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.     

一种提花织物图像的有限元分割算法

提花织物图像分割是提花图案设计的关键,曲线演化模型是一种流行的图像分割方法,但是该方法无法检测含噪环境下的图像特征.由于Mumford-Shah(MS)模型能够在噪声环境下对不连续边集进行检测,因此它比曲线演化模型更适于对含噪提花织物图像的分割.提出一种结合有限元法和拟牛顿法的MS模型数值求解算法,并有效用于含噪提花织物图像的分割.首先定义了自适应三角剖分空间上的离散MS模型,并在每次迭代前对有限元网格进行自适应调整,以提高迭代的性能.接着采用拟牛顿最小化方法,通过收敛意义上的离散有限元逼近得到离散MS模型的最小值.该算法被用到含噪提花织物图像的分割中,取得了良好的效果.     

一种自适应彩色图像分割算法

目前对图像分割技术的改进一般是通过优化某种特定的算法来实现的,这样会把对彩色的分割能力拘泥在某个范围内,而文中专门针对彩色信息采用有自适应性的级联多种方法的聚类算法,在逐步的优化中,提高对彩色的分割能力,实现对彩色图像的更为清晰细致的分割.该方法在单纯的针对色彩信息时,取得了很好的实验测试效果.     

一种自适应彩色图像分割算法

目前对图像分割技术的改进一般是通过优化某种特定的算法来实现的,这样会把对彩色的分割能力拘泥在某个范围内,而文中专门针对彩色信息采用有自适应性的级联多种方法的聚类算法,在逐步的优化中,提高对彩色的分割能力,实现对彩色图像的更为清晰细致的分割。该方法在单纯的针对色彩信息时,取得了很好的实验测试效果。     

一种改进的医学图像分水岭分割算法

为了提高医学图像分割的准确性, 针对分水岭分割算法中的过分割问题, 提出了一种改进的医学图像分水岭分割算法。该算法首先在分水岭变换前进行预处理初步分割, 主要包括多尺度形态学滤波、多尺度梯度算子计算、自适应标记提取以及分水岭变换; 然后在初步分割变换后, 通过基于邻接图的区域灰度相似性与边界相似性相结合的合并准则, 对分割后的区域进一步合并。实验结果表明, 新算法有效地解决了分水岭算法的过分割问题, 具有较强的抗噪性能和边缘定位能力, 能够满足医学图像的分割要求。     

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。     

一种彩色图像多特征的抽取与表示方法

提出一种基于HSl颜色空间的区域彩色特征相似性表示方法,利用改进的区域合并法对彩色图像进行分割。在图像分割的基础上,研究并提出一种图像分割区域颜色、空间位置与面积特征的抽取与表示的有效方法。     

一种两阶段区域生长的遥感图像分割算法

提高图像分割算法的精度与速度对遥感影像的解译工作具有重要意义。提出了一种基于区域生长的遥感图像分割算法,包括的两个步骤分别是局部最优合并和全局最优合并。第一步注重提高图像分割的速度,在其具体实现中引入了一个局部最优合并的阈值,以减少错误的合并;第二步侧重提高图像分割的精度,在其实现过程中利用了一种高级数据结构红黑树来提高搜索最优合并区域的速度。最后,利用模拟的遥感影像和Orbview|3高分辨率影像开展了图像分割实验。利用一种监督的图像分割精度评价方法,定量评价了该方法的性能。实验结果表明:该方法在分割精度和分割速度方面都取得了令人满意的效果。     

一种改进的基于区域生长的彩色图像分割方法

提出一种改进的基于区域生长的彩色图像分割方法.首先,将图像从RGB颜色空间转换到YCbCr颜色空间.其次,自动选取种子点,利用区域生长法进行分割.最后,使用改进区域合并算法合并相似的、小尺寸的区域.对网上随机抽取的图像进行了测试,实验结果证明了提出方法的有效性.     

结合位图切割和区域合并的彩色图像分割

就经典分水岭图像分割算法中存在的过分割问题,提出一种结合位图切割和区域合并的彩色图像分割算法。对原始彩色图像通过空域梯度算子求其梯度图像,并利用位图切割重建梯度图像;对新梯度图像进行分水岭预分割;对预分割图像基于异质性最小原则进行区域合并,并获得最终分割结果。相比于现有的同类方法,该算法引入位图切割,抑制噪声对分割结果的影响,在边缘模糊处分割准确,得到符合人类视觉的较小分割区域数目,同时在运行效率上提高。     

基于分水岭算法的虹膜区域分割

在论文中使用了分水岭分割算法与区域合并相结合的方法,有效地对虹膜图像进行分割,并减少过度分割现象。首先对原图像做平滑处理,使用sobel梯度算子得到原图像的梯度图,然后使用分水岭算法对梯度图进行区域分割,最后将分割图像的过度分割部分进行区域合并。实验证明这种方法可以应用于分割带有噪声的图像,也能够减少过度分割现象。仿真结果表明,把这种方法用于虹膜区域分割中,可以得到精确的、封闭的虹膜边缘。     

