参考1维光谱差异的区域生长种子点选取方法

目的 区域生长法是遥感影像分割中常用的算法,该算法首先选取适当的像元作为生长的起始点（种子点）。现有的种子点选取方法存在种子点数目较多、效率低以及地物细节种子点不足等问题。针对种子点选取存在的问题,提出一种基于1维光谱差异的区域生长种子点的选取方法。方法 首先计算像元间1维（水平、竖直）方向上的光谱差异,然后选取光谱差异的局部极小值作为种子点,最后对种子点进行优选,得到区域生长的起点。结果 应用本文方法选取种子点,对高分辨率的IKONOS遥感影像进行了区域生长。将实验结果与分形网络演化方法及Kernel Graph Cuts方法的分割结果进行了目视对比,并且分别计算了3种方法所得分割结果的基元内部同质性和基元间相关性的评价指数。目视比较的结果表明,本文的种子点选取方法能够为区域生长提供具有代表性的种子点,得到了精细的分割结果。在定量评价上,本文方法也表现出了数值优势,各波段分割质量指数均提高15%以上。结论 提出的种子点选取方法能够为高分辨率遥感图像的区域生长分割提供具有代表性的种子点,产生精细的分割图像,对于地物细节有良好的分割效果,具有较高的实用价值。     

自适应H-minima的改进分水岭堆叠细胞分割方法

针对传统分水岭方法初始分割结果存在过分割问题,本文提出自适应 的改进堆叠细胞分割方法。该方法利用不同 值 变换抑制种子噪声;并以对应候选种子为中心,分别采用改进K-均值算法合并初始分割区域,产生候选分割结果; 然后,基于形状先验定义圆度指标FuzzyR,并将堆叠细胞平均圆度作为评价函数,自适应提取各堆叠区域最优 值,实现正确分割。实验结果证明,针对于人工合成和真实堆叠细胞图像,本算法均能有效抑制过分割、减少欠分割,分割性能显著提高。     

基于向量流场节点的图像分割算法

人工干预使蛇模型只能用于半自动的图像分割,该文在梯度向量流（GVF）蛇模型的基础上提出一种基于流场节点与最小路径方法的全自动图像分割算法。在图像的GVF场上检测出流场节点,以节点为种子,采用多标记快速扫描法获得一个初始分割,采用区域合并得到最终分割结果。实验结果证明了该算法的鲁棒性和有效性。     

基于区域生长的翡翠云雾纹理分割方法

根据翡翠云雾纹理特征,提出基于区域生长算法的翡翠纹理分割方法。首先,将图像转换到YCbCr颜色空间,根据统计的翡翠CbCr分量范围,利用边界跟踪算法确定分析区域,然后针对CbCr分量进行FCM聚类,选定生长区域种子,根据生长区域颜色相近和纹理相似的特征,进行区域生长,利用灰度共生矩阵分析Y分量进行纹理特征提取,针对分割效果影响因素,进行区域合并。实验表明该方法的分割效果良好。     

基于梯度向量流的医学图像自动分割

提出了一种基于梯度向量流的自动图像分割算法，该算法首先将梯度向量流场转化为一个标量场，该标量场能够显著简化种子点选取和区域增长的步骤。在得到图像的初始分割后，再使用基于区域邻接图的算法来将相似区域合并得到最终分割结果。试验结果表明，该算法能够有效地解决医学图像中多目标区域的自动分割问题。     

一种融合颜色和空间信息的彩色图像分割算法

提出了一种基于图像颜色和空间信息的彩色图像分割算法.该算法首先根据所提出的颜色粗糙度概念对图像进行颜色量化,并在此基础上使用增量式的区域生长算法发现颜色相近的像素之间的空间连通性,形成图像的初始分割区域.然后,根据融合了颜色和空间信息的区域距离,对初始分割区域进行分级合并,直到系统满足了所提出的停止区域合并的准则.最后,利用形态学的有关算法对分割区域的边缘进行平滑.实验证明,算法的分割结果与人的主观视觉感知具有良好的一致性.     

