自适应分割算法优化与应用

|-------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 篇名 | 问题，背景 | 方法 | 结论 |
| 金属表面缺陷自适应分割算法 | 1.金属表面划痕 2.金属表面凹凸 3.金属表面污点 4.金属表面刮擦 5.金属表面裂纹 | 2.1多方向灰度波动分析 2.2领域灰度差分割算法 2.3PCA法图像压缩 | 本文算法与其他算法相比，具有通用性好、分割准确度高等优点。但是也存在一些不足，例如：分割用时相比其他算法更长；在分割过程中，对于灰度变化不明显的金属表面图像容易出现细节信息丢失等问题。 |
| 一种改进变换网络的域自适应语义分割网络 | 传统的分割方法无法应用于复杂的问题任务 | 研究人员用计算机自动标注的虚拟图替代真实的场景数据，利用体量更小，代价更低的域自适应语义分割模型解决手工标注数据集语义信息成本高的问题 | 基于域自适应的语义分割网络是轻量级和易于训练的。1.提出变换网络的分阶段训练策略。2.针对源图中域间隙差异大的像素区域，提出一种可解释蒙版MaskNet。 |
| 基于时空域自适应高阶有限差分的声波叠前逆时偏移 | 常规的有限差分法求解波动方程时, 其求空间导数时的差分系数一般都是采用传统的高阶有限差分系数, 该系数是由空间导数项的Taylor级数展开式而推导出的, 其只与空间域有关, 而实际计算地震波场的传播还与时间域有关, 所以采用常规有限差分系数求解方程时, 就会存在较大的频散和误差. | 2.1 时空域有限差分 2.2 自适应差分算子长度有限差分策略 2.3 成像条件 2.4 拉普拉斯算子去噪 | 本文采用基于时空域有限差分的差分系数求解声波方程, 并分析了其数值频散和稳定性, 与传统有限差分进行了对比, 结果表明:时空域有限差分方法的模拟精度比传统的有限差分精度高、稳定性好, 数值模拟结果也表明时空域有限差分数值模拟的波形保持得更好、频散更小。 |
| 自适应 Mean Shift 算法的彩色图像平滑与分割算法 | 确定全局带宽的方法一般有两种: 一种是根据 经验人为确定[2−6], 但这种方法制约了 Mean shift算法的自动化过程, 并且不能适应图像的多变性和复杂性. 另一种是根据整体数据估计最优全局带宽.Hong 等[7] 运用 plug-in 规则估计全局带宽, 并将所估计的带宽乘以一个比例系数, 但当采样点包含多种模态时, 一般很难计算出全局最优带宽. | 本文根据图像的颜色信息分布, 定义了权重函数, 求取了自适应 空域带宽, 并且通过最小化局部方差和最大化图像频域结构相似度确定了值域带宽, 从而将带宽的选择同图像颜色信息、评价图像质量的频域结构相似度有机结合起来, 得到符合人眼感知的平滑和分割结果. | 1) 根据图像的颜色信息, 设置了采样点权重, 从而克服了大的值域带宽导致图像模糊失真的现象; 2) 根据图像的颜色分 布信息自适应选取了空域带宽, 在图像信息丰富的区域采用较小的空域带宽, 而在图像信息相对不丰富的区域采用较大的空域带宽; 3) 将评价图像质量的客观标准即频域结构相似度, 与图像方差结合起来, 建立了选择值域带宽的目标函数, 从而使所选择带宽对应的平滑和分割图像更符合人眼的视觉特性. |
| 基于自适应模糊 C 均值与后处理的图像分割算法 | 模糊C均值(FCM)算法[８]是一种有效的图像分割算法,但对噪声图像分割效果较差. | 1.FCM_S系列算法 2.EnFCM 算法和 FGFCM 算法 3.FLICM 算法 4.基于邻域的噪声检测自适应 FCM 算法 | 邻 域 变 化 对 椒 盐 噪 声 干 扰 下的图像 分 割 结 果 影 响 不 大,但 是 对 于 高 斯 噪 声, ５×５邻域较３×３邻域分割效果具有优势. |
| 基于小波域多状态隐马尔科夫树模型的自适应 文本图像分割算法 | 文本图像分割作为文本图像处理的一个重要的预处理步骤 , 是针对每类文本像素 ,设计一个分类指标 ,最终将文本图像分割成若干个同质区域 ,且不同区域具有不同的纹理 | 1.两状态 HMT 分割 2.三状态 HMT 分割3.基于小波域多状态HMT文本图像分割算法 4.CAHMT算法 5.基于微分算子的CAHMT分割算法 6.基于平滑图像的CAHMT分割算法 | 从图中可以看出 ,采用本文给出的三状态 HMT 分割算法 、CAHMT 分割算法 、基于微分算子的 CAHMT 分割算法和基于平滑图像的 CAHMT 分割算法的分割结果相对于两状态HMT 分割结果均有所改进 ,此外 ,基于微分算子的 CAHMT 分割与基于平滑图像的 CAHMT 分割较之三状态 HMT 分割结果 具有更加明显的改进 ,特别是对图片与背景纹理的判断有显著改善 ,并且计算量相对较小 |