基于分形维数的纹理图像分割

纹理图发割过程一般分为特征抽取和特征划分,文中提出一种新的基于分形维数的纹理图像分割方法,在特征抽取上,以分形作为纹理特征,运用图像变换的思想,结合差分盒计数和基于分形布朗自相似模型的分形估计方法。     

图像分形维数计算技术

在分形科学的研究中,分形维数的求取方法一直是人们所关注的,本文基于目前常见的图像分形维数的求取方法,对各种方法的计算量,适用范围进行分析和比较,给出推荐模型。     

基于分形和分水岭的图像分割方法

图像分割是一种重要的图像处理技术,也是计算机视觉领域低层次视觉中的主要问题,同时它又是一个经典难题.提出了结合分水岭分割与图像分形维数的一种新方法用于对自然背景下人造目标的提取.实验结果证明,该方法能有效抑制自然背景,并提取出人造目标的轮廓.     

基于图像分形分割的麦穗粒数计算方法

针对小麦育种中小麦单穗粒数品质测定的问题,本文提出了一种基于图像分形分割的麦穗粒数计算方法.首先,利用分形几何中分数维概念,计算图像分形维数作为像元特征,根据像元特征选定一个适当的阈值分割麦穗图像;然后通过分析分割图像的行像素的灰度特征,计算麦穗与图像竖直方向的倾角,按此倾角旋转麦穗图像使麦穗处于图像竖直方向,得到旋转后的麦穗角度矫正图;最后,根据矫正图像的列数据波形特征计算麦穗粒数.实验证明该方法比传统测量方法流程更简洁,准确率更高,计算速度更快,可用于小麦育种中穗粒数测定.     

基于几何活动轮廓与分形盒维数的图像分割

针对传统几何活动轮廓（GAC）模型不能实现自适应分割,且容易出现边界泄漏和演化时间较长的缺点,提出了一个基于GAC与分形盒维数的图像分割算法。该算法结合了图像信息（图像分形盒维数）和演化曲线的位置,用与演化曲线内外区域分盒维数相关的演化速度v(D)代替传统GAC模型中的常量速度v。实验结果表明该算法可以使演化曲线根据其位置自适应地向内或者向外运动,减少了分割时间,并且在一定程度上减少了边界泄漏。     

一种基于数学形态学的分形维数估计方法

对于分形维数的估计是基于分形理论的纹理图像分割算法中最重要的环节。由于使用固定划分的规则网格，常用的基于盒计数的分形维数估计算法及其各种改进方法的误差较大；而传统的形态学维数估计算法虽然在准确性上有一定提高．但其时间复杂度偏高。为此提出了一种基于可变结构元的数学形态学分形维数估计方法(VSEM)。该方法将灰度图像视为一个三维空间中的曲面，使用一组不同尺度的结构元分别度量该曲面．根据度量结果与尺度之间满足的指数率来估计图像表面的分形维数。通过恰当的选择结构元和使用递推技术得到不同尺度下的膨胀结果，新方法成功地弥补了现有算法的不足。本文使用了一组合成纹理和一组自然纹理来评估几种常见的分形维数估计算法。结果显示，本文提出的新方法能够在较小的时间复杂度下，得到更为精确的估计结果。最后，将该方法应用于遥感图像的分割。与其他常用的分形分割算法相比，使用该方法估计的分形维数和图像的临域均值作为特征能够得到更好的分割结果。在对比分析和分割实验中表现出的良好性能说明本文提出的分形维数估计算法可以有效地应用于纹理图像分割。     

分形维数在灰度图像二值化中的应用

本文研究采用分层吉布斯随机场模型实现图像二值化时吉布斯模型参数的选取方法,根据分形维数反映图像复杂程度的特性,定义了吉布斯模型参数与分形维数的关系,从而实现了吉布斯模型参数的自适应选取,实验结果表明,该方法能使二值图有效地保留原始图像的细节,另外,通过设置图像水平,垂直、对角不同取向上吉布斯模型参数的权重因子,还可以有选择地保留方向细节,这对纹理图像的二值化具有重要意义。     

基于数学形态学的图像分形维数实时提取方法研究

图像的分形维数是图像的重要定量特征，可广泛应用于图像分析中。但一般计算图像分形维数的算法存在计算量大，不能实时计算的缺点。为了实时计算图像的分形维数，本文根据Ｍｉｎｋｏｗｓｋｉ－Ｂｏｕｌｉｇａｎｄ维数定义，采用数学形态学覆盖的方法设计了一种算法，并同Ｂｏｘ Ｃｏｕｎｔｉｎｇ方法进行了比较，实验计算结果表明该算法计算准确度高且稳健性好。同时本文还给出了实时并行实现结构。     

一种基于纹理信息和遗传神经网络的图像分割方法

提出了一种基于纹理信息和遗传神经网络的图像分割方法,根据分形理论构造了图像的一组分形纹理特征参量,利用遗传神经网络作为图像素的分类器,以此为基础对图像进行分割,分数维的计算采用改进的盒子计算法.试验表明,将该方法应用于生物医学图像,能够区分图像不同的纹理区域,达到满意的分割效果.     

二维灰度图像的分形维数计算

分析了当前计算图像分形维数的算法普遍存在对高维数图像计算误差较大且计算量大的缺点。结合计盒维数算法的原理,给出一种新的盒子边界。理论和实验证明,该算法较Chaudhuri和Sarkar给出的经典边界选取在准确性和实时性上都有所改进。