图像数据的特殊性质和缺乏标签数据的限制，实现准确的语义分割一直是一个挑战。

本文基于无监督域适应的方法，开展了遥感图像语义分割研究。

通过利用源领域的标签图像和目标领域的无标签图像，结合深度学习模型，提出了一种有效的无监督域适应算法，实现了遥感图像的准确语义分割。

实验证明，该方法在遥感图像语义分割中具有较好的性能和鲁棒性。

一、引言遥感图像语义分割是将遥感图像中的每个像素赋予相应的语义标签，以实现对遥感图像复杂场景的准确理解和分析。

在城市规划、环境监测、农业管理等领域，遥感图像语义分割广泛应用于地物分类、土地利用等方面。

然而，对于遥感图像的语义分割任务，面临着数据特殊性和数据标签稀缺的挑战。

例如，遥感图像具有较高的空间分辨率和较大的尺度范围，同时受到云层、阴影等干扰因素的影响。

此外，由于遥感图像的获取成本较高，标签数据往往难以获取，相比之下，大量的无标签数据更容易获得。

针对以上问题，本文研究了基于无监督域适应的遥感图像语义分割方法。

二、无监督域适应算法无监督域适应是指在没有源领域（标签数据丰富）和目标领域（标签数据稀缺）之间直接进行数据迁移和特征学习的方法。

本文提出的无监督域适应算法主要分为以下步骤：1.数据预处理：对源领域和目标领域的遥感图像进行预处理，包括去除噪声、归一化等操作，以保证数据的统一性和可比性。

2.特征提取：利用深度卷积神经网络（DCNN）对源领域的标签图像进行训练，提取图像的高级语义特征表示。

3.域自适应训练：利用目标领域的无标签图像进行域自适应训练，通过最小化源领域与目标领域之间的分布差异，实现对目标领域特征的自适应。

4.特征融合和分类：将源领域和目标领域的特征进行融合，并利用分类器对图像进行语义分割，得到每个像素的语义标签。

三、实验与结果本文在遥感图像语义分割数据集上进行了实验验证，以评估所提出的无监督域适应算法的性能。

基于视觉显著图的异性纤维彩色图像分割方法

２０１３年８月
计算机工程与设计
ＣＯＭＵＴＥＲＥＮＧＩＮＥＥＲＩＮＧＡ３４卷
第８期
Ｖｏ１．３４ＮＯ．８
基于视觉显著图的异性纤维彩色图像分割方法
王思乐，范士勇，卢素魁，杨文柱Ｈ
Ａｂｓｔｒａｃｔ：Ｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｓｅｐａｒａｔｅｆｏｒｅｉｇｎｆｉｂｅｒｏｂｊｅｅｔｓｆｒｏｍｂａｃｋｇｒｏｕｎｄｉｎａｌｉｖｅｉｍａｇｅｃａｐｔｕｒｅｄｂｙａｎａｕｔｏｍａｔｅｄｖｉｓｕａｌｉｎｓｐｅｃ —
ｅｎｔｅｄ．ＴｈｅＲＧＢｃｏｌｏｒｉｍａｇｅｃａｐｔｕｒｅｄｉｎｒｅａｌ — ｔｉｍｅｉｓｆｉｒｓｔｌｙｓｅｐａｒａｔｅｄｔｏＲ，ＧａｎｄＢｃｏｌｏｒｃｈａｎｎｅｌｓ．Ｔｈｅｎｔｈｅｒｅｄ，ｇｒｅｅｎａｎｄｂｌｕｅ
（１．河北大学数学与计算机学院，河北保定０７１００２；２．河北大学计算中心，河北保定０７１００２）
摘要：为实现对棉花异性纤维自动视觉检测系统采集的彩色图像的精确分割，提出了基于视觉显著图的异性纤维彩色图像分割方法。通过计算颜色显著图，实现彩色异性纤维目标的识别；通过计算亮度显著图，实现灰色异性纤维目标的识别；将彩色和灰色目标进行融合，得到全部异性纤维目标。实验结果表明，该方法可以准确分割出异性纤维彩色图像中含有的各种异性纤维目标。通过比较发现，该方法在分割精度上明显优于其它方法，可以实现对异性纤维彩色图像的精确分割。

