计算机应用

作者：尚方信, 郭浩, 李钢, 张玲

单位：太原理工大学 信息与计算机学院, 太原 030024

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

基金：国家自然科学基金资助项目（61472270）。

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0.1 s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。

来源：2019年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第3期