一种基于多维彩色向量空间的（火焰）图像模糊聚类分割算法

针对火灾探测过程中早期火焰的分割技术研究,文章提出了一种基于多维彩色向量空间的火焰图像模糊聚类分割算法,该算法以运动目标序列图像之间变化的区域作为聚类模板,提取该聚类模板的RGB多维彩色特征向量,然后将图像的像素与聚类模板通过模糊聚类的方式进行分割。这种分割算法计算简单,时间开销较小,可以较好的获取火焰图像的边缘形态特征,并且能够明显消除不同光线下分割误差,实现快速无监督自动分割。     

基于分水岭和改进的模糊聚类图像分割*

针对模糊C-均值聚类算法需预先给出初始聚类中心、未考虑邻城信息、计算复杂度高等缺点,提出了一种基于分水岭和改进的模糊聚类图像分割方法.该方法首先利用分水岭分割方法对原图像进行预分割,然后利用粒子群的全局寻优能力从预分割的小区域中搜索出较为准确的初始聚类中心;最后,在对小区域进行模糊聚类时,建立了包含邻域信息的聚类目标函...     

基于半监督的超像素谱聚类彩色图像分割算法

近年来谱聚类算法被广泛应用于图像分割领域,而相似性矩阵的构造是谱聚类算法的关键步骤。 针对传统谱聚类算法计算复杂度高难以应用到大规模图像分割处理的问题,提出了基于半监督的超像素谱聚类彩色图像分割算法。该算法利用超像素将彩色图像进行预分割,利用用户提供的少量标记信息构造预分割区域的基于半监督的模糊相似性测度,利用该相似性测度构造预分隔区域的相似性矩阵并通过规范切图谱划分准则对预分割区域进行划分得到最终的图像分割结果。由于少量标记信息和模糊理论的引入,提高了传统谱聚类的分割性能,对比实验也表明该算法在分割效果和计算复杂度上都有较大的改善。     

基于多维彩色向量空间的火焰图像模糊聚类分割算法

针对火灾探测过程中早期火焰的分割技术研究,提出了一种基于多维彩色向量空间的火焰图像模糊聚类分割算法,该算法以运动目标序列图像之间变化的区域作为聚类模板,提取该聚类模板的RGB多维彩色特征向量,然后将图像的像素与聚类模板通过模糊聚类的方式进行分割。这种分割算法计算简单,时间开销较小,可以较好地获取火焰图像的边缘形态特征,并且能够明显消除不同光线下分割误差,实现快速无监督自动分割。     

胸部多模MRI图像的结构补偿配准方法

针对胸部多模磁共振(MRI)图像间结构失配问题,提出一种基于结构补偿的配准方法.首先基于相似变换约束进行浮动图像与参考图像的预配准;然后结合图像分割和形态学处理方法对预配准图像进行结构补偿,构造与参考图像组织结构一致的浮动模板;再将浮动模板与参考图像非刚性配准,提取配准变形场;最后将变形场应用于预配准图像,得到配准结果.以失配组织的Jaccard因子作为评价标准,采用模体图像和临床图像对提出的方法进行验证.结果表明在结构失配的胸部多模MRI图像中,本文方法比传统互信息法具有更好的配准性能.     

基于形状模板匹配的图像拼接算法

文章提出了一种基于形状模板匹配的图像自动拼接方法。提取图像的角点作为特征点,利用归一化梯度模板对其进行预匹配,然后利用形状模板在四个方向对模板内图像的边缘点与模板边界的最短距离进行统计,获取模板图像的结构特征向量以实现对特征点的精确匹配。实验结果表明该算法具有较好的实用价值。     

图谱法脑部MRI图像自动分割技术发展及应用

脑部MRI图像自动分割是计算机技术运用于医学上的一个典 型工作,脑部图像分割技术对于人类研究脑部疾病具有重要意义。虽然有一些非常广泛应用 的图像分割方法,如阈值法、区域增长法、聚类法等,但在脑部MRI图像分割中,这些方法 都 没有图谱法具有更为实际的医学研究与临床价值。本文回顾了脑部图像配准、分割的发展历 程,介绍了图谱分割算法的发展及基本原理,以及当前比较前沿的多图谱分割系统的组成和 应用。最后本文对图谱法脑部自动分割在实际临床医学中的应用前景作了总结和展望。     

基于自组织动态神经网络的图像分割

图像分割是图像处理和模式识别的重要课题,而图像特征空间聚类是图像分割的一种重要方法,认为图像的特征是图像中待分割物体表面所特有而且恒定的特征,并将图像的特征映射到某种几何空间,称为特征空间,并且假定图像中不同的待分割物体在该特征空间中呈现为不同的聚集,提出了自组织动态网络(SODNN)聚类算法,并且利用该算法对图像特征空间聚类.该算法实现了神经网络结构的快速生长和动态调节,具有自动适应数据内在分布特征和聚类结果更为准确稳定的特点.利用SODNN算法对图像颜色空间进行聚类的同时综合了图像的位置信息来实现图像分割.实验表明分割结果与人工分割结果具有较好的一致性.     