一种基于显著性活动轮廓模型的图像分割方法

２Ｃｈｎｃｕｎｔｕｅｏｔｓ．ａｇｈｎＩｓｉｔｆｔＯｐｉ，ＦｉｅＭｅｈｎｃｎｙｉｓＣｈｎｓａｅｆｉｎｅ，Ｃｈｎｃｕ３０３ｃｎｃａｉｓａｄＰｈｓ，ｃｉｅｅＡｃｄｍｙｏｅｃｓＳｃａｇｈｎ１０３；
第３卷第３５期２１年９０２月
长春理工大学学报（自然科学版）
ＪｕｎｌｆａｇｈｎＵｎｖｒｉｆｃｅｃｎｅｈｏｏｙ（ｔｒｌｃｅｃｄｔｎｏｒａｏＣｈｎｃｕｉｅｓｙｏＳｉｎｅａｄＴｃｎｌｇｔＮａｕａＳｉｅＥｉｏ）ｎｉ
ｔｏｉｏｆｃｒｅｅｏｕｉｎｉｔｅａｔｅｃｎｏｒｍｏｅ．Ｌｓｌ．ｔｅｏｊｃｂｕｄｒｓｗｅｅａｑｉｄｕｉｇｄｓａｃｉｐｓｉｎｏｕｖｖｌｔｎｈｃｖｏｔｕｄ１ａｔｈｂｅｔｏｎａｉｒｃｕｒｓｉｎｅｍｔｏｉｙｅｅｎｔ
中图分类号：Ｔｆ９１３文献标识码：Ａ文章编号：１７ — ８０（０２３０２ — ４６２９７２１）０ — １００
ＡｎＡｃｉｅＣｏｔｕｏｅｓｂａｅｎＳｌｎｙｔｖｎｏｒＭｄｌｓｄｏａｉｃｅＭａｓｆｒＩａｅＳｇｅｔｔｏｐｏｍｇｅｍｎａｉｎ
． Βιβλιοθήκη ｗｈｃｆｒｄａａｉｎｙｍａ．Ｓｃｎｌｔｅｎｔａｏｔｉｅｏｈｒｇｏｓｏｔｉｅｕｉｇｔｅ（ｔｕｓｉｈｏｍｅｓｌｃｐｅｅｏｄｙ，ｈｉｉｌｕｌｆｔｅｅｉｎｗａｂａｎｄｓｎｈｉｎ）ｓ ’ ｍｅｈｄｓｉｉｔｏａｎ —

显著性检测算法在图像处理中的应用

显著性检测算法在图像处理中的应用在现代社会中，图像处理技术得到了广泛的应用。

随着人工智能技术的发展，如何准确地检测出一张图片中的重要信息，成为了图像处理领域研究的重点之一。

本文将介绍显著性检测算法在图像处理中的应用。

一、显著性检测算法的概念显著性检测算法是一种自动分析图像的方法，旨在识别并提取图片中的重要信息。

它通过计算图像中每个像素的显著性值，即像素在整张图片中的重要程度，来确定哪些区域是最显著、最引人注意的。

目前常见的显著性检测算法主要有两种，一种是基于全局信息的算法，即通过计算整张图片的特征来识别显著区域；另一种是基于局部信息的算法，即通过计算每个像素周围区域的特征来识别显著区域。

