基于meanshift滤波和蚁群聚类的复杂红外目标分割

提出了一种复杂背景下红外目标分割的有效方法.该方法首先利用meanshift的自适应平滑滤波特性,在不损失目标信息的情况下,滤除复杂背景的杂波干扰;然后根据滤波得到的区域,用蚁群方法在区域之间进行聚类合并,获得最终的分割结果.采用区域来表征蚂蚁,与基本蚁群算法将每个像素看作一只蚂蚁相比,其蚂蚁个数大大减少,因而减小了计算的复杂度,提高了图像处理的效率.在蚁群算法中引入了一种新的引导函数,可以更准确引导蚁群聚类.实验结果表明,该方法可以准确地分割出目标,是一种快速有效的图像分割方法.     

一种基于自适应标记与区域间近邻传播聚类的分水岭图像分割算法

分水岭算法是一种高效的图像分割算法,能够准确地对图像进行基于区域的分割,但是存在易过分割的问题.为此本文提出一种改进的分水岭算法：首先,对彩色图像进行频谱包络滤波并计算彩色梯度获得梯度图像,再采取一种自适应设定参数的H-minima技术,对梯度图像的极小值区域进行标记;然后,对已标记极小值区域的梯度图像进行分水岭分割;最后,计算分水岭分割所得各区域的颜色矩,作为该区域的颜色特征,并对这些区域进行近邻传播聚类获得分割结果.通过与近年来其它改进的分水岭算法和采用聚类的图像分割算法实验比较,本文所提算法能更加有效地抑制过分割,提高分割准确率,具有良好的自适应性和鲁棒性.     

改进的分水岭算法在超声肿瘤图像分割中的应用

在高强度超声聚焦(HIFU)治疗中,图像自动导航是整个治疗过程的关键步骤.针对超声肿瘤图像分割提出了两种算法,分别为梯度阈值法和区域合并法.其中梯度阈值法针对分水岭过分割的缺陷,选取小于设定的梯度阈值的点作为分水岭变换的种子点,从而很好地抑制了过分割现象;区域合并法首先通过分水岭变换将图像过分割成许多具有区域均质性的超像素,然后基于最小描述(MDL)原则进行合并,将拥有相似纹理特征的小区域聚类在一起,达到抑制过分割的目的.实验结果表明这两种算法有效地解决了分水岭变换过分割的问题,同时能够很好地应用到超声肿瘤图像分割中.     

基于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。首先采用高频强调滤波对梯度图像进行增强,然后利用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,通过该法处理的梯度图像再进行分水岭变换,有效避免了过度分割问题;同时准确定位了图像边缘信息,提高了分割精度。     

改进的分水岭算法用于X光医学图像分割

为了提高医学图像分割质量,提出了一种基于X光医学图像的改进分水岭算法。算法在应用分水岭算法前首先对感兴趣图像进行预处理,包括对感兴趣区域进行最小阈值法,分离背景区,对前景区运用腐蚀和膨胀运算得到候选区;在分水岭变换过程中,通过像素聚类合并准则,将与主像素聚类有相同特性的次像素聚类加入到分割结果中,最终得到合并区域。试验证明,这种改进的分水岭算法使过分割现象得到减少,有效地分割和提取医学图像中的病变区域。     

基于二维灰度直方图的蚁群图像分割

提出了一种基于二维灰度直方图的蚁群图像分割方法。该方法基于二维灰度直方图 的灰度、邻域平均灰度及灰度频数进行蚁群模糊聚类,通过二维灰度直方图的一维最佳投影,设置精确的初始聚类中心来解决蚁群算法循环次数多、计算量大的问题;并针对具体应用,对聚类半径、信息激素和启发式引导函数进行了相应的修正。实验表明该算法速度快、划分特性好,可以准确地分割出目标。     

基于分水岭和欧拉数原理的智能计数方法

分水岭图像分割方法是图像分割领域中一种经典有效的方法,它以快速,有效、准确的分割结果越来越得到人们的重视,在基于分水岭变换的模拟浸水原理基础上提出了一种新的快速、有效、准确的图像分割算法,可以有效地分割图片中的目标物体,并且数据处理量小,算法复杂度低。同时将该算法和欧拉数计算公式相结合,应用于图像中目标物体的计数方面,使得对目标图像中的物体分割和计数变得简单、快捷。这是一种切实可行的目标图像的分割和计数方法。     

一种新的结合稀疏编码的红外图像聚类分割算法

聚类作为一种重要的图像分割方法得到了大量研究,提出了一种新的结合稀疏编码的红外图像聚类分割算法,扩展了传统的基于K-means聚类的图像分割方法。结合稀疏编码的聚类算法能有效融合图像的局部信息,而且易于利用像素之间的内在相关性,但是对于分割会出现过分割和像素难以归类的问题。为此,在字典的学习过程中,将原子的聚类算法引入其中,有助于缩减字典中原子所属类别的数目防止出现过分割;同时将稀疏编码系数同原子对聚类中心的隶属程度相结合来判断像素所属的类别。这种处理方式能更好地实现利用像素的内在相关性进行聚类分割,并在其中自然引入了局部空间信息,达到更好分离目标区域和背景区域的目的。实验结果表明,结合稀疏编码的K-means聚类分割算法能更好的实现复杂背景下红外图像重要区域的准确分割提取。     

基于图像处理的AFM细胞形态参数的自动获取

细胞形态参数的准确获取对于临床诊断具有重要的意义.本文基于图像处理技术,采用MATLAB图形用户界面(GUI)开发了一个自动获取AFM细胞形态参数的软件平台,包括图像增强、图像分割、图形修饰、形态参数计算等功能.针对常见的细胞粘连现象,提出了一种改进的分水岭算法,即先将二值化后的图像进行距离变换,然后采用形态学开重构运算对距离变换图进行重构,最终用标准分水岭算法分割重构图.实验结果表明,该方法能够有效防止过分割现象.此算法不仅对细胞图像有效,对其它近似圆形的颗粒图像亦适用.     

