一种改进的基于超像素的多光谱图像分割方法

第18卷第4期孟令梅等：一种基于DCT 变换的图像认证算法文章编号：1005－1228（2010）04－0045－04收稿日期：2010-03-16基金项目：海南省自然科学基金（807019）作者简介：杨朝云（1977-），男，湖北枝江人，硕士研究生，工程师，研究方向：遥感地学应用；陈光儒（1977-），男，贵州毕节人，工程师，研究方向：遥感地学应用。

一种改进的高分辨率遥感影像分割方法及应用杨朝云1，陈光儒2，吕嫦艳1，马波1（1.海南省地质矿产勘查开发局地质调查院，海口570206;2.海南省地质环境监测总站，海口571100）图像分割是计算机视觉、数字信号处理、模式识别等诸多领域所关注的一个问题，它是计算机视觉早期处理的一个重要环节，是图像分析和图像理解的基础，也是面向对象提取建筑物信息的一个基础。

国内外在图像分割方面已经取得了很多成果,但是将图像分割方法引入到遥感领域中并没有受到足够的重视，而针对遥感影像分割方法的研究则更是少见，其中一个重要的因素是由于遥感影像的多通道、大覆盖范围和所记录的地物的多样性和复杂性，使得成功分割遥感影像难度很大，影像分割获取的大多数对象不能代表现实世界中“有意义”的实体。

此外,很多分割方法还存在数据处理量小、处理时间长、无重复使用功能。

值得提出的是，没有唯一的标准的分割方法。

许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。

分割结果的好坏需要根据具体的场合及要求衡量。

图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。

在城市房地产项目信息动态监测中，我们需要通过从大量的遥感影像信息中提取建筑物信息，因此寻求一种有效的高分辨率遥感影像的分割方法成为需要，本文正是在此基础上提出了一种基于改进的H 指标分割方法。

