图像纹理区检测及分割算法研究

图像纹理区是指在进行边缘检测时边缘分布相对密集,并存在一些伪边缘的区域。研究表明,现有的很多图像处理算法的误差集中在纹理区。图像纹理区分割的目的就是将这一区域分割出来以便对其采用不同的处理方法。本文提出了一种基于模糊增强的图像纹理区检测及分割算法。本文算法根据图像纹理区特点,首先增强纹理区像素对比度,并利用Canny边缘检测算法提高纹理区检测效果,最终实现了图像纹理区的准确检测和分割。     

基于蚁群优化的图像边缘检测算法

为提高图像边缘检测的精度与抗噪性能,提出一种基于蚁群优化的图像边缘检测算法.将图像像素梯度值和像素圆形邻域统计均值的相对差共同作为蚁群的启发信息,引导蚁群搜索图像边缘.实验结果表明,该算法能最大限度地保留边缘细节,并能抑制噪声和纹理,具有较好的鲁棒性.     

基于分类器的图像模糊边缘检测快速算法

通过对Pal King边缘检测算法的分析,提出了一种新的模糊边缘检测快速算法。首先对图像进行模糊增强,然后依据当前像素及其8-邻域像素的灰度,设计了一个分类器,通过计算相对于该分类器的模糊隶属度函数值,对像素进行边缘分类;最后锐化所得的边缘像素,剔除噪声。算法抛弃了Pal King方法中复杂的迭代运算,同时也克服了Pal King算法中对图像低灰度值边缘信息的丢失,还可以通过设置不同的参数来检测不同细节的边缘。实验结果表明,该快速算法比Pal King算法的边缘检测能力更强,同时运算速度提高了约20倍。     

基于边缘差分的运动目标检测方法

针对视频序列中的运动目标检测问题,提出了一种新的基于边缘差分的运动目标检测方法.通过改进的边缘检测算法提取视频序列中相邻帧的边缘图像并作差分,采用改进的Otsu法对差分图像进行阈值分割,得到运动目标检测的结果.结合Prewitt算子和Sobel算子改进的边缘检测算法能够获取纹理丰富、细节显著的边缘图像,边缘差分结果更加理想;改进的Otsu法联合类内方差能够很好地抑制噪声,保留更多的纹理细节.实验结果表明,提出的方法能够提取更加完整的目标区域,对背景噪声更加鲁棒.与最近一些同类算法相比,在背景运动和光照变化条件下,该方法具有更加优越的运动目标检测性能.     

基于亚像素边缘检测的二维条码识别

提出了一种基于亚像素边缘检测的二维条码识别算法、能有效地解决边缘模糊对条码识别的影响。以PDF417条码为例研究了基于亚像素边缘检测的二维条码识别算法。首先定位条码位置并在条码中分割出单个码字符号图像。然后根据分割出来的单个码字符号图像讨论r基于亚像素边缘检测的识别算法。实验结果表明基于亚像素边缘检测的识别算法具有良好的性能，显著地提高了条码的识别率，满足了实际使用的要求。     

一种基于边缘检测及纹理分析的水坝图像分割算法

针对边缘检测算法的局限性及灰度水坝图像的特点,提出了一种基于边缘检测及纹理分析相结合的灰度图像分割算法,首先利用边缘检测算法对待处理图像进行边缘检测得到图像的粗分割,然后在原灰度图像中对得到的边缘位置点进行纹理分析,去除检测到的非目标对象的边缘从而得到分割图像,即细分割。将该算法应用到河坝监测系统中,实验证明该算法达到了很好的分割效果。     

一种基于模糊划分的边缘检测算法

基于信息论中最大熵原理，提出了一种新的基于模糊划分的边缘检测算法，并介绍了模糊概率和用条件概率与条件熵来定义模糊划分熵的概念以及模糊划分的原理。该算法是利用自然划分以及梯度图像模糊划分的关系，在条件概率与模糊划分熵的基础上，通过最大模糊熵原则来实现图像分割中最优阈值的自动提取，以实现图像的边缘检测。通过不同类型测试图像的边缘检测结果比较表明，该算法用于边缘检测能获得很好的效果。     

基于细胞膜优化的图像边缘检测算法研究

研究图像边缘准确检测的问题.传统的像素阈值分割算法虽然考虑了图像的空间信息,但是由于解空间维数增加,搜索范围增大,导致计算时间延长,求解最优阈值的速度较低,同时传统二维熵的计算中只考虑了像素的概率,忽略了灰度的概率,导致分割不准确.为了避免上述缺陷,提出了一种基于细胞膜优化的图像边缘检测算法.利用图像内部像素差值方法,提取目标图像的边缘特征,为图像的边缘检测提供准确的数据基础.利用细胞膜优化方法,计算边缘最优边界像素点,从而实现图像的边缘检测.实验结果表明,利用上述算法能够有效提高图像边缘检测的准确性.     