磁共振颅脑图像的脑组织自动获取方法

提出了一种针对MRI磁共振图像通过两次分割实现颅脑图像脑组织自动获取的方法.通过基于Catt扩散模型的各项异性滤波,实现了在保持图像细节的同时有效地消除图像的噪声.然后通过改进的基于相似性区域合并的分水岭算法解决了过分割问题,实现了脑组织区域的初次分割.由于颅脑图像不同组织之间边缘模糊且自身容易受到噪声的影响,导致区域合并过程中可能会误将非脑组织作为脑组织合并,因此,采用水平集方法将初次分割获得的脑组织轮廓作为初始轮廓曲线,实现了脑组织的自动分割.实验结果验证了算法的可行性和实用性.     

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。     

基于改进快速分水岭变换的图像区域融合

提出一种改进的快速分水岭变换算法,可在只增加很小算法复杂度的情况下获得梯度图像的多尺度信息;进而构造了一个新的区域相似性函数,该函数综合考虑了灰度差异、边界强度、融合进度、边界复杂度、纹理信息等多方面因素,并将改进分水岭变换中获得的多尺度信息用作评价边界强度的指标．实验证明,该算法有很好的鲁棒性和适应性．     

基于融合细分的纹理图像重构模型

针对分段迭代曲线拟合存在的重建区域轮廓不连续、重建区域尺寸有误差等问题,提出了一种基于融合细分的纹理图像重构模型.首先提取原始图像的分割区域,经过轮廓跟踪与下采样得到区域形状的特征向量;然后利用三重逼近与三重插值统一的融合细分方法,重建区域轮廓曲线;最后合成区域纹理,得到纹理图像重构结果.在多幅自然场景图像上进行实验验证,并给出相应的实验结果和分析.实验结果表明,所提模型正确有效,具有和人类视觉特性相符合的重构结果; 所提算法能够减少图像重建时的处理时间,并在图像质量主观评价指标上明显优于多区域图像重建算法.     

基于熵率超像素和区域合并的岩屑颗粒图像分割

针对岩屑颗粒密集和颗粒表面纹理复杂的特点,提出一种基于熵率超像素分割和区域合并的分割方法。熵率超像素分割将图像分为一系列紧凑的、具有区域一致性的区域,不仅边缘定位准确且降低图像计算的复杂度;针对存在的过分割情况,提出一种结合颜色直方图和形状信息的合并准则,进行基于RAG结构的快速区域合并,得到最后分割结果。实验结果表明,将该方法用于岩屑颗粒图像分割,能够取得较好的实验效果。     

基于改进分水岭及区域合并的图像分割方法

改进了基于地形学距离的分水岭算法,提出了一种结合了图像灰度、边缘信息与信息熵的图像分割方法。首先利用改进的分水岭算法将图像分成多个小区域,根据各个区域之间的临接关系,建立RAG;其次,利用提出的区域相似度合并区域;最后根据最大熵准则停止合并过程,获取最终的分割结果。实验结果表明,与改进前的分水岭算法相比,该方法边缘定位更加准确。与k-mean和基于边缘的分割方法相比,能够较好地分割出图像的细节,同时分割结果也更加符合人的视觉特性。     

重要性图约束的均值漂移图像分割

针对已有算法结果分割区域过多问题,提出采用边缘正交场构造重要性图,通过边缘特征稳定性约束分割区域,从而有效地提高分割质量。构造边缘正交场,通过高斯积分提高边缘线的连续性和稳定性。采用边缘特征进行距离变换,生成图像的重要性图。采用均值漂移进行图像预分割,根据相邻区域边界上的重要性强度对分割区域结果进行合并。实验结果表明,和原有分割方法相比较,算法在保持原始图像重要区域的同时,对细节区域进行有效合并,明显提高分割质量。     

基于区域合并的图像显著性检测

为了提高自然图像显著性检测准确度,提出一种基于区域合并的图像显著性检测算法.该算法直接通过区域合并的方式逐渐将图像从初始状态下的多个区域合并为显著性对象和背景2个区域.在合并过程的不同阶段采用了不同的合并策略,首先利用超像素分割方法将图像分为若干初始区域,在第一阶段仅合并相似且相邻的区域,使得属于同一对象的像素合并到同一区域;然后,处理上述过程中产生的空洞以及因遮挡造成的属于同一对象的区域不相邻的情况;再在区域显著分析的引导下,不断将显著性最差的区域合并到背景区域,而不是尝试将显著性区域合并到一起.最后利用合并过程中得到的多个候选显著性区域加权得到最终的显著性区域结果.在2个公开测试集上进行了测试并与其他算法进行了对比,实验结果证明了文中算法的有效性;特别是在难度更大的ECSSD数据集中,该算法的准确度要优于同类算法.