1图像分割概述图像分割可形式化定义为：设F 为所有象素的集合，图像分割是按选定的一致性属性准则，将图像F 正确划分为互不交迭的区域集的过程。

超像素分割算法超像素分割算法是⼀种图像分割技术，其基本思想是将图像划分为⼀些超像素，这些超像素在颜⾊、纹理和空间上具有相似性。

相⽐于传统的像素级别的分割，超像素分割可以⼤⼤降低图像数据的维度，减少计算的复杂度，提⾼图像处理的效率。

⼀、超像素分割算法的概述超像素分割算法是⼀种基于图像内容的分割技术。

它通过将颜⾊、纹理和空间位置相近的像素组合成超像素，从⽽实现图像的⾼效表示和简化处理。

相⽐于传统的基于像素的图像分割⽅法，超像素分割可以⼤⼤降低数据的维度，减少计算的复杂度，提⾼图像处理的效率。

同时，由于超像素分割考虑了像素间的空间关系和语义信息，因此能够得到更为准确和有意义的分割结果。

⼆、超像素分割算法的基本流程超像素分割算法的基本流程包括：初始化、⽣⻓、优化和终⽌四个步骤。

1.初始化：在这⼀步中，算法会随机选择⼀个种⼦像素，并将其加⼊到超像素中。

种⼦像素的选择通常考虑其颜⾊、纹理和空间位置等因素。

2.⽣⻓：在这⼀步中，算法会根据⼀定的规则将与已⽣成的超像素相近的像素添加到超像素中。

这些规则可以包括颜⾊、纹理和空间位置的相似性等。

3.优化：在这⼀步中，算法会对⽣成的超像素进⾏优化，以改进其质量和形状。

优化的⽅法可以包括对超像素的颜⾊、形状和边界进⾏调整等。

4.终⽌：在这⼀步中，算法会判断是否已经达到了终⽌条件。

如果已经达到了终⽌条件，则算法结束；否则，返回步骤2继续执⾏。

三、超像素分割算法的应⽤超像素分割算法在图像处理、计算机视觉和机器学习等领域具有⼴泛的应⽤。

下⾯列举了⼀些常⻅的应⽤场景：1.⽬标检测：超像素分割可以⽤于⽬标检测任务中，将⽬标区域划分为⼀些超像素，从⽽简化计算和提⾼检测的效率。

2.图像分类：超像素分割可以⽤于图像分类任务中，将图像划分为⼀些超像素，从⽽提取出更为丰富和有意义的特征。

3.图像识别：超像素分割可以⽤于图像识别任务中，将图像划分为⼀些超像素，从⽽得到更为准确和有意义的识别结果。

基于超像素方法的腹部CT影像多目标器官分割研究张海涛;刘景鑫;王春月;赵晓晴;李慧盈【摘要】针对医学影像中各个器官间的区域划分不明显,影像噪声较大等问题,本文提出了一种通过构建超像素从腹部医学影像中自动分割多个目标器官的方法.基于超像素的分割方法适应了CT图像中的各种成像条件,并且考虑了多个器官之间的相互联系与制约关系.该方法首先根据像素相关性和位置邻近性对超像素进行聚类,然后再引入器官空间结构分布图,修正多个器官的分割.实验结果表明,该分割方法能有效地完成CT影像中的各个器官分割.%In order to address the typical problems in the medical image, such as unclear boundaries between organs and loud imaging noises, we proposed a method of automatic segmentation to get the target organs' images from abdominal medical images by building super-pixels. The super-pixel based segmental method adapted to various imaging conditions in the CT image and considered the interrelationship and constraints among multiple organs. In this method, we firstly clustered the super-pixels in the light of pixel correlation and location adjacency, then the spatial distribution of organs was used to modify the segmentation process of multiple organs. The experimental results showed that this proposed method could effectively segment the organs in the abdominal CT images compared with some other traditional segmental algorithms.【期刊名称】《中国医疗设备》【年(卷),期】2018(033)001【总页数】5页(P24-28)【关键词】腹部医学影像;超像素;多目标分割;CT【作者】张海涛;刘景鑫;王春月;赵晓晴;李慧盈【作者单位】吉林大学计算机科学与技术学院,吉林长春 130012;吉林大学中日联谊医院,吉林长春 130033;吉林大学计算机科学与技术学院,吉林长春 130012;吉林大学计算机科学与技术学院,吉林长春 130012;吉林大学计算机科学与技术学院,吉林长春 130012【正文语种】中文【中图分类】R814.42引言人体腹部CT图像是临床医学中医生用于研究腹部各器官结构、诊断病变的重要工具之一，利用计算机的高处理性能对腹部CT图像进行分割处理以获取信息，能够更加高效准确地帮助医生实现对病人病变区域的疾病诊断、疾病跟踪、诊断方案、质量评定、疾病监测等。

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。

2021年6月图 学 学 报 June2021第42卷第3期JOURNAL OF GRAPHICS V ol.42No.3结合超像素分割的多尺度特征融合图像语义分割算法官申珂1，林晓1，郑晓妹1，朱媛媛1，马利庄2(1. 上海师范大学信息与机电工程学院，上海 200234；2. 上海交通大学电子信息与电气工程学院，上海 200240)摘要：深度学习的发展加快了图像语义分割的研究。

目前，最有效的图像语义分割研究方法大部分都是基于全卷积神经网络(FCNN)，尽管现有的语义分割方法能有效地对图像进行整体分割，但对于图像中的重叠遮挡物体不能清晰地识别出边缘信息，也不能有效地融合图像高低层的特征信息。

针对以上问题，在采用FCNN来解决图像语义分割问题的基础上，利用超像素分割对物体边缘的特殊优势作为辅助优化，对粗糙分割结果进行优化。

同时在FCNN中利用空洞卷积设计了一个联合局部跨阶段的多尺度特征融合模块，其能有效地利用图像的空间信息。

此外还在网络的上采样模块中加入跳跃连接结构，用来增强网络的学习能力，在训练过程中采用2个损失函数来保证网络稳定收敛和提升网络的性能，图像语义分割网络在公开的数据集PASCAL VOC 2012上进行训练测试。

实验结果表明，该改进算法在像素精度和分割准确率方面均有提升，且具有较强的鲁棒性。

关键词：全卷积神经网络；多尺度特征融合；超像素分割中图分类号：TP 391 DOI：10.11996/JG.j.2095-302X.2021030406文献标识码：A 文章编号：2095-302X(2021)03-0406-08A semantic segmentation algorithm using multi-scale feature fusionwith combination of superpixel segmentationGUAN Shen-ke1, LIN Xiao1, ZHENG Xiao-mei1, ZHU Yuan-yuan1, MA Li-zhuang2(1. College of Information, Mechanical and Electrical Engineering, Shanghai Normal University, Shanghai 200234, China;2. College of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China)Abstract: The advancement of deep learning has boosted the research on image semantic segmentation. At present, most effective methods for this research are based on the fully convolutional neural networks. Although the existing semantic segmentation methods can effectively segment the image as a whole, they cannot clearly identify the edge information of the overlapped objects in the image, and cannot effectively fuse the high- and low-layer feature information of the image. To address the above problems, superpixel segmentation was employed as an auxiliary optimization to optimize the segmentation results of object edges based on the fully convolutional neural network. At the same time, the design of a joint cross-stage partial multiscale feature fusion module can enable the utilization of image spatial information. In addition, a skip structure was added to the upsampling module to enhance the learning收稿日期：2020-09-30；定稿日期：2020-11-21Received：30 September，2020；Finalized：21 November，2020基金项目：国家自然科学基金项目(61872242)Foundation items：National Natural Science Foundation of China (61872242)第一作者：官申珂(1994-)，男，云南曲靖人，硕士研究生。

