基于SOFM神经网络的动态手势分割技术的研究

应用基于SOFM(自组织特征映射 )神经网络的算法完成对手势的分割 .动态序列各幅图像的色彩分布相近 ,先对首帧图像通过SOFM色彩分割算法进行训练学习 ,并依据本文提出的一种改进算法使网络学习过程中输出神经元的个数随背景复杂情况改变 ,然后结合运动信息或光流变化确定运动的手的颜色分类 ,从而完成手势的分割 .此外 ,将本文的SOFM算法应用在其他场景图像的分割中 ,也取得了满意的效果     

基于直方图的模糊最大指数熵图像分割方法

针对最大熵阈值分割算法的计算缺陷，提出了一种基于直方图的模糊最大指数熵阈值图像分割新算法．该算法把模糊性指数、模糊熵概念应用到图像分割中，结合基于灰度图像直方图的模糊最大熵阈值图像分割理论，给出了模糊最大熵的新定义，同时引入了指数熵的概念．该算法能较好地完成图像分割，较传统分割算法具有更强的抗噪能力，为后续的图像处理提供了良好的基础．通过对真实目标灰度图像的分割和对比实验，表明本文新算法分割准确，性能优越。     

基于背景分割技术的水面运动目标提取

基于背景分割技术提出了一种复杂背景下水面运动目标提取算法。在算法的第1阶段，采用统计差分图像方法分割出无运动的岸上背景区域，同时获得场景中的运动区域，包括水面及水面运动目标。在算法的第2阶段，根据水面区域在HSI色彩空间中的统计信息，运用基于Mahalanobis距离的决策方法，分析得到运动区域中的水面部分.图像中最后留下的部分即是运动目标。实验表明，该算法能够稳定地实现对水面目标的提取及跟踪。     

基于熵的静态背景分割下的运动物体提取

通过对图像序列中运动物体的提取方法进行探讨，提出了一种新的静态背景分割算法，根据交通序列图像的特点，适当修改了一些现有方法，将修改后的方法与新的静态背景分割算法相结合，形成一个完整的适用于交通图像中运动物体的提取方案。     

一种基于边缘检测的时空视频对象分割算法

提出了一种基于边缘检测的时空视频对象分割算法。首先提出一种基于高阶统计量的帧间差分图像处理方法,然后运用边缘检测得到空域分割结果和用累计差分与对称差分得到时域分割结果,综合时空域分割结果得到运动目标的边缘,最后对边缘图进行区域填充与数学形态学处理,得到运动目标掩模图像。实验结果表明本文算法能够得到较准确的分割结果。     

虚拟广告系统中视频运动分割算法的研究

在虚拟广告系统中。为了使虚拟图像的插入具有真实感，有效的视频分割便成了其中的关键的技术。该文提出了一种背景剪除与亮度改变相结合的视频运动对象分割算法。该算法首先采用人机交互的方式。指定视频场景中需要处理的区域，取得背景帧，经BGB色彩差分处理，分割出前景物体；根据亮度变化的准则，检测出阴影区域，为后继的虚拟图像的真实感插入做好预处理准备。实验结果表明，该算法简单实用，能够实时有效地分割出视频序列中前景物体和阴影区域。     

基于图论的运动对象分割

将两种基于图论的算法图切割与随机游走应用于运动对象的分割。利用图切割,通过构造网络图、HSV空间消除阴影、建立混合模型背景及运动区域最小切割自动完成运动对象的分割;利用随机游走,通过选择种子点、建立权函数、求解Dirichlet问题及形态滤波等交互地完成运动对象的分割。通过实验对两种算法的应用进行了研究。结果表明:基于图切割算法可针对单目标快速、有效地进行分割,并获得干净、光滑的分割结果;基于随机游走算法可针对微弱物体边界或低对比度的图像分割,可在不要求实时性的情况下获取更为精确的分割结果,为后续的跟踪、自动分割等处理提供基础。     

一种新的运动目标自适应图像分割算法

提出了一种新的运动目标自适应图像分割算法.在设置自适应跟踪波门对运动目标进行跟踪的基础上,依据最大类间方差函数准则自适应地求出调节系数,再用设置门限分割法完成图像的自适应分割.对该算法进行了详尽的图像分割实验,与著名的Otsu法、迭代法、最大熵法相比较,该分割算法不仅能适应多种复杂背景,而且分割精度高、速度快,是一种实用有效的图像分割方法.     

基于S、V分量的模糊C均值彩色图像分割算法

针对彩色图像的分割问题,提出一种快速有效的彩色图像分割算法。基于彩色图像的HSV颜色空间,应用快速模糊C均值聚类算法,对彩色图像的S、V颜色分量进行聚类,综合考虑图像中目标彩色个数与得到的聚类中心完成对彩色图像的分割。实验结果表明,与其他彩色图像分割算法相比,本文算法可以准确地分割目标区域颜色不同的彩色图像,背景信息保留较少,运算速度受图像尺寸影响较小,可以得到理想的彩色图像分割结果。     

一种基于信息融合与运动域分割的手势运动方向识别方法

手势识别中,除手的分割是个难题外,在视频流中,手势有效动作起止帧的判定也是一个急待解决的问题。将图像的肤色与运动信息结合,分割出手,建立手势运动的历史图（Motion History Image,MHI）,提出了一种MHI与改进的运动能量图（Improved Motion Energy Image,IMEI）结合的机制,判定有效手势运动的起止帧,最后建立有效手势运动的MHI;同时提出改进图像梯度向量算法用于手势运动方向（上,下,左,右）识别。实验表明,对于有效手势运动起止帧的正确判断率一般可达90%以上,有效手势识别率达96%以上,手势交互自然顺畅。