结合Hough变换与测地线轮廓模型的MR图像左心室自动分割

通过对MR图像左心室分割中各种主流方法的分析,提出一种自动分割MR图像左心室内外轮廓的算法.利用短轴图像上左心室心肌内外轮廓近似圆形的先验形状知识,先用Hough变换自动定位左心室的初始轮廓,然后在测地线轮廓模型基础上,结合K均值聚类提供的区域信息及心肌的生理结构约束对左心室的内外轮廓同时进行自动分割.实验结果表明,该算法能够有效地分割左心室内外轮廓.     

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。     

一种中风病人脑出血CT图像序列的自动分割方法

运用计算机技术辅助诊断脑中风出血病人对于精确计算出血量、及时挽救生命有着重要的意义。有时由于出血点小、边缘模糊,给 图像的分割造成一定的困难。根据图像的特征,该文运用基于Gustafson-Kessel模糊C均值聚类(FCM)两步分割算法较为准确地对出血区域 及水肿带进行了分割,同时,在分割开始时运用了TT图谱配准,从而减少了分割影响因素,提高了分割的有效性。     

不同形状邻域空间信息的模糊聚类图像分割

在经典的融合空间信息的模糊聚类图像分割方法中,图像像素的空间信息大,都采用正方形的邻域窗来获取。为了更好地分割出图像中的边界及细节信息,对不同形状邻域空间信息的模糊聚类图像分割进行了研究。在该方法中,首先采用圆形、三角形和菱形邻域窗获得图像像素的空间信息,然后分别将这三种空间信息引入到融合空间信息的模糊聚类图像分割中。Berkeley图像上的分割实验表明分别采用圆形、三角形和菱形邻域窗获得图像像素空间信息的模糊聚类图像分割方法在分割性能上要优于融合正方形邻域窗空间信息的方法。     

结合FCMS与变分水平集的图像分割模型

提出了一个结合融合空间约束的模糊C均值（Fuzzy C means with spatial constraints,FCMS）聚类与变分水平集的图像模糊聚类分割模型.在该模型中引入了一个基于图像局部信息和空间信息的外部模糊聚类能量,从而可以获取精确的局部图像的空间特征,使得本文模型对噪声图像的聚类分割具有较强的鲁棒性.采用不同类型的实验图像,将本文模型与10个不同类型的图像分割模型进行了对比实验,实验结果显示本文模型能克服图像中噪声影响并取得较满意的聚类分割结果.     

模糊互信息及其在图像分割中的应用

针对基于互信息的图像分割方法对噪声干扰或光照不均匀的图像不能获得满意分割效果的不足,该文提出模糊化互信息的图像分割新方法。该方法将现有互信息进行模糊修改,得到了模糊互信息,在图像分割中给出模糊隶属度函数的定义方法,获得了模糊互信息参数的选取办法。实验结果表明了该模糊互信息图像分割方法的有效性。     

基于模糊Gibbs随机场聚类二维直方图的核磁共振图像分割

针对人脑组织结构的不确定性和模糊性,提出模糊Gibbs随机场聚类与二维直方图相结合的分割方法。该方法首先利用均值、方差及邻域属性对隶属度函数进行定义,并建立模糊Gibbs随机场;然后以模糊Gibbs随机场作为先验知识、最大后验概率为判别准则来确定每一个像素的类归属以及它属于该类的隶属度,同时用模糊类的质心来更新类中心;最后将类中心引入二维直方图方法中,找到每个类之间的各个阈值点对图像进行分割。通过实验表明该算法能够准确分割出各种脑组织,对噪声的鲁棒性、结果的准确性及平滑性相对于模糊C均值(FCM)算法都有了很大的提高。     

自适应非局部空间约束与K-L信息的模糊C-均值噪声图像分割算法

针对传统模糊C-均值聚类(FCM)算法对噪声鲁棒性差的问题, 提出一种自适应非局部空间约束与K-L信息 的模糊C-均值噪声图像分割算法. 首先, 通过定义平滑度, 设计自适应匹配函数, 实现非局部空间信息项搜索窗口和 邻域窗口的自适应计算, 克服非局部空间信息窗口大小固定的问题. 其次, 将K-L信息引入目标函数, 利用隐马尔可 夫模型计算图像像素的上下文信息, 减少分割的模糊性. 最后, 利用原始图像和非局部空间信息项局部方差的绝对 差和其倒数自适应约束原始图像和非局部空间信息项, 实现约束项参数的自适应选择, 提高算法的灵活性. 含噪合 成图像和彩色图像分割实验表明, 该算法在分割精准度、平均交互比、归一化互信息、模糊分割系数和模糊划分熵 等性能方面均优于其他几种FCM算法. 例如, 在混合噪声密度为15%的条件下, 算法的模糊分割系数和模糊划分熵 分别达到99.92%和0.14%.     

