基于小波变换和ODPSF的纹理图象分割方法

在纹理图象分割的研究领域中,基于人类视觉感知特性的图象分割方法是一个重要的新研究方向,文中给出了一种纺理图象分割的新方法,即将小波变换和方向滤波有效地结合了起来,该方法是根据小波变换的多尺度、多频道滤波的特点,采用小波包提取纹理主频,然后用一种二维最佳正交极可分方向滤波器对纹理有关方向和频率等其他特征进行分割,实验结果表明,这种方法能够获得较好的分割效果。     

空间灰度相关图象纹理分割方法

本文给出了图象纹理分割的空间灰度相关法(SGLDM)中四个描述性强的纹理特征。定义了纹理特征矢量。在此定义基础上,给出了一种新的图象纹理分割方法。最后以四幅分割难度较大的纹理图象实验,说明利用四种纹理特征的方法可以有效地对纹理子图案非随机旋转的图象进行纹理分割。     

一种图象区域颜色与面积特征的抽取与表示方法

图象色彩与面积特征已被广泛运用于基于内容的图象或视频检索等领域.如何获取及表示区域彩色特征相似性,是对彩色图象进行有效分割的前提.此文提出一种基于HSI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象进行分割.在图象分割的基础上,进而研究并提出一种图象分割区域颜色与面积特征的抽取与表示的有效方法.     

基于XYZ空间的区域生长法分割图象

该文提出了一种基于XYZ空间的区域生长法分割图象。图象简化阶段,采用连接算子中的区域开启闭合算子来简化图象;图象标识提取阶段利用XYZ空间的信息得到准确的视频对象轮廓,并且根据对比度消除区域中噪声小梯度,并在此基础上提取标识;在分割阶段,采用区域生长法来分割图象。实验证明该文的结果是准确可靠的。     

基于多特征的指纹图像分割算法

介绍了一种基于指纹多特征的指纹图像分割方法。首先简述了三种基于单一特征的指纹图像分割方法:基于灰度方差的指纹图象分割、基于方向信息的指纹图象分割和基于角部灰度均值的指纹图像分割的适用情况及利弊,然后介绍了将方向图法和灰度法两种分割方法合理结合起来的基于多特征的指纹图像分割方法,该方法首先将图像划分成多个不重叠的块并计算各子块的灰度方差与均值,再根据各个图像块的灰度方差值与方差阅的关系确定各子块是采用方向图法还是采用灰度法继续进行图像分割。实践证明,基于多特征的指纹图像分割方法充分利用了指纹图像的特征,避免了单一特征的缺陷,从而能获取更加清晰质量更好的指纹图像,为指纹的进一步识别提供了更好的条件。     

图象分割评价技术分类和比较

本文对图象分割评价，特别是评价方法和评价准则的进展，作了一个综述，现已提出的多数分割评价方法可分为直接法和间接法，直接法研究分割算法本身，面间接法根据分割图象来评价算法的性能。直接法和间接法都需要借助一定的评价准则来进行。本文对已提出的各种准则进行了分类与分析比较，并对常用的评价准则进行了实验比较，通过分析其性能表现排出了它们的优劣次序。本研究为在实际中正确地应用不同的评价方法提出了依据并指出了若干进一步研究的方向。     

基于纹理谱的纹理分割方法

纹理分析是图象处理中的一个重要领域。本文提出一种基于纹理谱特征分割纹理图象的方法。它首次将纹理谱特征与区域生长算法结合起来，从而实现了无监督的纹理分割。纹理谱特征具有对方向性敏感等优点，基于纹理谱的纹理图象分割取得了良好效果。     

傅氏变换的自配准性质及其在纹理识别和图象分割中的应用

图象按纹理一致性进行辨识和分割是图象分析中的一个重要问题 ,有着广泛的实际应用 .讨论了傅氏变换应用于纹理识别的机理 ,并基于此提出了一种图象分割算法 .图象中的纹理线条呈现出很多方向 ,并随机地分布在图象的各个位置 ,然而对于它的傅氏变换幅度谱来说 ,相同方向的线条无论其位置如何 ,它们的贡献会被叠加在一起 ,集中地反映在通过频谱中心垂直于原线条方向的条带上 .这一现象被称为傅氏变换幅度谱的自配准性质 .首先对这一性质进行实验个例的研究和理论分析 ,然后设计算法将其应用于图象的纹理辨识和基于纹理的图象分割实验 ,取得了较为满意的效果 .实验证明 ,得益于自配准性质 ,傅氏变换方法不失为一种有潜力的纹理分析和图象分割方法 ,值得进一步扩展更多的图象应用领域     

具有旋转不变性的纹理分割方法

本文提出了一种具有旋转不变性的纹理分割算法.纹理图象被模拟为三层次过程综合作 用形成的,它们是区域过程、纹理过程和退化过程.整个方法包括具有旋转不变性的纹理特征 抽取、纹理特征的光滑、基于三层次神经元网络的初始分割以及利用多值Boltzmann机的进一 步分割.对自然纹理图象的分割结果证明了算法的有效性.     

模糊聚类方法在医学病理图像分类中的应用

图象分割和对象提取是从图象处理到图象分析的关键步骤。本文将经典的模糊C-均值聚类算法和模糊测度和模糊积分结合起来,并将这两种算法应用于医学病理图象的分割。经典的模糊C-均值聚类算法采用欧式距离计算像素之间的相似度,本文中采用模糊测度和模糊积分计算像素之间的相似度,基于模糊测度和模糊积分的特点,这种计算方法可以提高计算的准确度。最后对两种算法的处理结果进行了比较,结果表明改进的模糊C-均值算法对医学病理图像的分割效果比原算法有所改进。