基于支持向量机的磁共振脑组织图像分割

脑组织图像分割在医学图像分析中具有重要的理论和应用价值。由于支持向量机被看作是对传统学习分类器的一个好的替代,特别是在小样本、高维情况下,具有较好的泛化性能,因此可采用支持向量机方法对磁共振脑组织图像进行分割研究。为了验证支持向量机分割磁共振脑组织图像的效果,利用支持向量机进行了脑组织图像分割实验。实验结果表明:核函数及模型参数对支持向量机的分割性能有较大的影响;支持向量机方法适合作为小样本情况下的学习分类器;对目标边界模糊、目标灰度不均匀及目标不连续等情况下的图像(如医学图像)分割,支持向量机方法也是一个好的选择。     

压缩域中基于自动标记的图像分割

针对传统像素域中图像分割算法计算复杂的缺陷,提出了一种压缩域中快速图像分割算法。对图像分块,提取离散余弦变换（DCT）系数结合颜色矩作为块特征,利用支持向量机（SVM）实现对压缩域中图像块的自动标记,采用提出的阈值最小生成树（TMST）算法对已标记块进行区域生长,应用形态学相关算法对分割出的图像进行修补。通过Corel图像数据库对提出的方法进行验证,结果表明该方法能够更加快速有效地进行图像分割。     

样本驱动的半自动图像集前背景分割

图像集的前背景分割是近年来图像处理与图形学领域的一项热点研究工作.针对图像集中的图像逐个进行交互分割会涉及大量的用户操作,导致效率低下,而联合分割方法通常局限于处理具有相似前景的图像集,且因需求解大规模的优化问题较为耗时的问题,提出一种样本驱动的半自动图像集分割方法.首先选取若干图像作为样本进行手动交互分割,训练基于样本图像超像素特征描述的支持向量机分类器;对于其余待分割图像,根据其超像素特征描述到支持向量机分隔超平面的距离计算基于双弯曲Sigmoid函数映射的前景置信度,再采用图切割的算法实现目标图像的快速自动分割.对于包含错误分割的个别图像,进一步提出一种交互式局部修正方法修复错误分割区域,并获得最终的精确分割结果.在2个标准数据集上进行算法有效性验证和对比实验的结果表明,与联合分割算法相比,文中方法能更好、更快地实现在线分割;与逐个交互分割算法相比,文中方法能以相对较小的交互量实现对目标图像集的精确分割.     

一种结合训练样本筛选的SVM图像分割方法

基于支持向量的图像分割方法一般使用交互方式获取的训练样本,不可避免的在训练样本中引入歧义样本。这些歧义样本严重影响了基于支持向量机图像分割方法的性能。提出一种先对训练样本进行筛选,再进行分类(分割)的支持向量图像分割方法;并给出了一种基于支持向量机的样本筛选方法,可有效地降低歧义样本的影响。实验表明,经样本筛选的SVM分割方法有更好的分割性能。     

支持向量回归方法在图像压缩中的应用

在把图像划分为若干个子块的基础上,以广义欧氏距离为评判标准对图像子块进行分类,然后采用支持向量回归方法建立各类型图像子块的模型,得到对应各类型图像子块的支持向量回归模型参数的集合,从而仅用图像子块编号及其类型号和相应的支持向量回归模型参数来描述整个图像,达到图像压缩的目的。实验表明,该方法压缩比高、误码率低、信噪比高、图像恢复质量良好。此外,该方法可以通过改变图像分块的大小或阈值调整压缩比,还可通过改变支持向量回归模型的逼近误差控制图像的恢复质量。     

基于线性支持向量机的指纹图像分割方法*

针对现有指纹分割方法存在的不足,提出了一种基于线性支持向量机的指纹图像分割方法。该方法首先选择指纹图像子块的傅里叶频谱能量比和灰度对比度构成特征向量,利用线性支持向量机对这些特征向量进行分类,再运用二值图像形态学操作最终实现指纹图像分割。实验结果表明,与现有的一些典型方法相比,该方法对于指纹图像分割更为准确、可靠。     

基于支持向量机的瑕疵检测算法

金属表面具有高反光和拉丝特性,金属表面细小瑕疵的图像检测一直是非常困难的问题,本文提出了一种基于支持 向量机的金属表面细小瑕疵检测算法.算法采用将图像分成小块并用支持向量机分类的方法.将图像分割为小的子块,适用于细小瑕疵的检测;运用机器识别的方法,克服了传统图像算法难以检测金属表面瑕疵的缺点.对近200个样本的测试结果表明该算法的准确率高达93.75%.     

