一种图像纹理分割的小波-像素曲线演化方法

提出了图像纹理分割的小波—曲线演化方法，该方法运用二维小波对纹理图像进行分解，由四个小波系数描述纹理特征，并组成四维小波系数特征矢量图，然后采用最大后验概率模型的曲线演化方法，对特征矢量图进行分割和分类，从而获得原图像纹理分割结果．实验结果表明，与小波—FCM聚类纹理分割方法相比，该方法对双纹理图像能取得较好的分割效果，分割出的边界连续，并且具有较强的抗噪能力．     

基于去降Mallat离散小波变换的彩色图像分割

该文针对Mallat快速离散小波变换,提出了一种利用变换平移不变性的离散小波变换的彩色图像分割方法。首先对原始图像进行平移不变性的小波变换,然后提取颜色和纹理特征,并采用k均值算法进行分割。实验表明该方法对纹理图像和彩色自然图像都具有较好的分割效果。     

一种指纹图像的快速分割方法

利用数学形态学变形虫法进行指纹图像分割时计算量大,导致分割速度变慢。针对该问题,提出一种将数学形态学变形虫法和离散小波变换相结合的指纹图像快速分割方法。先对原始图像进行小波分解,再对获取的低频图像采用形态学变形虫分割。实验结果表明,该方法在保证良好分割精度的同时分割速度较快。     

基于多态蚁群算法的回转窑图像分割方法

为了解决回转窑图像背景噪声干扰较大且背景灰度变化较小,采用经典的算法不能有效分割出窑内黑把子区域的情况,提出了一种基于多态蚁群算法和小波变换相结合的图像分割方法。利用小波将图像变换,对低频系数进行分块,采取新的阈值选取方法并对每块进行分割,从而改善了黑把子区域的分割效果。实验结果表明,该算法提高了分割精度,缩短了程序运行的时间。     

改进的多粒度原理在遥感图像分割算法研究

针对传统的遥感图像分割算法由于计算复杂等原因,造成图像的分割分辨率低,清晰度不高,当图像中的信息量非常大时,对图像分割非常耗时等问题缺陷,为了有效地分割图像,提出了一种改进的多粒度原理和小波算法相结合的遥感图像分割算法;该方法首先采用小波变换对图像的弧度直方图进行小波多尺度变换,并进行分解操作,然后采用粒度合成技术对分解后的图像进行合成;文中采用的是256×256的SAR图像来进行实验对比,结果表明,提出的算法有效地改善了分割效果,分割出的图像边缘效果明显清晰,证明了该算法的可行性和有效性。     

基于小波包和区域生长的脑组织图像分割

对利用区域生长进行图像分割问题进行了研究,提出了一种MR脑组织图像分割的方法。该方法利用小波包对医学图像进行分解,通过对重构后的近似图像采用区域生长法进行分割,降低了区域生长算法对噪声的敏感度,减少了利用区域生长算法分割后图像的空洞和小孔。实验证明了该方法对MR脑组织图像分割可以有效减少分割后的小孔和空洞,取得了良好的分割结果。     

基于小波包与Otsu的含噪遥感图像分割算法

最大类间方差(Otsu)在用于含噪图像的分割时,不能取得理想的分割效果。针对该问题,在Otsu分割方法的基础上,结合小波包分析,提出一种新的含噪遥感图像分割算法。该算法用小波包对含噪遥感图像进行分解,采用自适应阈值的方法去除图像中的噪声,应用Otsu方法对图像进行分割。仿真实验表明,该算法具有较好的抗噪性能及分割效果。     

基于小波变换的SAR图像分割

SAR(合成孔径雷达)图像包含有相干斑噪声，传统方法不能很好地对SAR图像进行分割，该文结合SAR图像和小波变换多分辨分析的特点，提出了一种新的SAR图像分割方法。首先利用小波变换提取SAR图像的纹理特征信息，然后根据SAR图像噪声在小波域中的分布特点对SAR图像进行滤波，最后以SAR图像小波能量纹理特征和滤波后的灰度组成特征向量对SAR图像进行分割。实验结果表明，该方法是一种有效的SAR图像分割方法。     

基于多尺度形态学融合的分水岭图像分割方法

提出了一种基于多尺度形态学融合的分水岭图像分割方法，采用多尺度结构元素对输入图像并行滤波，并对结果图像进行基于小波变换的图像信息融合。针对小波分解的不同频率域，选择不同的融合规则，既抑制噪声又保持目标轮廓信息。最后，采用最大熵法自适应确定算法的初始阈值，并给出一种有效的区域合并方法来优化分割结果。实验证明，采用此分割方法可以获得较好的分割结果。     

