6、计算机视觉中的超像素分割与红外图像显著性检测技术

计算机视觉中的超像素分割与红外图像显著性检测技术

超像素分割技术概述

超像素分割是一种重要的预处理技术，人们期望它具备高精度、快速运行速度、高超像素紧密度和抗噪声等特性。随着科技发展，高分辨率和大规模图像逐渐成为主流，实时性能对于显著性检测和目标跟踪等计算机视觉算法至关重要，而超像素的概念为这些算法带来了益处。

早期的超像素分割算法如分水岭算法，之后又出现了许多不同用途的分割算法，例如归一化切割、超像素格网、熵率超像素分割、均值漂移、涡轮像素等。为了获得更高的效率和准确性，2012 年 Achanta 等人引入了简单线性迭代聚类（SLIC）算法，它包含局部 K - 均值聚类，通过局部聚类方法大大减少了运行时间，并且用户可以控制超像素的数量和紧密度。然而，SLIC 需要多次迭代来更新超像素，其运行时间与像素总数成正比，难以满足实时要求，在弱边缘检测中效果不佳，抗噪声能力也较差。为了解决其耗时问题，Ren 等人在 2011 年基于 SLIC 引入了 gSLICr 算法，利用图形处理单元（GPU）操作大大减少了时间消耗。2012 年，Van den Bergh 等人引入了通过能量驱动采样提取超像素（SEEDS）算法，进一步减少了运行时间并提高了检测精度。但 SEEDS 获得的超像素大小不均匀，紧密度较差，尽管其抗噪声性能比 SLIC 有了很大提高，但仍不理想。2016 年，Wang 等人引入了基于区域合并的超像素分割方法。

基于直方图差分距离的分层超像素分割模型

为了提高这些算法的抗噪声性能，构建了基于金字塔的分层超像素分割模型，并阐述了基于一维差分距离的新直方图相似性准则，以提高分割精度。最后，为了实现对超像素紧密度的人工控制，在超像素分割准则中引入了紧密度约