基于分水岭变换的多尺度遥感图像分割算法

分水岭变换是一种适用于图像分割的强有力的形态工具，能够自动生成一系列封闭分割区域。分水岭变换的不足之处在于它的过分割结果。为了克服分水岭变换固有的过度分割现象，利用非线性滤波和改进的快速区域合并算法优化分水岭变换得出的初始分割结果，并针对高分辨遥感图像所体现出来的地物的多种信息特征，结合多种特征进行了区域合并。实验结果与MeanShift算法得到的结果进行了比较，证明该算法不仅能充分利用高分辨率遥感图像中地物的信息特征获得良好的分割效果，而且大大减少了计算时间。     

基于K均值聚类与区域合并的彩色图像分割算法

提出一种基于K均值聚类与区域合并的彩色图像分割算法。首先,对图像运用mean shift算法进行滤波,在对图像进行平滑的同时保持图像的边缘;然后,运用K均值算法对图像在颜色空间进行聚类,得到初始分割的结果;最后,给出了一种区域合并策略,对初始分割获得的区域进行合并,得到最终的分割结果。仿真结果表明,算法的分割结果和人的主观视觉感知具有良好的一致性。     

基于MSP-ROA边缘检测和区域合并的图像组合分割方法

提出一种基于MSP-ROA边缘检测和区域合并的图像组合分割算法，算法中对边缘检测的结果做种子生长、标注和区域填充，并根据相似性准则对填充的初始分割结果进行相邻区域的合并处理，最终得到同质性和连通性都较好的图像分割结果。     

一种快速高分辨率遥感影像分割算法*

高分辨率遥感影像(如IKONOS 影像)海量数据、复杂细节的特点决定了高分辨率遥感影像分割的技术难点,提出了基于同质性梯度特征、分水岭算法和最小代价合并的快速分割方法。首先对于原始图像进行同质梯度计算得到同质梯度图像;其次利用一种高效的分水岭变换获得初始分割图像;最后给出一种改进的区域合并算法来优化初始分割区域。应用于IKONOS影像的实验证明与其他的分割算法相比,采用所提出的分割方法能快速、准确地获得高分辨率遥感图像的分割结果。     

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.     

自然场景下多区域特征融合的混合航拍图像分割算法

混合图像分割算法所包含的两个部件中,初始分割不能形成低误分割率的过分割区域集,而区域合并存在缺少区域合并标号选择机制,且存在确定区域合并停止时刻的方式常不满足场景需求的不足。针对以上问题,提出一种基于多级区域信息融合的混合图像分割算法（MRIHS）。首先,使用改进的马尔可夫模型平滑超像素块,以形成初始分割区域;其次,在对初始分割区域进行相似性度量并选定待合并区域对后,利用设计出的区域标号选择机制来选定合并后的区域标号;最后,定义一种最佳合并状态以确定合并停止时刻。为验证MRIHS性能,在视觉对象类别（VOC）、剑桥驾驶标签视频数据库（CamVid）、自建的河湖巡检（rli）数据集上,将其与基于多维特征融合的混合图像分割算法（MFHS）、改进的基于区域合并的FCM图像分割算法（IFRM）、基于段间和边界均质性的混合图像分割算法（IBHHS）、基于多维色彩变换与一致性的混合图像分割算法（MCCHS）进行对比。结果表明：MRIHS在VOC、rli数据集上的边缘召回率（BR）、可达分割精准度（ASA）、查全率、重合率至少分别比其余算法提高了0.43个百分点、0.35个百分点、0.41个百分点、0.84个百分点;欠分割误差（UE）至少减少了0.65个百分点。在CamVid数据集上,MRIHS的查全率、重合率指标至少比其余算法提高了1.11个百分点、2.48个百分点。     

