一种融合颜色和空间信息的区域生长算法

该文提出了一种基于图像颜色和局部空间信息的种子区域生长算法,并用于彩色图像分割。该算法首先根据相对欧式距离使用均值聚类算法对图像进行颜色量化,形成图像的初始分割结果,然后通过计算局部颜色散度,进行分级区域合并,最后,利用形态学相关算法对分割区域的边缘进行平滑。实验表明,该算法能得到与人类视觉判断相一致的有意义区域的分割。     

光突发包在高生存性弹性分组环上的传输实现

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,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。     

一种新的融合颜色和空间信息的目标提取方法

对于目标中带孔或目标局部区域颜色与背景相似的图像,单独利用颜色特征或空间信息易产生过分割和欠分割问题。提出一种颜色和空间信息相结合的目标提取算法。首先对原彩色图像进行并行处理,一方面通过颜色特征提取目标的大致区域;另一方面利用灰度信息提取连续边缘。然后,利用空间信息进行目标轮廓匹配。最后,对初始提取的目标区域进行区域合并,得到最终的目标区域。测试结果证明了该算法的正确性和高效性,具有实用价值。     

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.     

一种基于复杂背景下的昆虫彩色图像分割方法

根据复杂背景下昆虫彩色图像的特点,采用了一种融合颜色和空间信息的JSEG分割方法.首先对图像进行颜色量化,然后使用区域增长法合并较小区域从而实现图像分割.在实验中,利用JSEG分割方法分别对原图像和加白噪声后的图像进行分割,结果表明,JSEG算法对昆虫图像中的噪声不敏感,可以高效地实现复杂背景下昆虫彩色图像的分割.     

基于颜色直方图和空间信息融合的图像分割算法

论文提出了一种基于颜色直方图和空间信息相结合的彩色图像分割算法。首先将图像转化为HSI模式,利用高斯滤波器对色度信息进行平滑后获得了合适的色度直方图。基于色度直方图对图像进行了分割,其次,将像素相似性和空间连通性相结合形成了初始分割区域。在此基础上,定义了区域距离函数,实现了图像区域合并操作。再者,从图像合并过程中信息损失和应保留的区域数量之间的关系出发,给出了合并终止规则。最后,针对所提算法进行了仿真研究。     

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。     

显著特征融合的主颜色聚类分割算法*

针对颜色密度聚类分割模型容易产生误分割的问题,提出基于视觉显著性调节的主颜色聚类分割算法.首先,根据空间颜色信息和Mean-shift算法平滑结果分别计算图像的全局显著特征和区域显著特征,并融合2类显著特征作为特征空间聚类的约束项.然后,采用核密度估计方法计算图像主颜色作为初始类,并将显著特征作为调节因子进行聚类分割.最后,进行区域合并.在标准的分割图像库上进行实验并与多种算法对比,结果表明,文中算法具有更高的区域轮廓准确度,并且有效利用图像显著特征,降低密度聚类形成的区域不一致性,提高像素聚类的精度和分割的鲁棒性.     

一种织物彩色图像的分割算法

提出了一种针对织物彩色图像的分割算法。该算法在颜色聚类的基础上,把每种颜色用 不同的序号来表示,生成一个与原图同大小的序号矩阵,然后根据矩阵中序号的分布进行初始分割并 产生种子区域,再把初始分割未能确定的像素指派到种子区域中,最后根据颜色信息合并过分割的区 域,并对区域边缘进行平滑,得到最终的分割结果。实验表明,该算法能较有效地实现各类彩色织物 图像的分割。     

融合聚类和分级区域合并的彩色图像分割方法

提出了一种融合聚类的分级区域合并彩色图像分割方法。为平滑图像且保持良好边缘,首先用均值偏移算法进行滤波,在此基础上运用改进的k均值聚类方法在颜色空间对图像进行聚类,形成图像的初始分割区域。融合颜色、空间和邻域信息度量区域的距离,对初始分割区域进行分级合并,直至满足停止区域合并的准则。利用形态学腐蚀与膨胀算法对区域边缘进行平滑。仿真结果表明,算法的分割结果符合人类主观视觉感知,具有良好的一致性。     

种子区域生长技术在彩色图像分割中的应用

提出一种基于种子区域生长(Seeded Region Growing,SRG)技术的彩色图像分割方法.该算法利用L*a*b*颜色空间的象素与其邻域的颜色差异及相对欧式距离自动选择种子;应用SRG技术由已知的种子生长出初始分割区域;根据融合了颜色空间和邻接关系的区域距离对初始区域进行分级合并.算法克服了传统区域生长方法不能自动选择种子且容易导致过分割的局限性.将新的分割方法应用到彩色图像,并得到与视觉判断相一致的有意义的分割结果.实验结果显示了所提出的方法对于不同自然彩色图像分割的有效性与适应性.     

