一种融合Canny和改进ISODATA的砾岩图像分割算法

针对基于边缘流和传统ISODATA（迭代自组织的数据分析算法）相融合的算法对砾岩图像进行分割时存在速度慢、分割不准确的问题,提出了一种融合Canny和改进ISODATA聚类相结合的砾岩图像分割算法。该算法将图像从RGB色彩空间转换到Lab色彩空间,利用Canny算子对砾岩图像的L分量进行边缘提取,得到过分割图像;运用改进的ISODATA聚类算法进行聚类,得到聚类图像,消除了Canny算子的过分割问题。在砾岩图像的分割应用中,该算法取得了较好的分割效果。     

一种改进的标记分水岭遥感图像分割方法

图像分割是图像分析和模式识别需要解决的首要问题和基本问题,也是图像处理的经典难题。分水岭变换则是一种适用于图像分割的强有力的形态学工具,然而其不足之处在于它的过分割结果。提出一种基于ISODATA聚类和标记分水岭的分割方案,该方案首先通过中值滤波来消除部分噪声;然后用ISODATA方法进行聚类,获得更明显的特征差异;接着采用Sobel算子进行梯度重建,得到具有边缘信息的简化图像;在此基础上再进行基于标记的分水岭变换。实验结果表明,该方法分割精度达到80%以上,能够较好地抑制过分割。     

一种改进的标记分水岭遥感图像分割方法

图像分割是图像分析和模式识别需要解决的首要问题和基本问题,也是图像处理的经典难题。分水岭变换则是一种适用于图像分割的强有力的形态学工具,然而其不足之处在于它的过分割结果。提出一种基于ISODATA聚类和标记分水岭的分割方案,该方案首先通过中值滤波来消除部分噪声;然后用ISODATA方法进行聚类,获得更明显的特征差异;接着采用Sobel算子进行梯度重建,得到具有边缘信息的简化图像;在此基础上再进行基于标记的分水岭变换。实验结果表明,该方法分割精度达到80%以上,能够较好地抑制过分割。     

基于分水岭的多目标核聚类图像分割

传统的聚类图像分割方法一般仅仅利用图像中的灰度信息。为了更好地利用图像中的区域和边缘信息,提出一种基于分水岭过分割的多目标模糊核聚类图像分割算法。该算法采用分水岭算法获得图像的过分割区域,采用多目标模糊核聚类算法对区域代表点和分水岭上的像素进行聚类。根据聚类结果将图像中的像素进行标记,得到最终的分割图像。实验结果表明,由于利用了图像区域信息,使得目标能够比较完整地从背景中分离出来。     

基于结合空间信息的FCM聚类的分水岭图像分割

提出了一种分水岭变换和结合空间信息的FCM聚类相结合的图像分割方法。方法采用基于图论的结合区域特征信息和空间信息的距离度量,以分水岭变换得到的图像分割小区域为节点构建一个连通加权图,通过计算图上不同节点之间的最短路径来度量不同区域之间的相似程度,从而实现过分割小区域的合并。该方法综合考虑了区域的特征之间的差异和空间位置的差异,与传统的FCM聚类方法在特征空间进行聚类相比,具有较强的噪声抑制能力。图像分割的实验结果证明了该算法的可行性和有效性。     

基于快速mean-shift聚类与标记分水岭的图像分割方法

针对传统分水岭变换算法在图像分割过程中容易产生过分割问题,提出基于快速mean-shift聚类和标记分水岭变换的图像分割算法。首先利用快速mean-shift聚类算法对原始图像进行预处理,确定分割区域和聚类数目;利用sobel算子进行梯度处理;对处理后的图像做形态学运算,并给每个集水盆分配不同的标记,按升序访问每个像素点,依次浸没到集水盆中,完成图像分割。实验结果表明,该方法可以有效分割医学影像,并解决了分水岭变换引起的过分割问题。     

基于改进的分水岭算法图像分割方法研究

研究图像分割中保真问题,针对目前分水岭算法易产生过分割现象,导致图像分割边缘不明显现象,使得分割以后图像失真较大.为了解决上述问题,提出了一种基于空间模式聚类算法和分水岭算法相结合的图像分割方法.首先对图像采用分水岭算法进行图像分割,然后对产生过分割现象的图像区域采用基于空间模式聚类方案进行合并.仿真结果表明,与传统的分水岭图像分割方法相比,分割出的图像边缘效果明显清晰,有效保证原图效果.     

基于距离变换的改进分水岭算法在白细胞图像分割中的应用

在白细胞图像中,由于白细胞细胞核的存在,直接应用分水岭算法时,往往达不到较好的效果。本文提出一种结合EM聚类的改进分水岭算法。通过将EM聚类获得的图像中细胞核区域替换,然后使用基于距离变换的分水岭分割,确定白细胞区域。对距离变换后的图像采用形态学处理减少了细胞分割中的过分割现象。同时使用细胞核位置的先验条件,合并分水岭分割区域,进一步减小过分割的影响。本文方法提供一种新的将分水岭算法应用于白细胞分割的思路。同时实验证明,方法在分割精度上有着良好的表现。     