根据不同的应用场景，我们可以选择不同的算法。

二、显著性检测算法在目标检测中的应用显著性检测在目标检测中有着广泛的应用。

在计算机视觉领域中，目标检测是一个基本的任务。

其核心思想是从一张图片中找出某个指定的目标物体，进而提高计算机处理图片的准确性。

在目标检测时，显著性检测算法可以帮助我们准确地识别出目标所在的区域，并将其与其他区域进行区分。

比如，在一个由多个物体组成的图片中，我们通过显著性检测算法可以很容易地判断出哪个物体是被观察者需要寻找的目标物体，从而实现准确的目标检测。

三、显著性检测算法在图像分割中的应用图像分割是图像处理领域中的一项基础任务，其目的是把一幅图片分成若干部分，以达到提取图片结构和元素的目的。

在图像分割时，显著性检测算法可以帮助我们准确地区分出每个区域的显著性，从而实现更加精准的分割。

根据不同的应用场景，我们可以采用不同的显著性检测算法来实现图像分割。

比如，在医疗图像分割中，通过对病灶进行显著性检测，可以帮助医生更加准确地进行病情诊断和治疗。

在自然场景的图像分割中，显著性检测算法可以帮助我们更好地识别出景观中的各个构成元素，进而提高图像的整体质量和观赏效果。

四、显著性检测算法在图像增强中的应用图像增强是一种常见的图像处理任务，旨在使图像更加美观，或者提高图像中某些细节的可见性。

显著性图像分割算法的研究与优化

显著性图像分割算法的研究与优化一、引言图像分割是计算机视觉领域中的一个重要研究和应用方向，其主要目的是将图像分为不同的区域，使得每个区域内的像素具有相似的特征。

在目标检测、图像识别和图像处理等应用中，图像分割作为前置步骤扮演着重要角色。

当前，显著性图像分割算法是研究的热点之一。

本文将对显著性图像分割算法的研究现状和优化策略进行探讨。

二、显著性图像分割算法1. 基于传统方法的显著性区域提取传统的显著性图像分割算法通常采用手工设计的特征提取方法，如边缘检测、颜色直方图、纹理等，以及一些经典的分割技术，如聚类、阈值化、分水岭等。

常见的基于传统方法的显著性图像分割算法包括GrabCut、Mean-Shift、GraphCut等。

其中，GrabCut是一种基于交互操作的图像分割算法，它通过人工标记前景和背景来分割图像。

该算法先对用户标记的前景和背景像素进行聚类，得到前景区域和背景区域的高斯混合模型，然后将图像像素分配到前景或背景，直到模型收敛为止。

2. 基于深度学习的显著性区域提取近年来，深度学习技术的快速发展使得其成功地应用在图像分割中。

基于深度学习的显著性图像分割算法通常采用卷积神经网络（Convolutional Neural Network，CNN）或循环神经网络（Recurrent Neural Network，RNN）等深度模型进行特征提取和分割。

常见的基于深度学习的显著性图像分割算法包括DeepLab、FCN-8s、U-Net等。

其中，DeepLab是一种基于深度学习的图像分割算法，该算法采用深度卷积神经网络学习图像特征，然后使用空洞卷积（Dilated Convolutions）进行多尺度分析，最终生成图像分割结果。

