基于覆盖分割和活动轮廓模型的图像边缘提取算法

针对传统算法对边界模糊的图像分割效果不理想,分割结果多毛刺的问题,提出了一种由粗到细的图像边缘提取方法,主要由像素覆盖分割方法和Chan-Vese模型组成。将改进的覆盖分割方法和活动轮廓模型相结合,首先使用原始覆盖分割算法对图像进行分割,利用多方向模糊形态学边缘检测算法提取不同物体之间的边界;然后采用改进的像素覆盖分割方法给边界像素重新分配覆盖值;最后,运用活动轮廓算法进行细化的图像边界提取;分别进行了分割结果的定性比较,抗噪性测试以及提取的边缘对比实验。实验结果表明,该方法对具有模糊边界的图像,提取边缘结果优于其他可比文献中提出的方法。     

基于Otsu多阈值和分水岭算法的乳腺肿块分割

在乳腺X线图像中,肿块大多埋没在复杂的、高密度的腺体背景中难以检出和识别.针对这一问题,提出了一种应用快速多阈值Otsu算法和改进的分水岭算法相结合的乳腺X图像肿块分割方法.首先对乳腺X图像进行形态学预处理,然后应用多阈值Otsu算法对图像进行处理,并对图像运用分水岭算法进行分割.为了避免过分割现象,对分割后的图像进行了相似区域合并.实验表明该方法对于乳腺X图像中各种类型的可疑肿块的分割都是有效的.     

结合分水岭和互信息的医学图像自适应分割方法

针对现有的改进分水岭算法中对弱边界分割精度不高、计算复杂及梯度谷底阈值不能自适应选取等缺点,提出一个结合互信息的自适应医学图像分割方法。首先通过形态学滤波和高斯平滑滤波来增强图像的边缘区域和抑制图像噪声;然后经过多尺度形态学梯度的谷底填充算法来减少分割区域块数,同时利用基于数学形态学的多元图像边缘检测算法来提取图像的边缘对获得的梯度图像进行修正;通过引入互信息量对填充的阈值进行自适应调整实现控制分割区域的数量,最后实现自动优化分割。实验结果表明,该方法最大程度保留了图像的弱边缘信息,参数选取更加合理,自适应程度提高。     

基于区域分离与聚合的分水岭分割

针对目前采用分水岭变换实现的图像分割容易出现过分割,导致图像分割边缘不明显现象,使得分割之后图像边缘失真。论文提出了一种结合拉普拉斯滤波和区域分离与聚合的改进分水岭变换图像分割方法。仿真结果表明,与传统的分水岭图像分割方法相比,该方法分割出的图像能有效抑制图像的过分割现象。     

一种改进的医学图像分水岭分割算法

为了提高医学图像分割的准确性, 针对分水岭分割算法中的过分割问题, 提出了一种改进的医学图像分水岭分割算法。该算法首先在分水岭变换前进行预处理初步分割, 主要包括多尺度形态学滤波、多尺度梯度算子计算、自适应标记提取以及分水岭变换; 然后在初步分割变换后, 通过基于邻接图的区域灰度相似性与边界相似性相结合的合并准则, 对分割后的区域进一步合并。实验结果表明, 新算法有效地解决了分水岭算法的过分割问题, 具有较强的抗噪性能和边缘定位能力, 能够满足医学图像的分割要求。     

肺实质CT图像分割方法

针对肺部CT图像中因各组织灰度不均匀、结构复杂等因素造成双肺边界难以准确分割的问题,提出一种多阈值和基于投影的标记控制分水岭分割方法。运用多阈值法对图像进行粗分割,结合形态学开运算去除图像中残余的气管与主支气管;对于左右肺区未完全分离的情况,采用基于投影的标记控制分水岭分割方法进行分离;利用形态学开闭运算对粗分割结果进行细化。实验结果表明,该方法能够对肺实质进行较准确的分割。     

图像局部交互熵分割模型的两步快速优化

目的 针对LCK（local correntropy-based K-means）模型收敛速度慢,提出新的基于LCK模型的两步快速分割模型。方法 两步快速分割模型包括粗分割和细分割。1）粗分割：先将待分割的原始图像下采样,减少数据量;然后使用LCK模型对采样后的粗尺度图像进行分割,得到粗分割结果及其相应的粗水平集函数。由于数据量的减少,粗分割步骤可以快速得到近似分割结果。2）细分割：在水平集函数光滑性约束下,将粗分割结果及其对应的粗水平集函数上采样到原始图像的尺度,然后将上采样后的粗水平集函数作为细分割的初始值,利用LCK模型对原始图像进行精细分割。因初始值与真实目标边界很接近,所以只需很少迭代次数就能得到最终分割结果。结果 采用F-score评价方法分析自然以及合成图像的分割结果,并与LCK模型作比较,新的模型F-score数值最大,且迭代次数不大于50。结论 粗分割步骤能在小数据量的情况下,快速分割出粗略的目标;细分割步骤在较好的初始值条件下,能够快速收敛到最终的分割结果,从而有效提高了模型的计算效率和精确性。本文算法主要适用于分割含有未知噪声及灰度非同质的医学图像,且分割效率高。     

