基于高斯混合模型的纹理图像分割

纹理图像分割是图像处理的一个基本问题。由于基于高斯混合模型的纹理图像分割方法．大多采用单像素的方法，因此分割精度和效率都较低。为了更好地进行纹理图像分割，在子空间思想的基础上，提出了一个基于图像块的分割算法及其改进算法，即先取图像块的均值、标准差、最大值、最小值以及中间像素的像素值等5个特征作为纹理特征，再利用高斯混合模型进行纹理图像分割，实验结果表明，该新算法的分割精度和分割效率较原分割算法都有较大提高。     

基于K均值聚类分割彩色图像算法的改进

基于人类视觉将图像分割成若干个有意义的区域是目标检测和模式识别的基础.应用K均值聚类算法对图像进行分析,分析了图像的空间、色彩以及纹理特征对聚类效果的影响,针对K均值算法的存在的过分割问题提出了一种修正方法,先基于空间、颜色和纹理特征分割图像,再基于色彩及纹理特征进行合并,解决了K均值聚类产生的过分割问题,并在区域合并时引入修正函数,抑制了图像中因场景明暗变化而产生的斑点.实验结果表明提出的聚类算法对图像分割效果有明显提高.     

纹理图像的多尺度分割

纹理图像分割最常用的方法就是基于特征的纹理分割,即首先提取出图像的纹理特征,在利用提取出的纹理特征来进行特征划分.通过对纹理特征进行划分来实现纹理图像分割的过程所面对的主要困难可以概括为:效率和效果.纹理图像分割算法大多具有较高的时间复杂度,这一方面是因为纹理特征提取比较费时,另一方面较高的特征维数导致特征划分过程的计算量通常比较大.本文提出基于图像四叉树的多尺度分割算法来实现实时图像的粗分割,实验表明此算法可以在保持分割精度的前提下大大降低时间复杂度.     

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。     

图像分割的商空间粒度原理

从商空间粒度理论角度分析图像分割概念,研究已有的图像分割方法,提出图像分割的商空间粒度原理．用商空间的三元组（X,f,Г）-（[X],[f],[Г]）来描述图像分割过程,阐述基于商空间粒度计算理论的图像分割原理及基于粒度分层、合成及其综合技术下图像分割的方法,并提出了基于粒度合成原理的复杂纹理图像的分割算法．该算法通过分别提取多纹理图像中纹理区域的方向性及粗细度特征,形成图像的不同粒度,然后根据粒度合成原则,对所形成的粒度进行合成,从而实现对纹理图像的分割,实验表明该算法对复杂纹理图像分割是有效的．     

分割彩色纹理图像的多通道统计地形特征方法

纹理分析是计算机视觉与模式识别领域的一个重点和难点问题.本文提出一种分割彩色纹理图像的多通道统计地形特征方法.该算法将彩色图像映射至HSI色彩空间,并通过等角映射方法转化为若干幅伪灰度图像.将待分纹理区域构造成三维空间中的地形,用一系列可变水平面簇切割该地形曲面后,通过多类统计量提取切割所得两类实体的几何信息用以描述纹理,并使用基于Mahalanobis距离的监督似然估计方法分割给定的纹理图像区域.通过VisTex纹理测试集、合成纹理图像以及卫星地面遥感图像的分割对比实验,证实本文方法具备良好的性能.     

融合多特征的纹理图像分割算法

针对传统的只用纹理的一种特征进行纹图像分割时的分割错误率较高的问题,提出了一种融合多特征的纹理图像分割算法.该方法综合考虑纹理的空间特征和频域特征,其中,空间特征提取在支持向量数据域描述的基础上进行;频域特征提取则利用改进的小波框架反映不同尺度间的特征;在此基础上,利用k均值算法对融合后的纹理特征进行聚类从而完成纹理图像的分割.实验结果表明与传统的只利用纹理的一种特征进行分割相比,该方法的错误率明显降低,同时在边缘准确性和区域一致性上都得到了明显的改善     

基于形态开闭滤波二值标记和纹理特征合并的分水岭算法

为了防止分水岭算法过分割问题 ,研究了一种基于形态处理和纹理分析的图象分水岭分割方法 ,该方法是在分水岭算法的基础上 ,首先对形态梯度图象运用形态开闭滤波器组的方法来获得较好的参考图象 ,然后将提取的二值化初始分割结果作为区域标记来进行分割 .另外 ,为了获得整体目标 ,还定义了一个基于纹理特征的一致性和对比度的检验准则 ,并将其作为区域合并的根据 .该方法应用于多个视频序列初始目标分割的结果表明 ,形态滤波器组的引入很好地防止了过分割 ,并证明基于纹理特征均匀性和对比度的准则对分割区域进行进一步的纹理合并是行之有效的 .     