U-Net是一种基于卷积神经网络的图像分割算法，通过特征提取和下采样操作得到低分辨率的特征图，然后通过上采样操作和特征融合得到高分辨率的分割结果。

三、显著性图像分割算法的优化策略1. 多尺度特征融合多尺度特征融合是提高显著性图像分割精度的常用策略之一。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＳＩ（ＲＡ）一∑硼ｌ（ＲＢ）ｄ（．Ｒ＾，ＲＢ）Ｒ＾≠％
（６）
如果计，ｑ相邻
ｂｏ一１０，如果砧，功不相邻
２．２区域颜色相异性度量
… ｕ’
通过采用均值漂移对图像进行初始分割，得到一系列较小的图像区域。下面，针对这些图像区域定义相异性度量。对于图像区域，可以采用许多方式进行描述，如颜色、边界、纹理、形状以及区域大小等。首先考虑区域颜色。对于相邻区域不同像素点Ｉｉ和Ｊ，，它们之间的相异性定义为：ｄ（Ｉ。，Ｌ）＝Ｄ（Ｊ。，Ｌ）
则来对相邻的区域进行合并。同样地，其方法非常依赖于参
数的设置，算法偏向于产生过分割结果。在许多应用场合中，虽然交互式图像分割算法能够达到较好的分割效果，但是在分割过程中需要对部分像素点或者区域进行人工标定，因此加重了用户的负担，不适合处理大型数据库。本文针对现有的交互式图像分割算法中需要人工参与的不足，提出基于视觉显著性的非监督图像分割算法。在区域合并之前，根据区域颜色特征的特点，定义区域的“显著性指标”。结合区域的“显著性指标”，选择合适的区域作为种子区域，对相邻且与种子区域相似的未标记区域进行合并，最终完成分割。
由于忽略了像素点之间的空间关系，具有相同颜色的不同像
素点具有相同的相似性。因此，可以对式（３）进行重排，使得
具有相同颜色。的像素点归到一起，得到每一种颜色的相异性：
”Ｂ
ｄ（ｊ。，ＲＢ）一ｄ（ｃ．）一∑ｐ，×Ｄ（ｃ。，Ｃ／）
Ｊ＝１
（４）
其中，Ｃ。为像素Ｊ．的颜色值，九ｎ为区域Ｒａ中颜色数目，Ａ为像素点颜色ｃ，在区域Ｒｅ中的概率。如果Ｊ。∈Ｒ＾，那么区域ＲＡ与区域ＲＢ之间的相异性可以定义为：
ｄ（Ｒａ，Ｒｓ）一南赢‘基“蚤。Ｄ（１ｉ㈣
啊咱
一∑Ｚ
．。
．，
∥．ｊ）
（５）
其中，
Ｃ “）为第个颜，ｐ色（ｃａ州在）ｐ第（ｃＢｓ个）Ｄ区（ｃ域ａｃ（ｉｐＢＣ，Ｒ
中所有以，种颜
色的概率，ｓ＝｛Ａ，Ｂ）。根据式（５），由于颜色直方图比其他特征描述更加鲁棒，因此采用颜色直方图来表示区域ＲＡ与区域Ｒｅ，区域ＲＡ与区域Ｒｅ之间的相异性通过计算它们对应的颜色直方图之间的差异来实现。为了强调主要颜色之间的区别，使用区域密度函数（即归一化的颜色直方图）中颜色出现的概率作为权值。尽管颜色直方图在表示区域上非常有效，但是即使针对中等大小的图像，计算复杂度也相当大。为使算法更加高效，类似于文献Ｅ１４｝中的方法，我们对颜色直方图进行量化。量化过程中可能会产生瑕疵，因此量化后，还需要对直方图进行颜色空间平滑。关于基于直方图的加速与颜色空间平滑的具
ａｒｅ
ａｄｊａｃｅｎｔ，ａｓ
ｔＯ
ｔｈｅｗｅｉｇｈｔｏｆｔｈｅｅｄｇｅｉｎ
ＲＡＧ．Ｔｈｅｎ，
ｔｈｅ
ｐｒｏｐｏｓｅｄ
ａｌｇｏｒｉｔｈｍｄｅｆｉｎｅｓｔｈｅｓａｌｉｅｎｃｙｉｎｄｅｘ（ＳＩ）ａｃｃｏｒｄｉｎｇ
ａｓ