超声乳腺肿瘤图像的自动分割

为解决传统Snake模型对初始轮廓敏感和凹陷边界提取困难的问题,分别提出了双阈值分割算法和Snake模型的改进方案.通过双阈值分割算法与形态学运算、滤波技术的综合应用,获得靠近边缘的初始轮廓.采用改进的Snake模型使初始轮廓跟踪到实际边界.由于对模型的能量定义做了调整,凹陷边界也可被准确跟踪.通过临床采集的20例乳腺图像肿瘤边缘的提取和分析,结果表明,该方法能有效提取出肿瘤边缘,实现超声肿瘤的自动分割.     

分水岭优化的C-V模型脑肿瘤图像分割

C-V模型可有效对脑肿瘤等医学图像进行分割,但存在对初始轮廓位置敏感及重新初始化耗时的问题,为此,提出了一种分水岭优化的C-V模型脑肿瘤分割方法。首先引入标记函数,通过强制最小技术改善传统分水岭变换的过分割现象,得到粗分割结果,然后在粗分割基础上确定C-V模型初始轮廓位置,最后采用无需重新初始化的C-V模型进行细分割,得到较精确的脑肿瘤分割结果。实例结果表明,经过分水岭优化后的C-V模型能够对常见脑肿瘤图像进行有效分割,尤其是能够将与组织粘连的肿瘤分割出来。     

基于形态学及区域合并的分水岭图像分割算法

针对传统分水岭算法在图像分割过程中的过分割问题,提出了基于形态学标记及MSRM的分水岭改进算法。利用形态学混合开闭运算实现图像重建,采用Laplace锐化强化图像边界,其次标记目标物和背景,修正幅值图像,经分水岭变换实现图像的粗分割,然后利用MSRM区域合并法实现目标物和背景的有效分割。对比聚类分割和基于H-minima标记的分水岭算法和Otsu类间最大间距算法,改进后的算法在分割效果、算法运行时间和分割精确度和召回率上具有明显优势,与上述其他算法在平均分割时间上提升3.86 ms,2.88 ms,5.64 ms。分割交并比IOU平均值96.42%,比其他算法平均值高出12.65%,2.77%和3.07%。     

基于标记分水岭的植物重叠叶片改进分割算法

针对番茄穴盘幼苗的重叠叶片,提出一种基于HOG描述子的改进标记分水岭分割算法。首先,利用超绿变换和最大类间方差法分割叶片区域和背景区域,确定叶片分割的总体轮廓;然后利用形态学彩色图像梯度计算方法计算图像梯度;再借助图像梯度的HOG描述子,筛选出有叶片边缘的区域和没有叶片边缘的区域,将没有叶片边缘的区域进行形态学操作后作为分水岭分割的标记;最后利用标记对图像梯度进行重建,执行分水岭分割,得到重叠叶片的分割结果。实验结果表明,该算法可以较为准确地选定分水岭标记和实现叶片分割,能够为穴盘幼苗分级研究提供支持。     

A multiscale gradient algorithm for image segmentation using watershelds

Watershed transformation is a powerful tool for image segmentation. However, the effectiveness of the image segmentation methods based on watershed transformation is limited by the quality of the gradient image used in the methods. In this paper we present a multiscale algorithm for computing gradient images, with effective handling of both step and blurred edges. We also present an algorithm for eliminating irrelevant minima in the resulting gradient images. Experimental results indicate that watershed transformation with the algorithms proposed in this paper produces meaningful segmentations, even without a region merging step. The proposed algorithms can efficiently improve segmentation accuracy and significantly reduce the computational cost of watershed-based image segmentation methods.     

基于多分辨率的分水岭图像分割算法

针对分水岭分割算法的2个缺陷：耗时较长和过分割问题，该算法在低分辨率图像上进行分水岭分割，提高了分割的速度；由低分辨率图像返回到高分辨率图像时，采用了一种基于边缘信息的合并函数，避免了边缘信息的丢失，保证了分割的准确性。该文设计了一种基于梯度图像的噪声抑制方法，可抑制高斯噪声对梯度图像的影响，有效避免了过分割问题。实验结果证明，该算法兼顾了效率和分割的准确性。     

基于平面几何处理的贝氏体组织分割

为了保证贝氏体组织识别的准确度,提出了一种基于平面几何和梯度加掩模的分水岭相结合的贝氏体分割技术。首先应用平面几何算法对梯度图像进行预处理。通过考察梯度图像中各像素点与其附近采样点间曲率变化情况,来判断考察点是否为贝氏体组织,滤除组织中的非贝氏体。用梯度加掩模的分水岭方法对预处理后的梯度图像进行分割。实验结果证明,提出的算法有效抑制了非贝氏体组织的影响,避免了过分割,提高了贝氏体组织的计算机自动识别的准确性。     

