红外遮挡人体目标模板图像的Mean Shift分割算法

提出了一种红外图像中遮挡人体目标的分割方法。首先通过传统的阈值选取方法或直方图聚类等红外图像分割的方法,获取遮挡区域目标的二值化模板。用目标像素在模板中的相对行列坐标作为特征集使用Mean Shift算法分别计算各像素在行列方向的收敛位置并使用复数向量进行联合表达,再次以所有的复数向量作为特征集进行Mean Shift聚类,根据各像素位置对应的复数向量所属类别对其进行划分,完成遮挡目标的分割。与分水岭算法相比,该算法的分割结果完整保留了目标模板的外形,并且可以通过Mean Shift 带宽参数的选择完成不同精细程度的分割。     

一种快速均值漂移图像分割算法

图像分割是图像分析及图像理解的关键步骤。与其他图像分割算法相比,均值漂移(Mean Shift)算法具有原理简单、无需先验知识、可以处理灰度图像及复杂的自然彩色图像等优点。但该算法需要对图像中每个像素点进行迭代计算,因此分割所需要的时间较长。本文提出了一种快速Mean Shift图像分割算法(Fast mean shift,FMS),将少量像素点作为初始点进行迭代计算,而出现在高维球区域内的其他像素点根据其到已有类中心的距离进行归类,从而减少Mean Shift算法的迭代次数,缩短分割时间。实验结果表明,本文提出的快速Mean Shift图像分割算法可以获得良好的分割结果且具有较高的分割效率。     

基于Mean Shift算法和灰度模板匹配的运动目标主动跟踪

该文提出了一种综合Mean Shift算法和灰度模板匹配的主动跟踪算法。该算法利用灰度模板匹配与运动目标在图像的位置无关的特点,在视角和焦距发生变化后用灰度模板进行穷尽搜索,再用匹配结果更新Mean Shift搜索窗口,解决了Mean Shift算法要已知目标区域才能正确跟踪的问题。该算法能在视角和焦距发生变化的情况下能正确的跟踪运动目标并能使被跟踪的运动目标始终保持在图像的中心区域。实验表明,该算法具有较好的可行性。     

Mean Shift算法在图像分割中的应用研究

提出了灰度图像和彩色图像统一的分割方法,Mean Shift算法的图像分割.这种分割方法跟人眼对图像的分析特性相近,运用此算法能够得到较为稳健、快速的图像分割结果.文中简要介绍了Mean Shift算法的基本原理,并将算法运用于图像分割,通过实验证明了分割效果的有效性和稳定性.Mean Shift算法在图像处理领域有很好的应用前景,此算法的理论与应用还不是很完善,值得大家去探索.     

基于人工免疫的灰度图像多阈值自动分割

为了实现灰度图像的自动分类以及自动分割,提出了一种基于人工免疫及最优分类数的灰度图像多阈值自动分割方法.定义了灰度图像最优分类数目标函数;接着运用人工免疫算法,结合最优分类数函数对灰度图像进行自动分类,并产生最优的多阈值,从而使得图像的全自动分割成为可能.该人工免疫算法中,抗原是指最优分类数目标函数,而抗体是指最优的多阈值.通过实验证明,分类清晰,效果良好.     

Mean Shift图像分割算法的并行化

图像分割作为高性能并行计算的一个主要应用领域,其算法本身的时间复杂度和实时性需求要求不断改进计算机硬件技术和并行处理的算法。Mean Shift算法是图像分割领域一个比较经典的算法,在图像分割过程中,不需要任何先验知识,是一种无监督的分割过程,在图像分割的具体实现中应用广泛。利用TBB（Threading Building Block）工具和CUDA（Compute Unified Device Architecture）对Mean Shift算法进行多核和GPU(Graphic Processing Unit )并行化改造。文中首先分析出Mean Shift分割过程中最耗时的部分Mean Shift聚类,之后利用TBB和CUDA对Mean Shift聚类进行了并行化改造,并对两种并行方法进行了对比分析。实验结果表明,两种并行方法都取得了较好的加速效果,加速比都随着图像增大和带宽参数的增加而增大,基于TBB的加速比稳定趋于核数。     