基于图像纹理和小波变换的聚类分割方法

针对纹理图像,本文提出了一种基于图像纹理特征的非学习分割方法。采用小波变换和快速k-means聚类分割算法,减少了整个处理过程的运算量。为了保证分类算法的精确性,运用了总体流量变化最小（Total Variation Flow）[1]非线性去噪方法对图像进行预处理,从而将减小图像噪声污染带来的分割误差。在图像特征的提取上,运用Gabor滤波器原理生成滤波空间,并让图像通过滤波空间而生成特征向量空间。通过制定一个快速寻优策略,从而达到分割图像的目的。     

基于多特征的EM算法在昆虫图像分割中的应用

提出了一种基于多特征的EM(Expectation-maximizarion)聚类的昆虫图像分割方法.与一般的EM算法不同,这种方法首先选用适当的彩色空间对图像中的每个像素抽取颜色、纹理及空间位置等综合特征,形成基于像素的8维综合特征空间,然后采用高斯混合模型,通过EM算法估计高斯混合模型参数,利用图像像素点特征的相似度在特征空间中得到初步的区域分割,最后利用连接原理对图像区域进一步分割.实验结果表明, 算法能较好地分割昆虫图像.     

一种基于空间特征矢量的图像分割方法

针对灰度图像,提出了一种基于空间特征矢量的图像分割方法,构建了以像素的灰度、梯度、像素r的邻域均值为特征的三维特征空间,并将图像像素点对应空间特征点。通过计算像素特征矢量与阈值特征矢量的矢量差,求出矢量差与阈值特征矢量的夹角,然后比较夹角与动态分割参数的关系,判定像素所在区域(目标或背景)。实验表明,该方法可以较快速地实现图像分割,分割的效果也比较好。     

使用模糊竞争Hopfield网络进行图像分割

针对传统自组织竞争学习方法的不足,将模糊竞争学习引入竞争Hopfield网络中,由此设计了一个用于图像分割的模糊竞争Hopfield网络,通过将图像空间映射到灰度特征空间,实现灰度特征集的模糊聚类,进而实现图像分割.实验结果表明:对于二值分割,与Ostu方法相比,此算法在分割效果和对噪声的自适应能力方面具有明显的优点.对于多类分割,此算法比目前的FCM(fuzzy C mean)算法的处理速度要快.     

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。     

基于特征距离的阈值法及其在眼科图象分割中的应用

医学图象的识别与分析能够为临床提供定量比的诊断依据,而图象分割是其中最关键的一步。为提高医学图象侵分割效果,提出了一种基于特征距离的阈值分割算法,并将其与颜色特征分类相结合,来对眼科裂隙灯生物显微镜图象上的角膜充血区进行分割,分割结果可用于角膜充血区的定量体分析,另外,该算法中的样本典型值是通过一种三维直方图分块算法来确定的,实验结果表明,该算法可以有效地分割出角膜充血,其分割效果优于欧氏距离阈值法,且分析数据的精度能够达到临床诊断的要求。     

A region dissimilarity relation that combines feature-space and spatial information for color image segmentation.

This paper proposes a methodology that incorporates principles from cluster analysis and graph representation to achieve efficient image segmentation results. More specifically, a feature-based, inter-region dissimilarity relation is considered here in order to determine the dissimilarity matrix in a graph-based segmentation scheme. The calculation of the dissimilarity function between adjacent elementary image regions is based on the proximity of each region's feature vector to the main clusters that are formed by the image samples in the feature space. In contrast to typical segmentation approaches of the literature, the global feature space information is included in the spatial graph representation that was derived from the initial Watershed partitioning. A region grouping process is applied next to form the final segmentation results. The proposed approach was also compared to approaches that use feature-based, or spatial information exclusively, to indicate its effectiveness.     

基于混合聚类算法的图像分割

本文将像素空间中的图像分割问题转化为特征空间中的数据聚类问题处理，并设计了一种基于遗传算法和模糊c均值算法的混合聚类算法，实现图像分割。实验表明，使用该算法能取得较好的图像分割效果。     

基于图像多尺度运动特征的模糊分割算法

从运动分析的角度出发,对所研究的图像序列,提出了一种基于空域－时域连续小波变换（CWT）的模糊分割算法。运用可分离的小波函数作为滤波器来提取不同尺度上的运动参数,由不尺度上的运动特征参数构成特征参数集,然后运用快速模糊聚类算法实现基于运动特征的图象分割。该分割算法不仅对噪声具有较强的适应性,而且也极大地提高了图像分割的速度,同时使得分割结果能够更加准确地反映运动物体的特征。