基于改进边缘检测算法的图像处理技术应用

边缘检测算法通过识别每个像素在其邻域内灰度的变化而检测出图像的边缘,但由于黄土CT图像的复杂性和随机性,经试验验证,典型的边缘检测算法并不适合直接应用于黄土微结构图像的处理.对边缘检测算法进行了改进并通过VC++6.0平台实现了其功能,首先使用中值滤波和数学形态学方法对图像进行了处理,有效地降低了噪声干扰,净化了背景并增强了图像对比度;然后对图像进行基于Prewitt算法的边缘检测.通过试验验证了改进后的方法可以有效的去除虚假边缘,区分黄土颗粒的形态,从而更清晰地揭示其内部物质的结构.该方法对CT图像处理范畴的拓展,黄土微结构的研究方法和黄土工程性质的判定都有积极的指导意义.     

基于变指数的片相似性扩散图像降噪算法

针对图像去噪过程中存在边缘保持与噪声抑制之间的矛盾,提出了一种基于变指数的片相似性扩散图像降噪算法。算法基于变指数的自适应降噪模型,引入片相似性的思想,构造出新的边缘检测算子和扩散系数函数。传统的各项异性扩散图像降噪算法利用单个像素点的灰度相似性（或梯度信息）检测边缘,不能很好地保持图像的弱边缘和纹理信息。而所提算法利用邻域像素的灰度相似性,可以在滤除图像噪声的同时,保持更多的细节信息。仿真结果表明,与其他传统的基于偏微分方程（PDE）的图像降噪算法相比,该算法将信噪比（SNR）和峰值信噪比（PSNR）提高至16.602480dB和31.284672dB,具有良好的抗噪性;同时视觉效果较好,保持了更多的弱边缘和纹理等细节特征,在噪声抑制与边缘保持之间取得了较好的权衡。     

基于局部区域能量最小化模型的图像分割

在马尔可夫随机场(MRF)和概率理论的基础上,提出局部区域能量最小化模型,将传统基于像素的分割转化为基于区域的分割,能减小均匀区域中的误分类率。在该模型和MRF模型下,使用ICM算法、Gibbs采样算法、Metropolis采样算法对图像进行分割,结果表明该模型能取得更精确的分割结果,可有效拟制图像噪音和纹理对分割的影响。     

基于马尔可夫随机场的纹理图像并行分割

基于消息传递接口（Message Passing Interface,MPI）和消息传递并行编程模型,提出了一种针对计算机集群（Cluster）的纹理图像并行分割算法。该算法使用马尔可夫随机场作为纹理特征,通过将图像分块,把特征提取的计算量均匀的分布到并行系统中的各个节点上,从而极大地减少了计算时间。在遥感图像上的实验发现,该算法在4机并行的环境下可以取得与单机串行程序一样精确的分割,而耗时仅为串行程序的31.95％。令人满意的实验结果表明该并行算法不但可以有效的应用于纹理图像分割,而且也为使用计算机集群实现高时间复杂度的图像处理提供了有益的启示。     

使用四叉树分割进行自适应空域隐写

目的 针对自适应隐写术可有效避免对载体敏感区大量修改的关键问题,为间接提高安全性和增大隐写容量,在四叉树分割和自适应像素对匹配（APPM）的基础上提出一种自适应空域隐写术。方法 首先该方法以图像块的纹理复杂度作为一致性测度并且设置图像块大小为判别准则进行图像分割,根据四叉树分割结果中面积较小的图像块属于复杂区域,较大的属于平滑区域,按照图像块面积大小将图像分成由高复杂、中复杂、低复杂三大区域构成。其次嵌密方式采用APPM,根据密信容量和载体图像选择进制数B。最后,为了保证安全性和提高容量,优先选择高复杂区嵌入不低于B进制的密信,在中复杂区进行B进制的密信嵌入,在低复杂区选择不高于B进制的密信嵌入。结果 为了验证提出的方法,选8幅经典图作为实验,在嵌入率1.92 bit/pixel的情况下,与已有PVD系列算法和DE算法相比具有更高的PSNR值,PSNR值高达48 dB。此外与APPM算法比较,在嵌入率2.5 bit/pixel情况下,该算法的平均KL距离相比传统APPM算法减小了25.37%,平均一阶Markov安全指标值相比传统APPM算法减小了12.11%,对应的平均PSNR值相比传统APPM算法提高0.43%,在嵌入率1.5 bit/pixel情况下,该算法的平均KL距离相比传统APPM算法减小了37.84%,平均一阶Markov安全指标值相比传统APPM算法减小了26.61%,对应的平均PSNR值相比传统APPM算法提高1.56%。此外,从RSP图库中随机选1 000幅图作为数据集,在嵌入率0.5,0.6,0.7,0.8,0.9和1.0 bit/pixel条件下,结合SPAM特征和SVM分类器的最小平均错误率均高于LSB系列经典算法和APPM算法。结论 1）考虑了人类视觉系统对图像不同区域的敏感性不同,通过对图像进行四叉树分割预处理,优先选择非敏感区进行隐写,保证了一定的安全性要求,低嵌入率下抗SPAM检测和统计不可见性方面比较有优势。2）在四叉树分割中,对于隐写前后图像的四叉树分割结果不同的异常情况,采用一种图像块纹理复杂度调整方案,保证了密信正确完整提取。3）利用了APPM算法的大容量特性,可以隐写嵌入率大于1 bit/pixel的密信,比较适用于大容量的密信隐写,而且可以嵌入任意进制的密信,最大程度地减少嵌入失真,此外,进行了四叉树分割预处理,在安全性方面优于传统APPM算法。     