基于视觉传达的多维彩色图像模糊区域特征识别方法

为了提高多维彩色图像的检测识别能力,提出一种基于视觉传达的多维彩色图像模糊区域特征识别方法。构建多维彩色图像模糊区域特征匹配模型,采用模板匹配方法进行多维彩色图像的多尺度结构二值模式分割处理,对分割后的彩色图像利用视觉传达方法进行模糊区域特征提取,获得适应于图像识别表达的像素特征集,采用零均值化的图像滤波方法进行多维彩色图像降噪处理,提高多维彩色图像模糊区域特征检测和识别能力,结合图像的旋转不变性和灰度不变性,实现多维彩色图像模糊区域特征识别。仿真结果表明,采用该方法进行多维彩色图像模糊区域特征识别的准确性较高,特征匹配能力较强。     

基于模糊技术的彩色图像分割方法

由于彩色图像提供了比灰度图像更为丰富的信息,因此彩色图像处理正受到人们越来越多的关注。彩色图像分割是彩色图像处理的重要问题,目前对彩色图像的分割已提出了许多种算法,在这些算法中由于模糊技术能很好地表达和处理不确定性问题,因此在彩色图像分割领域会有更广阔的应用前景。本文主要介绍了基于模糊技术的模糊阈值分割法、模糊聚类分割法和模糊连接度分割法。     

Full anatomical labeling of magnetic resonance images of human brain by registration with multiple atlases

The problem of automatic segmentation of magnetic resonance (MR) images of human brain into anatomical structures is considered. Currently, the most popular segmentation algorithms are based on the registration (matching) of the input image with (to) an atlas—an image for which an expert labeling is known. Segmentation on the basis of registration with multiple atlases allows one to better take into account anatomical variability and thereby to compensate, to some extent, for the errors of matching to each individual atlas. In this work, a more efficient (in speed and memory) implementation is proposed of one of the best multiatlas label fusion algorithms in order to obtain a labeling of the input image. The algorithm is applied to the problem of segmentation of brain MR images into 43 anatomical regions with the use of the publicly available IBSR database, in contrast to the original work, where the authors provide test results for the problem of extraction of a single anatomical structure, the hippocampus.     

快速鲁棒核空间模糊聚类分割

目的 传统模糊C-均值聚类应用于图像分割仅考虑像素本身的聚类问题,无法克服噪声干扰对图像分割结果的影响,不利于受到噪声干扰的工业图像、医学影像和高分遥感影像等进行目标提取、识别和解译。嵌入像素空间邻域信息或局部信息的鲁棒模糊C-均值聚类分割算法是近年来图像分割理论研究中的热点课题。为此,针对现有的鲁棒核空间模糊聚类算法非常耗时且抑制噪声能力弱、不适合强噪声干扰下大幅面图像快速分割等问题,提出一种快速鲁棒核空间模糊聚类分割算法。方法 利用待分割图像中像素邻域的灰度信息和空间位置等信息构建线性加权滤波图像,对其进行鲁棒核空间模糊聚类。为了进一步提高算法实时性,引入当前聚类像素与其邻域像素均值所对应的2维直方图信息,构造一种基于2维直方图的鲁棒核空间模糊聚类快速分割最优化数学模型,采用拉格朗日乘子法获得图像分割的像素聚类迭代表达式。结果 对大幅面图像添加一定强度的高斯、椒盐以及混合噪声,以及未加噪标准图像的分割测试结果表明,本文算法比基于邻域空间约束的核模糊C-均值聚类等算法的峰值信噪比至少提高1.5 dB,误分率降低约5%,聚类性能评价的划分系数提高约10%,运行速度比核模糊C-均值聚类和基于邻域空间约束的鲁棒核模糊C-均值聚类算法至少提高30%,与1维直方图核空间模糊C-均值聚类算法具有相当的时间开销,所得分割结果具有较好的主观视觉效果。结论 通过理论分析和实验验证,本文算法相比现有空间邻域信息约束的鲁棒核空间模糊聚类等算法具有更强的抗噪鲁棒性、更优的分割性能和实时性,对大幅面遥感、医学等影像快速解译具有积极的促进作用,能更好地满足实时性要求较高场合的图像分割需要。