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。     

高分辨率遥感影像的多特征多核ELM分类方法

针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。     

基于图像内容层次表征的遥感图像 分割方法

提出基于图像内容层次表征的高分辨率遥感图像快速多精度分割方法。首先根据初始分割结果建立区域邻接图(RAG),并将其定义为马尔可夫随机场(MRF);然后引入光谱、形状和边缘等图像特征进行层次合并,通过记录层次合并过程获得图像内容的层次表征;最后根据层次表征中不同层级对象之间的关系快速生成任意不同精度的分割结果,以满足不同应用的需求。利用QuickBird卫星图像进行实验和评价的结果表明,本文方法具有较高的精度和效率。     

基于数学形态学和区域合并的医学CT图像分割*

针对传统分水岭算法分割腹部CT图像存在的过分割情况,提出了一种基于形态学优化和区域合并的分水岭分割算法。该方法先利用多尺度数学形态学方法检测出梯度图像,并用形态学重构去除细密纹理和噪声引起的局部极值,然后进行分水岭变换。为了产生有意义的分割,采用简单的区域灰度均值对变换后的图像进行有效的合并。实验结果表明,该方法能有效解决分水岭算法的过分割问题,得到较好的分割效果。     

基于超像素的高分遥感影像分割算法

针对高分遥感影像中存在地物数目多,特征信息复杂导致分割边缘不清晰、对象细节丢失等问题,提出一种改进的超像素分割和多特征结合的遥感影像分割合并算法。在对图像进行分割前的预处理阶段,使用超像素分割技术得到初始分割图像;区域合并过程中,基于对象间的异质性和对象内部的同质性,结合光谱、纹理和形状特征,对对象进行合并;通过调整全局分割参数来调整合并尺度,得到最终的影像分割结果。实验结果表明,所提方法能得到较好的影像分割效果。     

A new geometric model for clustering high-resolution satellite images

Image segmentation is a central process in image processing. There are many segmentation methods such as region growing, edge detection, split and merge and artificial neural networks (ANNs). However, the most important and popular are clustering methods. Normally, clustering methods select cluster centres randomly to segment an image into disjoint and homogeneous regions. The use of random cluster centres without a priori knowledge leads to degradation in the accuracy of the obtained results. However, combined with edge detection, shape representation can help in improving the clustering methods. The improvement is obtained by knowing the optimal location of the cluster centres at the beginning of the image segmentation process. In this article, a new geometric model for high-resolution satellite image segmentation is implemented that can overcome the problem encountered in random clustering processes. The proposed model uses Canny–Deriche edge detection and the modified non-uniform rational B-spline (NURBS) methods to generate the control points of the edges. These points are used to identify cluster centres that are necessary to create the population of the hybrid dynamic genetic algorithm (HDGA). The new geometric model is compared with the self-organizing maps (SOMs) method, which is an efficient unsupervised ANN method. Two experiments are conducted using high-resolution satellite images, and the results prove the high accuracy and reliability of the new evolutionary geometric model.     

一种基于区域分级合并的彩色图像分割方法

在区域合并过程中,手工设置颜色相似性和边界距离的权重极大地影响了分割的精度和自动化.针对这一问题,提出了一种新的基于区域分级合并的彩色图像分割算法.该方法能够根据邻接区域的边界特点设置权重因子,从而自适应地融合区域的颜色相似性和边界距离.使用均值漂移算法对图像进行初始分割,将原图像分割为具有较好边界的同质区域;通过计算区域相似度对区域进行分级合并.多幅彩色图像的分割实验结果证明,所提算法优于传统的基于区域合并的方法.     

基于多尺度形态滤波的分水岭图像分割方法

采用多尺度形态滤波器对输入噪声图像及滤波后图像的梯度图像进行平滑，实现了消除噪声、简化图像、保持物体重要轮廓信息的作用．最后，给出一种改进的快速区域合并算法优化分割结果．实验证明，采用文中分割方法可以获得很好的分割结果。