基于One-class SVM的噪声图像分割方法

• 作者: 尚方信 张玲 李钢 郭浩
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 图像分割 图像噪声 单类支持向量机 离群检测 能量项
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 虚拟现实与多媒体计算
• 页码范围: 874-881
• 页数: 8页
• 分类号: TP391.41
• 字数: 9988字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2018071494

摘要

为解决现有无监督图像分割模型对强噪声环境鲁棒性差、无法适应复杂混合噪声的问题,提出了一种基于One-class SVM方法的改进后的噪声鲁棒图像分割模型.首先,基于One-class SVM构建一种数据离群程度检测机制;然后,将离群程度值引入能量泛函,令分割模型可以在多种噪声强度下获得较为准确的图像信息,同时避免现有方法在强噪声环境下,降权机制失效的问题;最后,通过最小化能量函数,驱动分割轮廓向目标边缘演化.在噪声图像分割实验中,当选取不同类型和强度的噪声时,该模型均能得到较为理想的分割结果.在F1-score评估标准下,该模型比基于局部相关熵的K-means (LCK)模型高0.2 ～0.3,在强噪声环境下具有更高的稳定性,且在分割收敛时间上仅略大于LCK模型0.1s左右.实验结果表明,所提模型在未显著增加分割耗时的前提下,对于概率、极值及混合噪声均有着更强的鲁棒性,并且可以分割带有噪声的自然图像.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郭浩	太原理工大学信息与计算机学院	53	182	7.0	11.0
2	张玲	太原理工大学信息与计算机学院	7	16	3.0	4.0
3	李钢	太原理工大学信息与计算机学院	15	31	3.0	5.0
4	尚方信	太原理工大学信息与计算机学院	3	17	3.0	3.0