一种基于小波和分水岭算法的图像分割方法

用分水岭方法进行图像分割时,容易造成图像的过度分割。为了克服这种缺点,提出了一种基于小波变换和分水岭算法的图像分割方法,该方法首先利用小波变换产生多分辨率图像,然后对最低分辨率图像进行应用标记的分水岭分割,得到初始的分割区域,最后利用区域标记和小波反变换,得到高分辨率图像的分水岭分割结果,从而较好地解决了分水岭变换方法中的过度分割问题。     

结合纹理去除的遥感图像分割

针对包含复杂纹理信息的遥感图像难以进行精准图像分割的问题,提出了一种结合纹理去除的遥感图像分割方法。首先,改进了相对全变差纹理去除方法,通过引入新的范数约束使相对全变差纹理去除方法可以在去除纹理信息的同时凸显图像中的主要结构,达到辅助分割的效果;然后,使用均值漂移算法对经过纹理去除的遥感图像进行无监督聚类,达到分割的目的;最后,提出的遥感图像分割算法在不同遥感图像上进行了测试。实验结果表明,在高分辨遥感图像的分割上,所提算法可以分割出遥感图像中的主要目标,和直接分割或者结合其他纹理去除方法相比取得了更好的分割结果。所提出的分割算法可以降低纹理信息对图像分割的影响,提高遥感图像分割的精度。     

基于区域生长的彩色图像分割算法

针对传统种子区域生长算法在分割具有复杂纹理的彩色图像中存在的问题,提出一种改进的种子区域生长算法,该算法在YCbCr颜色空间中进行,采用离散余弦变换提取图像纹理特征值,进行自动种子及种子区域的生长,并用区域合并改善过度分割。实验结果表明,该算法能有效提高图像分割的精确性。     

Preserving boundaries for image texture segmentation using grey level co-occurring probabilities

Texture analysis has been used extensively in the computer-assisted interpretation of digital imagery. A popular texture feature extraction approach is the grey level co-occurrence probability (GLCP) method. Most investigations consider the use of the GLCP texture features for classification purposes only, and do not address segmentation performance. Specifically, for segmentation, the pixels in an image located near texture boundaries have a tendency to be misclassified. Boundary preservation when using the GLCP texture features for image segmentation is important. An advancement which exploits spatial relationships has been implemented. The generated features are referred to as weighted GLCP (WGLCP) texture features. In addition, an investigation for selecting suitable GLCP parameters for improved boundary preservation is presented. From the tests, WGLCP features provide improved boundary preservation and segmentation accuracy at a computational cost. As well, the GLCP correlation statistical parameter should not be used when segmenting images with high contrast texture boundaries.     

结合纹理特征改进的GBIS图像分割方法

针对GBIS(efficient graph-based image segmentation)方法在分割含有较丰富纹理信息的图像时, 分割效果不理想的问题, 在L*a*b*彩色空间下, 结合图像的纹理特征, 提出了一种改进GBIS图像分割方法, 记为IGBIS(improved efficient graph-based image segmentation)。该方法首先将图像由RGB空间转换到L*a*b*颜色空间; 接着, 结合L*a*b*彩色空间, 对GBIS方法中的权值函数作了改进, 引入了一个常数s, 用于控制相邻像素之间颜色的差异程度; 然后, 用熵的方法来获取L*a*b*彩色图像的纹理特征; 最后, 结合图像的纹理信息, 改变了GBIS方法中的区域合并条件, 得到最终的分割结果。实验证明, 与原算法相比, 该方法在分割精度与分割质量上有了很大程度的提高。IGBIS有效地抑制了彩色图像在分割中存在的过分割现象, 并适合于含有丰富纹理的彩色图像。     

基于综合特征的图像分割

文章提出了一种有效的基于颜色和纹理综合特征的图像分割方法。将图像以块为单位进行划分,在YUV空间,提取块的颜色特征和纹理特征,在这种综合特征基础上,采用改进的K均值聚类法进行图像分割。该方法能自适应确定聚类中的参数,且兼顾点的位置连通关系,从而达到了较好的分割效果。     

遮挡物体移除与图像纹理修补方法

以基于样例修补的目标移除方法为基础,改进了基于样本块的图像纹理修补方法.首先将抠像技术应用到目标物的提取过程中,然后使用图像分割的方法实现了分区修补的目的.改进后的方法能够更好地还原图像的线性特征并且减少图像修补的时间.在此基础上,根据不同角度的图像可以提供更加丰富的修补信息这一思想,进一步提出一种基于多幅图像的修补方法,并取得了更高质量的修补效果.实验结果表明,该方法不仅能够准确地提取并移除图像上不需要的物体,而且能够有效地修补图像受损区域的纹理和结构.     