结合深度学习和支持向量机的海马子区图像分割

目的 由于海马子区体积很小且结构复杂,传统的分割方法无法达到理想的分割效果,为此提出一种基于卷积神经网络和支持向量机的海马子区分割方法。方法 该方法构建一种新模型,将卷积神经网络和支持向量机结合起来,使用支持向量机分类器替换卷积神经网络的输出层,通过训练深层网络自动提取图像块特征,利用所提取的图像特征训练支持向量机实现图像的像素级分类。结果 实验选取美国旧金山CIND中心的32位实验者的脑部磁共振图像（MRI）进行海马子区分割测试,在定性和定量方面分别对比了本文方法与支持向量机（SVM）、卷积神经网络（CNN）和基于稀疏表示与字典学习方法的分割结果。所提方法对海马子区CA1、CA2、DG、CA3、Head、Tail、SUB、ERC和PHG的分割准确率分别为0.969、0.733、0.967、0.837、0.981、0.920、0.972、0.968和0.976。本文方法优于现有的基于稀疏表示与字典学习、支持向量机和卷积神经网络的方法,各海马子区分割准确率均有较大提升,对较大子区如Head,准确率较现有最优方法提升10.2%,对较小子区如CA2、CA3,准确率分别有36.2%和52.7%的大幅提升。结论 本文方法有效提升了海马子区的分割准确率,可用于大脑核磁共振图像中海马及其子区的准确分割,为诸多神经退行性疾病的临床诊断与治疗提供依据。     

基于支持向量机的人脸识别

由于支持向量机(SVM)有着适合处理小样本问题、高维数及泛化性能强等多方面的优势,并且基于核函数主元分析的方法对于非线性问题的特征提取来说较为合理,因此提出了一种基于核函数主元分析(KPCA)与支持向量机(SVM)的人脸识别方法。在使用KPCA方法对人脸图像进行特征提取后,用SVM对特征向量进行分类识别。利用剑桥ORL的人脸数据库进行的实验结果验证了本算法的有效性。     

SVM图像分割方法的研究

支持向量机分类方法已应用于图像分割。本文以彩色图像分割为例,通过对支持向量机图像分割方法和基于灰度直方图图像分割方法进行比较研究。研究揭示:支持向量机图像分割方法是一种在SVM图像上的全局门限分割,并能自动获得默认门限值。使用支持向量机图像方法的这一特点,很容易使其它的分割方法与支持向量机方法相结合,产生新的混和方法。     

空间金字塔颜色直方图在图像分类中的应用

颜色直方图在图像分类系统中有着重要的应用。针对像颜色直方图特征的空间关系,提出空间金字塔颜色直方图作为图像的特征表示。它结合了图像的全局特征以及分块特征的优点。使用支持向量机（SVM）以及常用的4种核函数进行了测试。在corel图像库上的实验结果表明,该特征可以有效地结合全局与空间特征,提高了图像的分类准确率。     

一种基于EM算法的图像分割改进技术

图像分割是计算机视觉的基础,该文结合EM算法和PCA降维技术,给出了一种有效快速的进行图象分割的方法。该方法利用高斯混合模型对原始图像进行建模,通过EM算法将分割问题转化为参数最大似然估计的问题,同时采用PCA降维技术和随机采样来降低计算量。通过人工合成图象及真实图象的实际测试结果,验证了该算法的有效性和快速性。     

一种融合聚类与区域生长的彩色图像分割方法

论文提出了一种将聚类和区域生长有机融合的彩色图像分割方法。为了捕获图像的纹理特征,首先将图像划分成16×16子块,然后在块中按照视觉一致性准则进行颜色聚类,对于聚类后的子块,提取其颜色与纹理特征,然后采用符合人类视觉特征的生长规则,进行基于子块的区域生长。该方法充分利用了聚类算法和区域生长算法的各自优点,并符合人类视觉特征的分割策略。利用提出的算法对多幅自然图像进行了分割实验,实验结果证明了算法的有效性。     

基于K均值聚类和粒子群优化的多核SVM图像分割

图像分割是图像理解和计算机视觉的重要内容.针对单核SVM在进行图像分割过程中不能兼顾分割精度高和泛化性能好的问题,提出一种基于K均值聚类和优化多核SVM的图像分割算法.该算法首先运用K均值聚类算法自动选取训练样本,然后提取其颜色特征和纹理特征作为训练样本的特征属性,并使用其对构造的多核SVM分割模型进行训练,最后用粒子群优化算法对多核核参数、惩罚因子以及核权重系数联合寻优,使生成的多核SVM具有更好的分割性能.实验结果表明,本文方法在有效提取图像目标细节的同时,获得了更高的分割精度,与基于单核的SVM分割模型相比,具有更强的泛化能力.     