基于人工免疫的烟草异物图像多阈值分割

烟草异物图像分割是图像异物识别的基本任务。为了快速实现烟草异物图像多阈值分割,提出了一种基于人工免疫算法与最大类间方差法的多阈值烟草异物图像自动分割方法。算法首先定义了图像分割目标函数;接着运用人工免疫算法,结合最大类间方差法以及目标函数对图像进行自动分割,并产生最优的多阈值,从而实现图像的多阈值分割。人工免疫算法中,抗原是指最优图像分割目标函数,而抗体是指最优的多阈值。实验证明,方法对烟草异物图像多阈值分割的效果良好,分类清晰。     

基于超像素及贝叶斯合并的图像分割算法

针对超像素分割算法中普遍存在的过分割问题,结合Mean Shift算法和非参数贝叶斯聚类模型,提出了一种新的图像分割算法MS-BRM（Mean Shift based Bayesian Region Merging）。首先,利用Mean Shift算法对图像进行超像素分割,然后根据非参数贝叶斯聚类模型,融合超像素的空间信息,提出一种区域合并策略对超像素进行合并,得到了最终的分割结果。实验结果表明,MS-BRM算法改善了超像素的过分割问题,对图像进行分割的结果保留了图像的边界信息,更加符合人类视觉的判断结果。     

SUSAN算子在苹果图像缺陷分割中的应用研究

该文介绍一种新的分割算法——SUSAN算子。SUSAN算子是一种基于图像局部灰度特征的算法，利用一个圆形的模板对图像进行扫描，比较模板内部的点与模板中心点的灰度值，如果灰度差值小于一定的阈值，就认为该点与中心点的灰度相同。统计模板内部与中心点灰度相同的点的个数，与一个阈值进行比较，判断该点是否属于某个区域的边缘点，从而实现对图像的分割。应用SUSAN算子对苹果图像的缺陷区域进行分割，可以快速准确地分割出苹果图像上轻微的损伤。经过对100幅图像的检验测试，得出分割准确率为96％。     

基于Curvelet变换和多目标粒子群的混合熵MRI图像多阈值分割

针对因噪声干扰多、灰度不均匀、目标边界模糊导致的核磁共振成像（MRI）图像难以精确分割的问题,提出了一种基于Curvelet变换和多目标粒子群（MOPSO）的混合熵MRI图像多阈值分割算法。首先,对待分割MRI图像进行Curvelet分解,提取低频子带和高频细节子带构建概貌-细节灰度级矩阵模型,以提高算法的目标细节表示能力;其次,同时考虑目标与背景的类间差异性与类内均匀性,将提出的二维多阈值倒数熵和倒数灰度熵组合定义为混合熵,作为多目标粒子群算法的目标函数,协同搜索得到最优的分割多阈值,以实现MRI图像的精确分割;最后,为提高算法的求解速度,提出了二维倒数熵和倒数灰度熵多阈值选取的梯度算法。实验结果表明：与二维tsallis熵、自动细菌觅食分割法（ABF）和改进的Otsu多阈值分割算法相比,所提方法对灰度不均和含噪的MRI图像具有更好的适应性,分割结果更为精确。     

卫星云图感兴趣区域自动提取方法研究

卫星云图中人们感兴趣的区域(ROI)往往是各类云团,针对卫星云图内容的复杂性,利用直方图模糊加权C均值聚类方法实现云图的图像分割,对分割结果进行后处理,最终获取云图内的感兴趣区域。常规聚类方法需要人工指定类个数,影响了ROI提取过程的自动化程度。引入修正聚类评价指标,基于该指标实现最佳类别个数的自动确定。云图分割是感兴趣区域提取过程的关键,采用的直方图模糊加权C均值聚类方法在原有算法基础上,引入样本权重概念,使得聚类过程更为合理;同时将聚类对象由原始像素转换为灰度直方图,提高了聚类过程执行效率。实验结果表明设计的感兴趣区域提取方法能较为准确地分辨出陆地、水体、低云、中云、卷云、对流云六类区域,提取结果与客观实际一致。     