ｔｈｅｃｏｌｏｒａｎｄｓｐａｔｉａｌｉｎ＿ｆｏｒｍａｔｉｏｎｏｆｅａｃｈｒｅｇｉｏｎｇｅｎｅ－
到稿日期：２０１４—０６一０１返修日期：２０１４—０８—２５
本文受江苏省高校自然科学研究面上项目（１４ＫＪＢ５２０００６）资助。
周静波（１９８３一），男，博士，讲师，主要研究方向为模式识别、数字图像处理，Ｅ－ｍａｉｌ：ｊｂｚｈｏｕ２０１３＠ａｌｉｙｕｍｃｏｒｎ；任永ｍ（１９８０－－），男，博士生，讲师，主要研究方向为模式识别、数字图像处理；严云洋（１９６７一），男，博士，教授，主要研究方向为人脸识别、火焰检测。
１，
体细节请参考文献［１４］。３基于显著性的图像分割算法
要对区域进行合并，需要选择种子区域和合并策略。下面就种子区域选择和合并过程进行详细介绍。
３．１
基于显著性的种子区域选择在合并过程中，从哪一个区域开始进行合并非常重要。
选择不同的种子区域，将会得到不同的分割结果。由于缺少
先验信息，确定种子区域变得十分困难。文献［１２］提出交互
ｒａｔｅｄｂｙＭＳａｌｇｏｒｉｔｈｍ．ＴｈｅｒｅｇｉｏｎｗｉｔｈｍａｍｍａｌＳＩｉｓｄｅｆｉｎｅｄｔｈｅｂｏｕｎｄａｒｙｉｓｄｅｆｉｎｅｄ
ａｓ
ｔｈｅｓｅｅｄｏｆ
ｏｂｊｅｃｔ，ａｎｄ
ｔｈｅｒｅｇｉｏｎｗｉｔｈｍｉｎｉｍａｌＳＩｉｎｔｈｅｓｔｒａｔｅｇｙｏｆ
其中，Ｄ（ｎＪ，）为Ｌ＊ａ＊ｂ＊颜色空间中像素点Ｊ。和Ｊ，的颜
子区域。最后，基于最大相似性合并策略，对与种子区域相邻的且合并概率最大的区域进行合并。实验表明，所提算
法不需要先验信息，且可以得到较好的分割效果；与非监督图像分割算法相比，所提算法可以避免过分割。关键词非监督图像分割，显著性检测，均值漂移文献标识码Ａ
ＤＯＩ
中图法分类号ＴＰ３９１．４
１０．１１８９６／ｊ．ｉｓｓｍ１００２—１３７Ｘ２０１５．８．０１１
２相关工作
２．１初始分割与区域表示
为了将区域进行合并，首先需要对图像进行初始分割，将
图像分割成一系列小区域。本文采用均值漂移算法将图像进行初始分割，因为均值漂移不仅能够产生适当数目的分割区域，而且得到的分割结果能够较好地保留目标边界。在大量的均值漂移算法中，我们采用ＥＤＩＳＯＮ软件进行初始分割。为了体现区域之间的空间关系，采用区域邻接图（ＲｅｇｉｏｎＡｄｊａｃｅｎｔＧｒａｐｈ，ＲＡＧ）来表示初始分割后的图像。若Ｇ＝（ｙ，Ｅ＞为无向图，其中砧∈Ｖ为图中的节点（即图像区域），Ｅ为图中的边，Ｗ为对应于（Ｖｉ，功）∈Ｅ边上的权重（（砧，功）），定义连接节点之间的相似性。在区域合并背景下，每一个区域都可以用一个分量Ｒ∈Ｖ来表示。图像区域的邻接关系可以用指示函数表示：ｆ
ａ
ａபைடு நூலகம்ｊａｃｅｎｃｙ
ｇｒａｐｈ（ＲＡＧ）ａｎｄ
ｅｄｇｅｅｘｉｓｔｓｏｎｌｙｉｆｔＷＯｒｅｇｉｏｎｓ
ａｄｊａｃｅｎｔ．Ｓｅｃｏｎｄ，ｔｈｅ
ｃｏｌｏｒｄｉｓｓｉｍｉｌａｒｉｔｙａｎｄ
ｏｕｒ
ｔｅｘｔｕｒｅ
ｃｏｎｓｉｓｔｅｎｃｙｂｅｔｗｅｅｎｔｈｅｒｅｇｉｏｎｓ
ｃｏｍｐｕｔｅｄ，ｗｈｉｃｈ
ｖｉｓｕａｌｓａｌｉｅｎｃｙ．Ｆｉｒｓｔ，ｍｅａｎｓｈｉｆｔ（ＭＳ）ａｌ—
ａｒｅ
ｇｏｒｉｔｈｍｉｓｕｓｅｄｒｅｇｉｏｎ
ｏｂｔａｉｎｉｎｉｔｉａｌ
ｓｅｇｍｅｎｔａｔｉｏｎ
ａｎａｒｅ
ｗｉｔｈｏｕｔｏｖｅｒｌａｐｐｉｎｇ．ＴｈｅｒｅｇｉｏｎｓｇｅｎｅｒａｔｅｄｂｙＭＳ
