结合纹理信息的图像分割方法及其应用

文章提出了一种结合纹理信息的图像分割方法,设计并实现了一种基于子区域的区域增长算法,该方法较有效地利用了欲分割对象区域的灰度以及纹理信息．该方法应用于医学图像的分割问题,得到了较好的效果．实验表明,该方法针对一类图像能够获得较好的结果.     

基于神经网络的纹理和灰度信息融合方法

文章从信息融合的角度出发,利用神经网络的方法将纹理和灰度信息有机地融合起来,设计并实现了一种基于子区域的区域增长分割算法.并将该方法应用到医学图像的分割问题中,取得了较好的效果.实验表明,该方法针对一类图像能够得到较好的结果.     

一种新的基于区域增长的ROI分割算法*

为克服现有算法带来边缘定位不精确和人工参与太多等缺点,提出了一种新的基于区域增长的适合医学图像中ROI的分割算法。该算法先利用改进的Canny边缘算子进行边缘粗检测,再利用给出的灰度和纹理等信息进行区域增长,最终得到分割图像。为了更好地进行区域增长,新算法通过对ROI中像素的灰度和纹理进行分析,给出结合点向量运算和灰度判断的增长准则。实验结果表明,该方法能对医学图像中复杂区域或畸形区域进行分割,具有很好的鲁棒性与实用性。     

抑制纹理信息的偏置场变分图像分割模型

偏置场变分水平集图像分割模型利用原始图像的局部灰度信息,可以对灰度不均匀图像进行有效的分割,但当灰度图像中存在纹理时,分割效果往往很差。针对这一问题,提出抑制纹理信息的偏置场变分水平集图像分割模型。利用一种基于纹理几何结构的纹理描述符描述图像中不同的纹理区域,使得不同纹理区域对比更加明显,相同纹理区域更加平滑,通过抑制纹理信息使后续的图像分割在纹理部分的错分大大减少。实验结果表明,相比偏置场变分模型,所提模型对自然及人工合成纹理图像均获得更好的分割结果。     

一种结合多特征的SVM图像分割方法

在分析了频域相位信息和纹理信息在表征图像特征方面的重要性之后,提出了一种结合相位一致和纹理特征的SVM图像分割方法。该方法将相位一致性统计特征、纹理特征和灰度特征一起组合成训练特征向量,采用支持向量机分类方法对图像进行分割。相对于传统方法,该方法提取的统计特征向量可以有效地反映图像边缘细节和纹理信息。实验结果表明,该方法比传统的SVM图像分割方法更有效,尤其适用于图像中目标区域的边缘对比度低和纹理信息丰富的情形。     

基于局部区域信息的医学图像分割及偏移场矫正方法

针对医学图像中由于偏移场的存在而导致图像灰度不均匀的问题,提出了一种基于局部区域信息的医学图像分割及偏移场矫正方法,以矫正偏移场使图像变为灰度均匀。该方法利用图像局部区域信息,通过拟合图像和原始图像构造能量函数,采用变分水平集方法进行求解。实验结果表明,该方法能够有效地实现医学图像分割及偏移场矫正,与其它分割及偏移场矫正方法相比,该方法具有较高的分割及偏移场矫正的精度和效率。     

基于分形的彩色岩石裂隙分割

纹理分割是图像处理与计算机视觉领域研究的重点和难点.现有的纹理分割方法大多集中于研究灰度纹理图像,该文提出了一种基于分形纹理特征和颜色信息结合的彩色纹理分割算法.该算法将复杂的彩色图像分形维数计算转化为单色图像分形维数的计算,将纹理特征和颜色信息相结合,采用区域生长法来实现分割.通过对彩色岩石裂隙图像的分割实验,结果证实该该方法行之有效.     

基于局部特征的自适应快速图像分割模型

基于区域的活动轮廓模型如Chan-Vese(CV)模型等以其能较好的处理图像的模糊边界和复杂拓扑结构而广泛运用于图像分割中.然而基于灰度分布均匀假设,该模型对于含灰度不一致性的目标分割结果较差.此外,纹理是周期性重复出现的细节,依靠灰度信息无法正确检测.针对这些问题,提出一种基于局部特征的自适应快速图像分割模型.一方面,利用两种区域项检测卡通部分和纹理部分的特征信息,在自适应的局部块中提取局部统计信息以克服卡通部分的灰度不一致性;另一方面,利用自适应的局部块中的纹理特征来计算背景和目标区域的Kullback-Leibler (KL)距离以检测图像的纹理部分.进一步,基于分裂Bregman方法对该模型进行快速求解.分别对医学和纹理图像进行了实验,准确性和时效性都有显著提高.     