基于区域的图切割算法求解Mumford-Shah图像分割模型

在Egil Bae和Tai Xue-Cheng提出的图切割算法基础上,给出了一种改进算法用于求解Mumford-Shah图像分割模型。首先利用Mean Shift算法对原始图像进行过分割,基于过分割产生的小区域构造恰当的图,使得分割问题转化为求特定图的最小切割问题。数值实验结果显示,直接利用Mean Shift算法分割的效果不理想,本方法保持了与Egil Bae和Tai Xue-Cheng方法相类似的分割效果,而运算效率却有了很大提高。     

多阈值优化交互式分割算法及其在医学图像中的应用

针对交互式图像分割方法对边界模糊的医学图像进行分割时通常需要用户标记较多的初始种子或进行二次交互的不足,提出了一种简化标记的多阈值优化交互式分割算法。该算法在GrowCut交互式算法基础上通过引入图像灰度直方图的多个阈值自动生成初始种子模板,并利用改进的细胞自动机迭代算法实现图像分割。算法简化了用户操作,提高了分割精度。应用该算法分别对临床100张肝脏图像和牙菌斑图像进行分割,结果显示了该算法的良好性能。     

基于模糊连接度的交互式CT图像分割算法

如何准确地从CT图像中提取出感兴趣的组织,是医学图像分割中的难点。提出了一种基于模糊连接度的交互式CT图像分割算法：先根据用户指定的感兴趣区域的灰度范围预分割图像,然后用户从结果图像中选择目标和背景种子点,计算出各像素点与两类种子点的模糊连接度,最后根据连接度大小将像素点划分到目标或背景区域。分割过程中,用户可以通过增设或删除目标或背景种子点,修正分割的结果。实验表明,该算法能准确有效地分割出感兴趣区域。     

多聚焦图像灰度重叠特征自适应识别仿真

传统方法对多聚焦图像进行预处理,由于图像灰度重叠区域合并使原图像细节信息损失,导致多聚焦图像灰度重叠区域识别效果不理想,为此提出基于Mean-shift算法和OTSU阈值分割算法的多聚焦图像灰度重叠特征自适应识别方法。使用Mean-shift算法对多聚焦图像进行平滑处理,对平滑处理过后的多聚焦图像进行小波变换,将图像的灰度重叠区域灰度值增强;再使用阈值分割将经过灰度增强的重叠区域分类;通过OTSU算法识别出灰度重叠特征区域。实验结果表明,提出方法在图像灰度重叠区域的识别效果上较为突出,并且能够有效保留灰度重叠区域的细节信息。     

基于微粒群算法的二维最大熵图像分割方法

该文研究了基于二维最大熵的图像分割方法,针对二维最大熵图像分割方法求取阈值时存在的计算复杂、时间长、实用性差等问题,提出了基于微粒群算法的二维最大熵图像分割方法.该方法运用微粒群算法对图像的二维阈值空间进行全局搜索,并将搜索得到的二维熵最大值所对应的点灰度-区域灰度均值对作为阈值进行图像分割.实验结果表明,由于该方法考虑了点灰度和区域灰度均值,且采用了离散的全局搜索算法,所以不仅得到了令人满意的分割效果,而且大大的提高了计算速度,是一种实用有效的图像分割方法.     

一种图象前背景分离的方法及实现

本文提出一种有效的图像的前背景分离算法及其实现。本文的基本思想是利用Meanshift算法对图象进行预分割,然后利用图论的观点对图象进行分割,最后利用matting算法对处理结果的局部进行优化,得到最终结果。实验结果表明,这种方法在仅需要少量用户输入情况之下,能够得到较好的分割效果。