分水岭算法和基于MRF的层次聚类相结合的混合无监督图像分割算法

提出一种新的混合多阶段无监督图像分割算法。在第一阶段，通过分水岭算法得到一幅过度分割的图像，该图像中的所有小区域作为初始聚类状态将在接下来的层次聚类阶段中被合并。在第二阶段，一种新的启发式的基于Bayesian方法和Markov随机域的计算模型被用于基于区域的层次聚类算法，该算法用来合并初始分割结果中的邻接区域，以改进分水岭算法的分割效果。深入分析了该计算模型中两个相互作用的部分。通过对多种不同种类图像使用该算法进行分割，表明这种多阶段的方法适合无监督分割，它按照视觉一致的方式合并区域，并且比传统的层次聚类算法快很多。     

一种改进的分水岭算法在医学图像分割中的应用研究

分水岭算法在图像处理领域得到了广泛的应用,但单独使用分水岭进行图像分割会产生过分割现象,难以得到令人满意的结果。针对分水岭算法存在的过分割问题,提出一种改进的分水岭算法,能有效的抑制过分割现象。首先对输入图像进行平滑滤波处理并计算该图像的多尺度灰度梯度图像;然后提出基于多阈值分割的方法消除无效的梯度信息;再进行分水岭变换并对相似的区域进行合并。实验结果表明,提出的改进的分水岭算法能有效地处理过分割问题,比传统的分水岭算法得到的分割效果要好很多。     

基于水平集和迭代自组织算法的图像分割

提出了基于水平集和迭代自组织数据分析的岩心砾石图像分割方法,既可克服水平集算法伴生的图像过分割问题,也可解决迭代自组织算法产生的图像边缘飘移问题。该方法首先运用水平集算法获取目标颗粒的准确边界,运用迭代自组织算法提取目标颗粒的整体;其次将两种方法提取的图像给以迭加综合处理,克服水平集算法伴生的图像过分割和迭代自组织算法产生的边缘飘移的缺陷,进而得到既完整又边界准确的目标颗粒。该方法运用于岩心砾石图像的分割,取得了良好的效果。     

结合进化规划的图像分水岭分割技术

为了解决分水岭算法的过分割问题,提出用一种结合进化规划的控制标记符提取技术对图像进行预处理的分水岭图像分割方法。该方法基于进化规划的生灭过程,对传统分水岭分割中的图像目标区域进行重新标记,根据新标记的区域特点,重新设置图像目标区域的控制标记符。然后通过分水岭变换,实现图像的区域分割。实验结果表明,该方法既能有效解决分水岭算法的过分割问题,又保留了各种重要的目标区域,可以得到较满意的图像分割结果。     

基于SUSAN算子与分水岭算法的图像分割方法

针对分水岭图像分割算法中的过分割问题,提出了一种结合SUSAN算子和分水岭算法进行图像分割的方法.该方法首先用SUSAN算子对原始图像进行划分,检测出图像中不包含边界的区域,然后将检测结果作为标记符在梯度图像上进行标记,最后用分水岭算法对带标记的梯度图像进行分割.试验结果表明,该方法具有较好的分割效果.     

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。     

基于梯度修正和区域融合的分水岭分割算法

针对传统分水岭算法中存在的过分割现象,提出了一种基于梯度修正和层次区域融合的分水岭分割方法。该算法首先利用开闭双重建操作以及非线性变换对梯度图像进行修正;然后求取浮点活动图像并作为分水岭算法的输入;最后在区域灰度相似性准则的基础上,结合对比度和边界强度准则对分水岭变换结果进行小区域的合并,得到最终的分割结果。实验结果表明,该算法能有效地解决过分割问题,具有良好的鲁棒性和适应性。     

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。     

基于彩色模型的重构标记分水岭分割算法

分水岭算法是一种适用于图像分割的强有力的形态学工具,但传统的分水岭算法存在严重的过分割现象,并且实际图像容易受到反射亮光和阴影的影响。针对该问题提出一种新的彩色空间重构标记分水岭分割算法。该算法首先将RGB彩色图像转换到新的彩色空间中,抽取不受反射亮光和阴影影响的分量进行梯度计算;然后利用形态学开闭重构提取感兴趣目标构成二值标记图像,利用标记图像修改梯度图;最后在修改的梯度图上进行分水岭变换。新算法不仅可以抑制由于纹理细节和噪声引起的过分割,还可以有效地抑制由于反射亮光和阴影产生的过分割,同时由于该分割算法是在原始梯度图上而非滤波简化的图像上进行的,因此物体的边缘信息也得以最大程度的保留。理论分析和实验结果表明了该算法的有效性。     

基于分水岭和重叠率衡量的多级彩色图像分割

由于分水岭方法进行图像分割时经常是在梯度图像上进行,并经常产生过分割的结果,因此为克服图像过分割问题和提高分割的准确性,提出了一种基于分水岭和重叠率衡量分层融合策略的彩色图像分割新算法——HWO。该算法首先将RGB颜色空间转化到Lab颜色空间,并根据a、b维来提取统计2维直方图,同时在直方图上运用分水岭分割方法,通过对峰进行填充来得到图像的初步分割结果;然后将与填充对应的分割区域样本与高斯分布结合起来,对图像进行高斯混合模型假设下的参数估计;最后对模型与模型间进行重叠率衡量及分层区域融合,以得到最终的图像分割结果。实验中,首先采用训练图像集对算法涉及的两个参数进行确定,然后对测试图像集的分割效果和分割时间性能进行评估,评估是以标准的人工分割图像库为基准的。实验结果表明,该算法可解决过分割问题,其评估所得分准率及分全率综合衡量系数为0.609,而人工分割综合衡量系数为0.79,同时新方法的分割时间仅为传统方法的1/3,分割速度有了较大提高。