融合mean shift和区域显著性的彩色图像分割算法

提出了一种无监督的提取图像中显著区域的彩色图像分割算法。首先,运用mean shift算法对图像进行分割,得到初始的分割结果;然后,根据给出的区域显著性的定义和区域合并策略,对初始分割结果进行合并,得到最终的分割结果。仿真结果表明,对于大多数测试图像,该算法都能获得很好的分割结果,并且具有较高的运行效率。     

基于局部同态性的自适应彩色图像分割方法

提出了一种基于局部同态性和空间邻接关系的彩色图像分割方法。首先利用局部同态性得到H图像来确定种子区域,进而进行区域生长形成图像的初始分割区域。然后利用颜色和空间邻接关系确定的区域距离进行区域合并,直到满足所给的停止区域合并的规则为止。实验结果表明了该方法的有效性。     

融合多特征的运动一致性图像分割

目的:在彩色图像分割中,光流法能够得到运动区域,但难以获得运动目标准确的分割边界,而常用的算法往往会产生过分割。为了克服光流法的不足,在保留显著性区域的同时抑制过分割,从而获得具有运动一致性区域的分割结果,提出融合多特征的运动一致性图像分割算法。方法:首先通过Mean Shift算法获取图像的初始分割,然后利用空域信息（包括颜色、边缘和区域面积）对视觉感知上具有相似性的区域进行合并,再利用时域信息进行运动一致性区域合并,最终得到分割结果。结果:实验结果表明通过结合时空信息,该方法能够有效抑制过分割,不仅弥补了光流场不能准确提取目标边缘的不足,而且提高了分割目标的完整性。结论:与两种流行的彩色图像分割算法相比,所提方法获得了更加理想的结果。     

结合粗糙集与分层思想的彩色图像分割算法

针对彩色图像分割算法中小目标区域容易错分割以及计算复杂度高的问题,提出一种基于HSI空间的结合粗糙集理论与分层思想的彩色图像分割方法。首先,由于彩色图像HSI空间的奇异点对应于RGB空间的灰色像素点,为了消除奇异点,在RGB空间寻找"灰色区域"进行分割与标记;然后,将图像转换到HSI颜色空间,在强度I分量上,考虑到空间邻域信息以及区域分布差异,设计了变阈值渐变性同质函数对原始直方图进行加权,将加权直方图和原始直方图分别作为粗糙集的上、下近似集,构造了新的粗糙度函数进行分割;其次,针对初分割得到的每个区域,在色调H分量上采用直方图阈值化完成细分割;最后,为了避免过分割,在RGB空间上进行区域合并。相比Mushrif等提出的粗糙集分割算法(MUSHRIF M M, RAY A K. Color image segmentation: rough-set theoretic approach. Pattern Recognition Letters, 2008, 29(4): 483-493),该算法更容易分割出图像中的小目标区域,避免了因RGB三个分量的相关性造成的错误分割,算法运行速度提高了5~8倍。实验结果表明:该算法分割效果较好,具有一定的抗噪性与鲁棒性。     

基于矢量量化和区域生长的彩色图像分割新算法

针对光照变化和阴影对图像分割的不利影响问题,提出了一种基于矢量量化和区域生长的彩色图像分割新算法。该算法不仅考虑了彩色图像的颜色信息,而且也考虑了彩色图像的空间信息。该算法首先利用一种修改的GLA算法对彩色图像进行量化,并根据彩色图像量化的结果选取种子像素;然后基于矢量角相似性准则,并结合像素空间邻接信息,对每一个种子像素进行区域生长;最后利用模糊C-M eans算法来对未能归类的剩余像素进行分类。实验表明,该算法不仅可以在很大程度上克服光照变化及阴影对图像分割的不利影响,而且分割结果与人的主观视觉感知具有良好的一致性。