一种计算图象形态梯度的多尺度算法

分水岭变换是一种非常适用于图象分割的形态算子,然而,基于分水岭变换的图象分割方法,其性能在很大程度上依赖于用来计算待分割图象梯度的算法。为了高效地进行分水岭变换,提出了一种计算图象形态梯度的多尺度算法,从而对阶跃边缘和“模糊”边缘进行了有效的处理,此外,还提出了一种去除因噪声或量化误差造成的局部“谷底”的算法,实验结果表明,图象采用本文算法处理后,再进行分水岭变换,即使不进行区域合并,也能产生有意义的分割,因而极大地减轻了计算负担。     

B样条函数的图像分割分水岭算法研究

针对传统分水岭算法存在的过分割和对噪声敏感问题,提出了一种能够很好地抑制噪声,剔除图像的伪边缘、准确定位图像边缘信息的方法.采用高频强调滤波对梯度图像进行增强,利用B样条函数对增强后的图像进行多次拟合,最后对拟合的曲面进行分水岭分割.实验结果表明,通过该方法处理的梯度图像再进行分水岭变换,有效避免了过分割问题,同时准确定位了图像边缘信息,提高了分割精度.     

面向RGBD图像的标记分水岭分割

目的 针对分水岭分割算法中存在的过分割现象及现有基于RGB图像分割方法的局限,提出了一种基于RGB图像和深度图像(RGBD)的标记分水岭分割算法。方法 本文使用物体表面几何信息来辅助进行图像分割,定义了一种深度梯度算子和一种法向量梯度算子来衡量物体表面几何信息的变化。通过生成深度梯度图像和法向量梯度图像,与彩色梯度图像进行融合,实现标记图像的提取。在此基础上,使用极小值标定技术对彩色梯度图像进行修正,然后使用分水岭算法进行图像分割。结果 在纽约大学提供的NYU2数据集上进行实验,本文算法有效抑制了过分割现象,将分割区域从上千个降至数十个,且获得了与人工标定的分割结果更接近的分割效果,分割的准确率也比只使用彩色图像进行分割提高了10%以上。结论 本文算法普遍适用于RGBD图像的分割问题,该算法加入了物体表面几何信息的使用,提高了分割的准确率,且对颜色纹理相似的区域获得了较好的分割结果。     

一种改进的桥梁图像分水岭分割算法

针对传统分水岭分割方法存在的过分割问题,提出了一种改进的桥梁图像分水岭分割算法。该算法首先对桥梁裂缝图像进行高低帽形态学滤波,并运用多尺度梯度算子提取梯度图像,在分水岭变换之前使用自适应的标记提取方法对区域极小值进行标定,然后对初步分水岭分割的过分割区域使用改进fisher距离的区域合并算法进行合并,取散度作为停止度量。实验表明,该算法减少了分水岭算法的过分割现象,提高了桥梁图像分割的精确性,具有很好的鲁棒性和适应性。     

基于形态学梯度的分水岭彩色图像分割

图像分割是从图像处理到图像分析的关键步骤之一。在改进了基于地形学距离的分水岭算法的基础上,提出了一种结合图像信息熵、形态学梯度与区域合并的图像分割方法。该算法首先利用信息熵在RGB颜色空间中对彩色图像求其形态学梯度,然后对彩色梯度图进行分水岭分割,最后对分水岭产生的过分割现象进行区域合并。通过Matlab对图像进行实验,结果证明该算法不仅能够减少分水岭算法的过分割现象,而且还提高了图像分割的精确性,同时在图像分割时具有很好的鲁棒性和适应性。     

Multispectral image segmentation by a multichannel watershed‐based approach

Watershed transformation in mathematical morphology is a powerful morphological tool for image segmentation that is usually defined for greyscale images and applied to the gradient magnitude of an image. This paper presents an extension of the watershed algorithm for multispectral image segmentation. A vector‐based morphological approach is proposed to compute gradient magnitude from multispectral imagery, which is then input into watershed transformation for image segmentation. The gradient magnitude is obtained at multiple scales. After an automatic elimination of local irrelevant minima, a watershed transformation is applied to segment the image. The segmentation results were evaluated and compared with other multispectral image segmentation methods, in terms of visual inspection, and object‐based image classification using high resolution multispectral images. The experimental results indicate that the proposed method can produce accurate segmentation results and higher classification accuracy, if the scales and contrast parameter are appropriately selected in the gradient computation and subsequent local minima elimination. The proposed method shows encouraging results and can be used for segmentation of high resolution multispectral imagery and object based classification.