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SLIC的岩石颗粒分割研究岩石颗粒分割是地质学和岩石工程领域中一项重要的研究工作。

通过对岩石颗粒的分割和分析，可以更好地理解岩石的结构特征和力学性质，为工程建设和资源开发提供重要的参考依据。

随着计算机视觉和图像处理技术的发展，图像分割方法在岩石颗粒分析中得到了广泛应用。

SLIC（Simple Linear Iterative Clustering）是一种基于超像素的图像分割算法，具有计算简单、速度快的特点，在岩石颗粒分割中也得到了一定的应用。

现有的SLIC算法在处理岩石颗粒图像时存在一些问题，例如对边界信息提取不够准确、颗粒形状不规则等。

有必要对SLIC算法进行改进，以提高其在岩石颗粒分割中的效果和性能。

一、改进SLIC算法的动机目前，岩石颗粒分割中常用的图像分割方法有基于阈值分割、边缘检测、区域生长等。

这些方法在处理复杂的岩石颗粒图像时存在一些局限性，如对噪声和光照变化敏感、对颗粒形状不规则的处理能力较弱等。

相比之下，基于超像素的SLIC算法能够更好地保留颗粒的形状和边界信息，具有更好的抗噪声和光照变化能力。

现有的SLIC算法在处理岩石颗粒图像时存在一些问题，例如对颗粒边界提取不够准确、对颗粒形状不规则的处理能力较弱等，影响了岩石颗粒分割的效果和性能。

有必要对SLIC算法进行改进，以提高其在岩石颗粒分割中的效果和性能。

为了改进SLIC算法在岩石颗粒分割中的效果和性能，可以从以下几个方面进行研究和改进：1. 边界信息提取改进：现有的SLIC算法在提取颗粒边界信息时存在一定的不准确性，容易出现颗粒边界模糊的情况。

可以通过引入边缘检测算子或者纹理特征等手段，提高对颗粒边界信息的提取准确性。

2. 颗粒形状不规则处理改进：现有的SLIC算法对颗粒形状不规则的处理能力较弱，容易出现颗粒分割不完整或者形状不准确的情况。

可以通过引入形状约束或者局部拟合等手段，提高对颗粒形状不规则的处理能力。

3. 鲁棒性改进：现有的SLIC算法对噪声和光照变化的鲁棒性较弱，容易受到外部干扰而导致分割效果不佳。

一种改进的多类支持向量机超光谱图像分类方法
赵春晖;陈万海;万建
【期刊名称】《智能系统学报》
【年(卷),期】2008(3)1
【摘要】支持向量机(SVM)是建立在统计学理论基础上的一种机器学习方法,用于解决二类分类问题,如何有效地将其推广到多类分类问题是一个正在研究的课题.总结了现有的主要的支持向量机多类分类算法,并在1-a-1 SVM分类算法基础上提出一种二次分类的方法.改良了惩罚因子,提高了不易分的类别之间的可分程度.通过对超光谱图像进行分类实验,结果表明该方法具有较高的分类精度.
【总页数】6页(P77-82)
【作者】赵春晖;陈万海;万建
【作者单位】哈尔滨工程大学,信息与通信工程学院,黑龙江,哈尔滨,150001;哈尔滨工程大学,信息与通信工程学院,黑龙江,哈尔滨,150001;哈尔滨工程大学,信息与通信工程学院,黑龙江,哈尔滨,150001
【正文语种】中文
【中图分类】TN919.81
【相关文献】
1.面向高光谱图像分类的超像素级Gabor特征融合方法研究 [J], 贾森;吴奎霖;朱家松;李清泉
2.基于改进最大似然方法的多光谱遥感图像分类方法 [J], 樊利恒;吕俊伟;于振涛;
毕波
3.一种用于高光谱遥感影像分类的改进多类支持向量机 [J], 于宁锋;杨化超
4.一种改进多尺度三维残差网络的高光谱图像分类方法 [J], 郑姗姗;刘文;单锐;赵静一;江国乾;张智
5.基于多类支持向量机的遥感图像分类及其半监督式改进策略 [J], 祁亨年;杨建刚;方陆明
因版权原因，仅展示原文概要，查看原文内容请购买。