近年來,隨著計算機(jī)科學(xué)技術(shù)的快速發(fā)展,圖像分辨率逐漸增高,傳統(tǒng)像素級的圖像分割方法很難滿足實時性要求。超像素是近年來興起的一種圖像預(yù)分割技術(shù),它將圖像分割成若干個具有同質(zhì)性的區(qū)域,相比于傳統(tǒng)像素級的圖像分割技術(shù),超像素分割技術(shù)不僅能夠保留圖像局部特征,而且可以提高后續(xù)算法的運算速度。目前,超像素分割技術(shù)已經(jīng)被成功應(yīng)用在圖像中的目標(biāo)檢測與識別、圖像語義分割、圖像分類等多個方面,引起了學(xué)者們的廣泛關(guān)注。因此,研究超像素分割算法對發(fā)展圖像分割理論具有重要意義,且將超像素算法應(yīng)用于遙感影像地物分類,對發(fā)展我國對地觀測技術(shù)具有重要作用。盡管學(xué)者們當(dāng)前已經(jīng)提出諸多超像素分割算法,然而多數(shù)算法仍然存在邊緣貼合度低、計算復(fù)雜度高、實際應(yīng)用受限等問題。針對上述問題,本文研究了快速超像素圖像分割算法,并將其應(yīng)用于遙感影像分類中。主要研究工作總結(jié)如下:（1）面向圖像超像素分割的簡單線性迭代聚類（Simple LinearIterative Clustering,SLIC）算法在每次迭代后,超像素塊中存在與聚類中心相似度較低的異常點,影響聚類中心的穩(wěn)定,不利于輪廓貼合度的提升;此外,SLIC算法在聚類過程中存... 

【文章來源】：陜西科技大學(xué)陜西省

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１最小割情況描述圖??Ｆｉ．?２－１?Ｄｅｓｃｒｉｔｉｏｎ?ｏｆ?ｍｉｎｉｍｕｍ?ｃｕｔ??

００８年Ｍｏｏｒｅ等人１５４］為??了在超像素算法內(nèi)引入像素的幾何信息和相互間的鄰域關(guān)系以增加圖像拓?fù)浣Y(jié)構(gòu)信息，??從而提出了?Ｓｕｐｅｒｐｉｘｅｌ?ｌａｔｔｉｃｅｓ算法。該算法首先輸入圖像的邊界圖，并在垂直和水平兩??個方向分別采用二分法，從而生成常規(guī)的超像素網(wǎng)格；其次，在垂直和水平兩個方向不??斷地進(jìn)行搜索，最終得到最優(yōu)路徑，得到圖像的超像素邊界圖。生成最優(yōu)路徑有三個限??制條件：第一是每條水平和垂直路徑只相交一次，第二是任意兩條水平路徑不相交，第??三是任意兩條垂直路徑不相交。圖２－２是該算法形成超像素的過程：??１?ｍｍ?￣￣］￣￣Ｔ??１?７?４?Ｌ４?＇＇７?????２?（?３?３?（?６?ｆ?９??ａ）超像素形成第一階段?ｂ）超像素形成第二階段??圖２－２?Ｓｕｐｅｒｐｉｘｅｌ?ｌａｔｔｉｃｅｓ算法超像素形成過程??Ｆｉｇ．?２－２?Ｓｕｐｅｒｐｉｘｅｌ?ｌａｔｔｉｃｅ?ａｌｇｏｒｉｔｈｍ?ｓｕｐｅｒｐｉｘｅｌ?ｆｏｒｍａｔｉｏｎ?ｐｒｏｃｅｓｓ??Ｍｏｏｒｅ等人在最優(yōu)路徑策略采用了兩種方法：第一種是Ｓ－Ｔ?ｍｉｎ?ｃｕｔ，通過產(chǎn)生任意??的拓?fù)渎窂胶鸵粋�損失函數(shù)來控制路徑的彎曲度；第二種是動態(tài)規(guī)劃方法，通過最小化??代價函數(shù)來生成無回歸路徑。該算法在速度和精度上能保持較好的性能，但是對輸入的??邊界圖依賴較大。??（３）?ＧＣａｌＯ算法和ＧＣｂｌＯ算法??２０１０年Ｖｅｋｓｌｅｒ等人＿提出了基于能量優(yōu)化框架的超像素分割算法，該算法提出了??能量最小化框架下的超像素劃分問題，并利用圖割對能量函數(shù)進(jìn)行優(yōu)化。該算法計算效??率高，邊緣輪廓貼合度高，且適用于３Ｄ超像素體的分割。該能量

使得生成的超像素輪??廓既貼合邊緣又形狀規(guī)則，又可以保證得到最優(yōu)分割結(jié)果。該算法首先構(gòu)建圖／?＝?，??■／ｇ五，目標(biāo)函數(shù)如下：??Ｇ?＝?ｍａｘ?Ｅｎ（Ｊ）?＋?ｆｊＢａ（Ｊ）?（２－５?）??ｊ??上式中，Ｊ是初選的權(quán)重邊集合；是隨機(jī)熵率項；是平衡項；／ｙ是權(quán)重??參數(shù)且值大于０。根據(jù)上式目標(biāo)函數(shù)在擬陣約束下最大化圖拓?fù)浣Y(jié)構(gòu)進(jìn)行優(yōu)化，并因為??隨機(jī)熵率和平衡項的引入，將該算法變成一個貪婪算法。該算法以其較為簡便的可控性??和較強(qiáng)的緊密度，是一個性能優(yōu)異的超像素生成算法。如圖２－３所示，是當(dāng)熵率值￡廠變??化時，緊密度的變化。??＾?＿￣Ｔ??９?３＇?３?？?－?５－?？??？?參?？?ｍ??ａ）?￡／＝０．８１?ｂ）?￡Ｖ＝０．４３??４?４?參?．５馨２—＿馨??４｜?４?＃?３馨?６??？?？?？???ｃ）?￡ｒ＝０．６４?ｄ）?￡＞＝０．６１??圖２－３緊密度隨熵率變化圖??Ｆｉｇ．?２－３?Ｃｌｏｓｅｎｅｓｓ?ｃｈａｎｇｅｓ?ｗｉｔｈ?ｅｎｔｒｏｐｙ??（５）?Ｐｓｅｕｄｏ－ｂｏｏｌｅａｎ?Ｏｐｔｉｍｉｚａｔｉｏｎ?算法??２０１１年Ｚｈａｎｇ等人｜５７］提出了最小化兩個偽布爾函數(shù)以得到較為優(yōu)異的超像素圖像分??１５??


本文編號：2970065