支持向量机在核磁共振脑组织图像分割中的应用

在医学图像分析中,脑组织图像分割有着重要的研究与应用价值。采用支持向量机方法对核磁共振脑图像进行研究。传统的支持向量机方法在图像分割中一般选用方形的区域,用该区域的像素灰度和纹理特征作为支持向量的训练样本,对图像进行提取和分析,得到分类结果。提出了一种新型的研究区域,在该区域上提取训练样本,对核磁共振脑图像进行分类。分类结果显示用新型区域做的图像分割提高了正确率。     

基于中值-游程共生矩阵的纹理特征提取

提出了一种基于中值-游程共生矩阵模型的纹理特征提取方法.该方法利用了图像的灰度信息和等灰度游程长度信息,通过计算图像的中值矩阵和游程矩阵,从而计算出中值-游程共生矩阵,来提取图像的特征.仿真结果表明,该方法能有效地分割出纹理图像上区域特性不同的纹理,且分割效果优于等灰度游程矩阵和灰度共生矩阵.     

一种肺部肿瘤CT图象序列的自动分割方法

肺部肿瘤序列图象的自动分割是计算机肺部肿瘤三维辅助诊断系统的关键技术之一,肿瘤与周围组织关系的复杂性造成分割困难.为了给医生提供准确的肺部肿瘤影像,运用纹理分析和径向基神经网络实现了肺部肿瘤CT图象序列的自动分割,并根据相邻层肿瘤图象灰度、位置的相关性,提出了一种自动获取多层肿瘤区域神经网络训练样本的阈值分割算法.该算法首先计算图象纹理统计参数,以组成特征矢量空间,然后利用自适应径向基神经网络对特征矢量进行分类来实现肿瘤序列图象的自动分割.实验结果表明,与基于灰度的区域增长法和基于梯度算子和形状算子的最优阈值的分割方法相比较,该方法不仅能充分利用肺部肿瘤序列图象的三维信息,还可最大限度地减少人工干预,且分割结果较好地表现了肿瘤形态特征,经临床医生评估,具有较好的临床指导价值.     

基于灰度与纹理信息融合的影像分割方法

文章提出了一种融合遥感影像像元各波段灰度信息与影像纹理信息的图像分割方法, 设计并实现了一种基于四分树的区域分开-合并算法。该方法有效地利用了遥感影像像元各波段灰度信息以及影像纹理信息, 用SPOT 5 卫星数据的实验结果表明, 该方法对影像分类以及制图工作有一定的促进作用。     

基于水平集的医学图像分割改进算法

医学影像分割是图像分割中的难点,具有重要的应用价值。针对医学影像的特点和图像分割算法的性能差异,提出了一种水平集医学图像分割改进算法。首先通过曲线演化仿真,得出水平集算法核心-速度函数;其次选定速度函数实现对图像的粗略分割,将灰度值较大的区域设置成灰度值较小的值,通过仿真演化准确找到图像中目标区域;最后利用选定的速度函数通过初始算法,经过一定次数的迭代操作后实现了医学影像的准确分割。实验结果表明:该算法可以精确地找到肿瘤所在区域,具有较好的分割性能和一定的鲁棒性。
     

采用K-means的脑肿瘤磁共振图像分割与特征提取

大脑肿瘤分割对于医师判断肿瘤恶化程度非常重要。然而,由于肿瘤的不规则形状、与周围组织的低对比度以及出现位置的不固定,给脑肿瘤的精确分割带来很大的困难。传统的K-means分割方法仅仅利用图像的灰度特征,很难准确分割肿瘤边界。利用灰度共生矩阵提取出的纹理特征,并结合图像几何不变矩特征对分割出的脑肿瘤图像进行特征提取。灰度共生矩阵定义为像素对的联合概率分布,是一个对称矩阵,它不仅反映图像灰度在相邻的方向、相邻间隔、变化幅度的综合信息,也反映了相同的灰度级像素之间的位置分布特征,是计算纹理特征的基础;几何矩（不变矩）具有旋转、平移、尺度等特性,能将图像分解为有限特征值,并且通过对比所提取出的同一病人的肿瘤图像的不变矩参数,可以获得该肿瘤几何形状变化程度。实验结果表明,该方法可以同时从纹理和几何特征对图像特征进行描述,与分别采用灰度共生矩阵和不变矩方法进行特征提取相比较,降低了算法计算量,同时提升了算法的抗噪性。     

基于改进JSEG算法的高分辨率遥感图像分割方法

JSEG算法是一种有效的彩色图像分割方法,但该方法直接用于遥感图像分割时,往往会出现因遥感图像区域边界较模糊而导致区域边界分割不准确,或因区域阴影而导致的过分割现象。为了解决上述问题,提出基于改进JSEG算法的遥感图像分割方法,该方法利用能更好描述区域内颜色的同质性的局部同质矩阵来校正传统JSEG算法中的局部J值,以实现对区域边界的准确反映,提高区域边界分割的准确性;利用图像的LBP/C纹理特征,合并具有相似纹理信息的颜色类,以减弱传统JSEG算法的过分割现象。仿真实验验证了上述方法的有效性。     

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。     

一种局部纹理特征在区域生长中的应用*

为克服现有算法不能自动选择种子且没有很好地利用纹理信息的局限性,提出了一种基于局部纹理特征的区域生长算法。算法分为两个阶段,即颜色量化和区域生长。先利用Mean Shift算法对颜色聚类,对图像预分割,用该局部量化纹理算法提取量化结果的纹理特征,由该纹理特征自动选择种子并分级合并区域。与经典的JSEG算法相比,该算法能够得到相似的分割结果,且计算复杂度低。