基于先验知识水平集方法的草莓图像分割

在实际应用中,当目标本身含有一些固有的颜色纹理特征时,可将这些特征作为一种先验信息,这样可以大大提高分割的准确性.为此,本文提出了一种基于先验信息的改进水平集图像分割方法.首先,利用传统的C-V模型能量项的构造思想构建了基于颜色信息的局部能量项,该项是用于处理彩色图像;然后将颜色分量引入到传统的结构张量中构建出新的扩展型结构张量,该项是用于处理纹理信息;最后,将上述新构造的能量项以及Li模型约束项引入到传统C-V模型中得到新的水平集模型.鉴于草莓果实所具有的颜色信息和纹理信息,本文将上述改进水平集方法应用到农业自动化应用中草莓果实分割中.对实验室环境与草莓生长环境下的草莓图像进行分别实验,结果显示该方法能够不仅能够分割出草莓果实且能够很好地处理草莓表面的纹理信息.另还与OTSU算法、传统C-V模型、改进C-V模型对草莓图像作对比实验,结果表明本文算法均比上述三种算法具有更好的分割效果.     

一种基于纹理特征融合的SAR图像分割方法

在由若干灰度共生矩阵纹理统计量进行特征融合后所生成的图像上,定义多分辨双Markov-GAR模型,采用多分辨MPM参数估计方法及相应的无监督分割算法,对SAR图像进行纹理分割。该方法既利用了像素的灰度信息,也利用了像素的空间位置信息,削弱了斑点噪声对分割的影响。实验表明对于一些高分辨SAR图像,该方法与单纯基于灰度图像上的多分辨双Markov-GAR模型纹理分割相比,分割精度得以提高。     

无监督纹理遥感图像分形分割仿真

针对无监督纹理遥感图像分形分割时,仅利用光谱信息,没有充分利用遥感图像中的纹理信息造成过分割或是欠分割的问题,提出结合光谱信息和纹理信息的无监督遥感图像分形分割方法。方法首先借助于双边滤波算法建立双边滤波模型,对无监督遥感图像进行平滑处理,利用边缘检测算子获取无监督遥感图像的纹理梯度和光谱梯度,保留遥感图像的纹理信息。将图像纹理梯度和光谱梯度的内积范数作为K-means算法的距离测度,针对K-means算法易陷入局部寻优问题,将遗传算法与K-means算法相结合实现全局寻优,完成无监督纹理遥感图像分形分割。通过在高分辨率遥感图像上的分割对比实验,证明上述方法能充分利用遥感图像的光谱和纹理信息,分割效果良好。     

结合Gabor滤波器和扩展LTP算子的无监督纹理图像分割

目的 现实中的纹理往往具有类型多样、形态多变、结构复杂等特点,直接影响到纹理图像分割的准确性。传统的无监督纹理图像分割算法具有一定的局限性,不能很好地提取稳定的纹理特征。本文提出了基于Gabor滤波器和改进的LTP（local ternary pattern）算子的针对复杂纹理图像的纹理特征提取算法。方法 利用Gabor滤波器和扩展LTP算子分别提取相同或相似纹理模式的纹理特征和纹理的差异性特征,并将这些特征融入到水平集框架中对纹理图像进行分割。结果 通过实验表明,对纹理方向及尺度变化较大的图像、复杂背景下的纹理图像以及弱纹理模式的图像,本文方法整体分割结果明显优于传统的Gabor滤波器、结构张量、拓展结构张量、局部相似度因子等纹理分割方法得到的结果。同时,将本文方法与基于LTP的方法进行对比,分割结果依然更优。在量化指标方面,将本文方法与各种无监督的纹理分割方法就分割准确度进行对比,结果表明,在典型的纹理图像上,本文方法准确度达到97%以上,高于其他方法的分割准确度。结论 提出了一种结合Gabor滤波器和扩展LTP算子的无监督多特征的纹理图像分割方法,能够较好地提取相似纹理模式的特征和纹理的差异性特征,且这些纹理特征可以很好地融合到水平集框架中,对真实世界复杂纹理图像能够得到良好的分割效果。