基于聚类预分割和高低精度距离重构的彩色浮选泡沫图像分割

该文针对矿物浮选过程泡沫图像质量不理想、气泡大小形状灰度不均的问题,提出一种基于聚类预分割和高低精度距离重构的泡沫图像分割方法。首先,利用k-均值聚类进行前景泡沫与背景矿浆彩色图像分割,依据灰度分布和形状分布特征对提取到的泡沫图像进行滤波;然后,基于形态重构提出结合高低精度距离变换对距离图像进行重构,同时利用面积重构h顶改进变换为分水岭变换提取准确的特征标识;最后利用分水岭算法得到分水线,从而完成浮选泡沫的分割。由分割后的泡沫图像可统计分析出气泡个数与尺寸等物理特征参数从而为浮选控制提供依据。仿真结果表明了方法的有效性。     

基于分水岭-谱聚类的SAR图像分割

由于谱聚类是基于图论的、以相似性为基础的聚类方法,需要计算图像中每对像素点之间的相似性.当图像很大时,计算相似性矩阵和求解相应的特征值、特征向量是很困难和耗时的.为此,针对合成孔径雷达(SAR)图像的特点,提出了一个两阶段的图像分割方法,首先采用分水岭算法对图像进行过分割,然后再用改进的谱聚类算法进行聚类.新方法不仅可以减少噪声对分割结果的影响,很好地保持图像边缘,而且对时间要求较高的应用也具有一定的参考价值.为了验证新方法的有效性,将其用于SAR图像分割,取得了较优的分割结果.     

基于形态学分水岭的Normalized Cut图像分割方法

针对传统分水岭分割后所产生的过分割问题,提出了一种基于形态学分水岭算法和Normalized Cut算法相结合的图像分割方法。在传统分水岭分割的基础上,融合形态学算法进行初步分割,并将分割后各个子区域的形心和平均灰度值作为Normalized Cut算法的输入参数,完成图像分割。结果表明,组合算法既避免了过分割现象,也达到了Normalized Cut算法的分割精度,是一种有效的图像分割算法。     

基于改进分水岭算法的医学图像分割的研究

本文针对医学图象的特点，改进了医学图像的分水岭算法，并用于医学图像的分割处理。这种分割通常应用分水岭算法，但是它有过分割的严重问题。本文闸述了在分水岭算法的基础上做的一些改进，其内容是：在分水岭算法之前，引入浮点，活动图像作为分水岭算法的输入，在分水岭算法之后，在面积控制的基础上，同时根据面积控制和对比度控制的准则，将某些被分割的小区并入邻近较大的区域。这种改进的方法使过分割现象得到了很好的抑制，而且医学图像中的病变小区被分割出来了，效果很好。     

改进的分水岭算法在医学图像分割中的应用

针对传统分水岭算法对噪声敏感和易于产生过分割的问题,提出了一种将同态滤波增强与控制标记符分水岭相结合的分割策略.该方法先进行同态滤波增强预处理,再采用改进控制标记符的分水岭分割算法进行分割.仿真实验表明,提出的算法很好地抑制了过分割,实现了有意义的医学图像区域分割,同时还具有较强的区域轮廓定位能力,不需要再进行后续的合并处理,算法简单,并且能够适应医学图像分类与信息提取的需求.     

基于人体手指静脉图像分割算法的研究

根据人体手指静脉图像的结构及特点,提出了一种能很好地抑制噪声、剔除图像的伪边缘、准确定位手指静脉图像边缘信息的方法。首先采用高频强调滤波对梯度图像进行增强,然后利用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,同时准确定位了手指静脉图像边缘信息,提高了手指静脉图像分割精度。     

基于种子点的粘连巨噬细胞图像的分割方法

粘连细胞的分割是医学细胞图像处理中的关键,随着形态学在图像分割中的应用,分水岭分割成为粘连细胞分割中最有效的方法之一。然而,由于巨噬细胞图像中的噪声和形态的不规则性,传统分水岭算法容易产生过分割。若在经距离变换得到的距离图中提取"种子点",并将其中距离小于某一阈值的两两"种子点"合并得到新的"种子点",在新"种子点"重新分布的距离图基础上使用分水岭分割。实验结果表明:该算法虽然要比传统分水岭算法多花费些时间,但可以有效地分割粘连巨噬细胞并抑制过分割现象。分割后,对细胞进行标记并提取细胞的特征参数,如周长、面积、圆度因子、灰度均值等。     

基于蚁群算法的模糊C均值聚类的改进研究

在图像分割的研究中,模糊C均值(FCM)聚类算法较之前的硬聚类有了很大的改进,是一种基于函数最优方法的聚类算法,然而传统的FCM算法的聚类中心及个数难以确定,搜索过程易陷入局部最优。因此,提出一种基于蚁群算法的改进的FCM聚类算法。该算法利用了蚁群算法全局优化特征以及较强鲁棒性的特点,将通过蚁群算法得到的聚类中心及个数应用到传统FCM算法中,弥补了传统FCM聚类算法的不足。该算法对图像进行分块处理,并引入多尺度梯度,提高了图像分割的准确性,最后通过实验验证了该算法的有效性及实用性。