ａｒｅ
ｒｅｐｒｅｓｅｎｔｅｄｂｙ
均值漂移算法（ＭｅａｎＳｈｉｆｔ，ＭＳ），并且将其用于图像分割。该算法需要设置３个参数，不同的参数将产生不同的分割结果。通过调整参数，ＭＳ算法可以得到过分割或者弱分割的图像。而要得到合适的区域数，需要测试大量的参数。不合适的参数常导致ＭＳ算法出现过分割或弱分割现象。但是，ＭＳ算法能够得到一个较好的初始分割结果，即每一个区域都包含着目标或者背景的一些特征，为后续区域合并处理提供了基础。在图像分割过程中，由于目标和背景通常呈现复杂特征，传统的基于固定阈值的合并方法很难达到有效的分割效果，因此需要研究新的算法来解决复杂条件下的区域合并。迄今为止，许多算法均采用ＭＳ算法作为预处理过程，其中包括基于图像统计特性的算法口。７］、基于图的特性的算法［８。１０］、基于图像时空相似性的算法［１１］等，均采取对ＭＳ产生的过分割区
（２）
其中，ｗｌ（ＲＢ）为区域Ｒａ的权重。这里采用区域ＲＢ的像素点个数作为硼，（ＲＢ）来强调大区域的颜色对比度。由于没有考虑区域的空间信息，根据式（６）计算得到的显著性指标可能出现背景中部分区域的显著性指标与目标区域的显著性指标一样大的情况，这对确定种子区域十分不利。因此，算法将空间信息加入进来，增加区域的空间影响效果。结合式（６），显
Ａｂｓｔｒａｃｔ
Ｉｎｔｅｒａｃｔｉｖｅｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｎｅｅｄｓｔｈｅｐｒｏｐｏｓｅｄ
ｔＯａｎ
ｕｓｅｒ
ｉｎｔｅｒａｃｔｉｏｎｓｗｈｉｃｈｉｎｃｒｅａｓｅｓｔｈｅｔｉｍｅｃｏｍｐｌｅｘｉｔｙａｎｄｔｈｅ
ｏｎ
ｕｓｅｒ’ｓ
ｂｕｒｄｅｎ，Ｗｅ
ｕｎｓｕｐｅｒｖｉｓｅｄｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄ
・
５２
・
万方数据
域进行合并的策略。文献Ｌ１２Ｊ中，Ｎｉｎｇ等人提出基于交互信息的图像分割算法，通过对图像进行过分割，比较相邻区域的
颜色相似性，对相似性较大的区域进行合并以达到图像分割的目的。Ｌｉｕ等［９］提出快速的区域合并算法，该算法通过比较相邻区域之间相邻像素点的相似性，建立Ｋ近邻图，然后对Ｋ近邻中相邻节点进行合并。该算法尽管简单高效，但是仍然容易产生过分割现象。Ｐｅｎｇ等［１３３提出基于统计测试方法的迭代合并区域的方法，他们通过概率比率和最小成本准
ｔｈｅｓｅｅｄｏｆｂａｃｋｇｒｏｕｎｄ．Ｆｉｎａｌｌｙ，ｒｅｇｉｏｎｍｅｒｇｉｎｇｉｓｐｅｒｆｏｒｍｅｄａｃｃｏｒｄｉｎｇｔｏ
ｍａｘｉｍｉｚｅｓｉｍｉｌａｒｉｔｙａｒｏｕｎｄｔｈｅｓｅｅｄｏｆｏｂｊｅｃｔａｎｄｂａｃｋｇｒｏｕｎｄ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｏｂｔａｉｎｓｂｅｔｔｅｒｓｅｇｍｅｎｔｒｅｓｕｌｔｓｗｉｔｈｏｕｔａｎｙｉｎｔｅｒａｃｔｉｖｅｖｉｓｅｄｉｍａｇｅＫｅｙｗｏｒｄｓ
第４２卷第８期
２０１５年８月
计算机科学
Ｃｏｍｐｕｔｅｒ
Ｓｃｉｅｎｃｅ
Ｖｏｌ－４２Ｎｏ．８
Ａｕｇ２０１５
基于视觉显著性的非监督图像分割
周静波任永峰严云洋
（淮阴工学院计算机工程学院