抑制纹理信息的偏置场变分图像分割模型

偏置场变分水平集图像分割模型利用原始图像的局部灰度信息,可以对灰度不均匀图像进行有效的分割,但当灰度图像中存在纹理时,分割效果往往很差。针对这一问题,提出抑制纹理信息的偏置场变分水平集图像分割模型。利用一种基于纹理几何结构的纹理描述符描述图像中不同的纹理区域,使得不同纹理区域对比更加明显,相同纹理区域更加平滑,通过抑制纹理信息使后续的图像分割在纹理部分的错分大大减少。实验结果表明,相比偏置场变分模型,所提模型对自然及人工合成纹理图像均获得更好的分割结果。     

基于高斯混合模型的纹理图像分割

纹理图像分割是图像处理的一个基本问题。由于基于高斯混合模型的纹理图像分割方法．大多采用单像素的方法，因此分割精度和效率都较低。为了更好地进行纹理图像分割，在子空间思想的基础上，提出了一个基于图像块的分割算法及其改进算法，即先取图像块的均值、标准差、最大值、最小值以及中间像素的像素值等5个特征作为纹理特征，再利用高斯混合模型进行纹理图像分割，实验结果表明，该新算法的分割精度和分割效率较原分割算法都有较大提高。     

采用高斯混合模型及树结构的立体匹配算法

针对传统立体匹配算法无法同时为图像边缘和低纹理区域提供一个合适大小的聚合窗口而导致匹配精度较低的难题,提出一种结合高斯混合模型及最小生成树结构的立体匹配算法。通过图像初始视差、像素颜色及距离信息将图像分为初始若干区域及待分割候选像素;基于高斯混合模型并行迭代更新各区域参数,得到最终的分割;在各分割上建立最小生成树计算聚合值求取视差;通过邻域内的有效视差修正误匹配点,获取精度较高的稠密视差图。与其他算法相比,该算法能有效降低误匹配率,尤其在深度不连续区域的匹配效果显著改善。     

基于图论和均匀性测度的彩色图像分割算法

Graph-Based方法是基于图论的彩色图像分割算法中比较新颖的一种方法,且分割速度非常快。针对该算法对边缘和纹理处理效果不佳,且分割效果易受阈值影响的局限,改变了其颜色空间,结合拉普拉斯算子将带权图的边分为边缘边和非边缘边,优先处理非边缘边;再引入均匀性测度求取分割效果最佳的阈值。实验结果表明,相对于Graph-Based方法,改进的算法分割效果具有较好的准确性和适应性,更接近于人眼的感觉。     

Segmentation and classification of brain images using firefly and hybrid kernel-based support vector machine

Abstract

Magnetic resonance imaging segmentation refers to a process of assigning labels to set of pixels or multiple regions. It plays a major role in the field of biomedical applications as it is widely used by the radiologists to segment the medical images input into meaningful regions. In recent years, various brain tumour detection techniques are presented in the literature. The entire segmentation process of our proposed work comprises three phases: threshold generation with dynamic modified region growing phase, texture feature generation phase and region merging phase. by dynamically changing two thresholds in the modified region growing approach, the first phase of the given input image can be performed as dynamic modified region growing process, in which the optimisation algorithm, firefly algorithm help to optimise the two thresholds in modified region growing. After obtaining the region growth segmented image using modified region growing, the edges can be detected with edge detection algorithm. In the second phase, the texture feature can be extracted using entropy-based operation from the input image. In region merging phase, the results obtained from the texture feature-generation phase are combined with the results of dynamic modified region growing phase and similar regions are merged using a distance comparison between regions. After identifying the abnormal tissues, the classification can be done by hybrid kernel-based SVM (Support Vector Machine). The performance analysis of the proposed method will be carried by K-cross fold validation method. The proposed method will be implemented in MATLAB with various images.     

基于比例模板和边界校正的皮革图像分割

利用纹理特征进行智能化分割是提高皮革生产效率和产品质量的有效手段。为此提出了一种基于比例模板和区域边界校正的皮革图像分割方法，该方法首先根据皮革各部位所占面积比例的经验知识构造一个比例模板，并以此模板将图像粗分割成若干个区域，然后利用自相关函数分布统计出每个区域边界点所在窗口内的平均纹理周期，并与区域内窗口平均纹理周期进行相似比较，依据预设的平均纹理周期相似度阈值对区域边界点进行判别校正，使得每一区域内的平均纹理周期误差在允许的范围内保持一致。仿真试验表明，该方法简单易行，能有效地分割皮革图像。