基于核图割模型的肝脏CT图像肿瘤分割

计算机断层成像(CT)对疾病的确诊意义重大,在医学图像的自动检测中应用较多的模型为图割模型,但传统图割算法严重依赖于对复杂区域进行大量建立的模型,运算复杂且不利推广。为此,在传统图割理论基础上引入核函数,提出一种基于核图割模型的肝脏CT图像肿瘤分割算法。通过核函数将原始数据映射到高维空间,并在高维图像数据空间用图割理论对CT图像的肝区与肿瘤区域进行分割,以提取疑似肿瘤区域,解决传统图割模型中需要依赖人机交互和对复杂区域建模困难等问题。由Mercer定理得出,核空间的点积运算不需要显式指定图像各区域的具体模型,进行核推广后克服了传统模型通用性不强的弱点。利用临床CT图像数据对该算法进行分割实验,结果表明,基于核推广后的图割算法能够有效对肿瘤和肝区进行分离,可应用于临床实际中作为肿瘤辅助诊断手段。     

一种改进的提取显著点的图像检索技术①

在基于目标区域的图像检索中,显著点是一种重要的点特征。针对经典的显著点提取算法SPARSE（Salient Points Auto-Reduction using Segmentation）存在的复杂度高等问题,提出了一种改进算法,利用动态阈值分割算法中的类间方差和类内方差对图像进行分割,然后用三个颜色特征和三个纹理特征对分割出的显著点进行特征标注,最后用欧氏距离对显著点特征向量进行相似性度量。实验结果表明,改进后算法提取的显著点用于图像检索具有较好的检索效果。     

铁谱图像典型磨粒自动提取方法研究

为了提高铁谱分析自动化程度,结合脉冲耦合神经网络（PCNN）和数学形态学,提出了一种铁谱图像典型磨粒自动提取方法。利用综合色距函数将彩色铁谱图像三通道问题转化为单通道问题,使分割问题简化;利用简化PCNN间接实现铁谱图像分割,并采用数学形态学对获得的二值图像进行处理;运用数学形态学中连通域提取算法自动提取图像中的典型磨粒。实验结果表明：与其他方法相比,该方法能快速有效地分割铁谱磨粒图像,并实现铁谱图像中典型磨粒的自动提取。     

一种基于图像区域分割的小波去噪方法

提出一种基于区域分割的图像去噪方法。该方法利用具有平移不变性的DWT去噪法和NeighShrink_ SURE去噪法对平滑图像和纹理图像分别具有良好去噪效果,遂将含噪图像进行区域分割得到平滑、突变和过渡三个区域,最终去噪图像的三个区域分别由两种方法得到的去噪图像加权来确定。实验结果显示,该方法利用了前两种算法的优点,得到了具有较高峰值信噪比、较完整保留图像细节而且具有更佳视觉效果的去噪图像。     

核Fisher判别分析在多聚焦图像融合中的应用

提出一种基于核Fisher判别分析与图像块分割的多聚焦图像融合方法。该方法首先将源图像进行块分割,计算反映图像块聚焦程度的清晰度特征;再将源图像的部分区域作为训练样本,获得训练后的核Fisher判别分析参数;然后利用已知的核Fisher判别分析获得初步融合图像;最后对位于源图像清晰与模糊区域交界处的源图像块利用冗余小波变换进行处理后,得到最终融合图像。实验结果表明,该方法的图像融合效果优于常用图像融合方法,可在有效提高图像融合质量与减少计算量之间获得较好的折衷。     

模糊相关图割的非监督层次化彩色图像分割

目的 基于阈值的分割方法能根据像素的信息将图像划分为同类的区域,其中常用的最大模糊相关分割方法,因能利用模糊相关度量划分的适当性,得到较好的分割结果,而广受关注。然而该算法存在划分数需预先确定,阈值的分割结果存在孤立噪声,无法对彩色图像实施分割的问题。为此,提出基于模糊相关图割的非监督层次化分割策略来解决该问题。方法 算法首先将图像划分为若干超像素,以提高层次化图像分割的效率;随后将快速模糊相关算法与图割结合,构成模糊相关图割2-划分算子,在确保分割效率的基础上,解决单一阈值分割存在孤立噪声的问题;最后设计了自顶向下层次化分割策略,利用构建的2-划分算子选择合适的区域及通道,迭代地对超像素实施层次化分割,直到算法收敛,划分数自动确定。结果 对Berkeley分割数据库上300幅图像进行了测试,结果表明算法能有效分割彩色图像,分割精度优于Ncut、JSEG方法,运行时间较这两种方法也提高了近20%。结论 本文算法为最大模糊相关算法在非监督彩色图像分割领域的应用提供指导依据,能用于目标检测和识别领域。