首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到17条相似文献,搜索用时 46 毫秒
1.
提出了一种将FFCM算法与分水岭算法相结合的图像分割方法。针对均值聚类算法没有考虑图像空间信息的欠缺,本文将分水岭分割方法与均值聚类法相结合。由于分水岭分割后的图像灰度分布较为集中,故采用了快速模糊C均值聚类,并根据实验过程中得出的数据,分析了FFCM与FCM计算量的差别。最后将本文所采用的算法编程实现,得出了较为满意的分割结果。  相似文献   

2.
图像分割是图像分析和模式识别需要解决的首要问题和基本问题,也是图像处理的经典难题。分水岭变换则是一种适用于图像分割的强有力的形态学工具,然而其不足之处在于它的过分割结果。提出一种基于ISODATA聚类和标记分水岭的分割方案,该方案首先通过中值滤波来消除部分噪声;然后用ISODATA方法进行聚类,获得更明显的特征差异;接着采用Sobel算子进行梯度重建,得到具有边缘信息的简化图像;在此基础上再进行基于标记的分水岭变换。实验结果表明,该方法分割精度达到80%以上,能够较好地抑制过分割。  相似文献   

3.
一种改进的标记分水岭遥感图像分割方法   总被引:1,自引:0,他引:1  
图像分割是图像分析和模式识别需要解决的首要问题和基本问题,也是图像处理的经典难题。分水岭变换则是一种适用于图像分割的强有力的形态学工具,然而其不足之处在于它的过分割结果。提出一种基于ISODATA聚类和标记分水岭的分割方案,该方案首先通过中值滤波来消除部分噪声;然后用ISODATA方法进行聚类,获得更明显的特征差异;接着采用Sobel算子进行梯度重建,得到具有边缘信息的简化图像;在此基础上再进行基于标记的分水岭变换。实验结果表明,该方法分割精度达到80%以上,能够较好地抑制过分割。  相似文献   

4.
为了提高算法在含有一定噪声的图片中的分割功能,将一种隶属度函数计算方法加入到一种空间模式聚类算法当中,使原本已经充分挖掘图像空间信息的聚类算法,在含有一定噪声的图片上得到较好的分割效果。实验证明,修改后的算法提高了抗噪性能。  相似文献   

5.
在白细胞图像中,由于白细胞细胞核的存在,直接应用分水岭算法时,往往达不到较好的效果。本文提出一种结合EM聚类的改进分水岭算法。通过将EM聚类获得的图像中细胞核区域替换,然后使用基于距离变换的分水岭分割,确定白细胞区域。对距离变换后的图像采用形态学处理减少了细胞分割中的过分割现象。同时使用细胞核位置的先验条件,合并分水岭分割区域,进一步减小过分割的影响。本文方法提供一种新的将分水岭算法应用于白细胞分割的思路。同时实验证明,方法在分割精度上有着良好的表现。  相似文献   

6.
基于分水岭算法的图像分割方法研究   总被引:4,自引:1,他引:3  
图像分割是图像处理中的一项关键技术,在图像工程中占据着重要的位置.随着信息技术的快速发展,它在地质、环保、气象、医疗等领域有着广泛的应用.常见的分割算法包括阈值分割方法、边缘榆测方法、区域提取方法和结合特定理论工具分割方法.利用了分水岭算法的原理及特点,针对算法所产生的图像过分割问胚,采用形态学处理函数,以典型的pears图像为例.用MATLAB 7.0图像处理软件,进行厂仿真研究.结果表明,利用分水岭算法和形态学处理函数,使得图像中相连的多个对象被分割成多个单对象,实现了图像的有效分割,并尽可能地减少或消除了过分割现象.  相似文献   

7.
基于分水岭变换和FCM的图像分割   总被引:2,自引:0,他引:2       下载免费PDF全文
针对分水岭变换算法对噪声敏感和易于产生过分割的问题,提出了一种基于分水岭变换和模糊C均值聚类(FCM)的图像分割算法。该算法不仅解决了分水岭变换算法的过分割问题,而且同时解决了FCM算法初始值难以确定的不足。实验结果显示,该算法可以快速准确地分割出目标,是一种有效的方法。  相似文献   

8.
基于改进的自适应分水岭图像分割方法研究   总被引:7,自引:0,他引:7  
研究图像分割中由于对噪声的抑制能力弱以及对大多数图像易产生过分割现象,从而导致图像分割过程中局部分割线产生偏移现象,进而使得图像分割变得困难.为解决上述问题,提出了改进的自适应分水岭图像分割方法.首先,对输入的图像进行自适应降噪滤波,以减弱因噪声干扰导致的区域极小值;然后,运用形态梯度算子对滤波去噪后的图像进行平滑处理,以减弱噪声对分水岭分割的影响;最后,对图像进行目标标记,用来屏蔽消除其它无用的极小值,仅允许标记过的极小值生长为分割区域并得到最终的分割线,达到最终分割出感兴趣物体的目的,仿真结果表明,与传统分水岭分割方法比较,缓解了分水岭算法过分割问题,增强分割算法的鲁棒性,优于一般的分水岭算法.  相似文献   

9.
使用分水岭方法对图像进行分割引起了人们的重视,但是在图像分割中,分水岭变换使用的是梯度图像,容易造成过度分割.因此首先对原始图像进行平滑,将平滑后的图像使用分水岭变换,同一标号的像素属于同一贮水盆地,而将距不同贮水盆地距离相等的像素标为分水岭点,这样就得到了图像的初始分割结果;最后应用灰度齐次性准则和边界强度准则进行区域的融合,从而解决了过度分割问题.实验结果表明,该方法得到了精确的、有意义的分割结果.  相似文献   

10.
使用分水岭方法对图像进行分割引起了人们的重视,但是在图像分割中,分水岭变换使用的是梯度图像,容易造成过度分割。因此首先对原始图像进行平滑,将平滑后的图像使用分水岭变换,同一标号的像素属于同一贮水盆地,而将距不同贮水盆地距离相等的像素标为分水岭点,这样就得到了图像的初始分割结果;最后应用灰度齐次性准则和边界强度准则进行区域的融合,从而解决了过度分割问题。实验结果表明,该方法得到了精确的、有意义的分割结果。  相似文献   

11.
基于直观分水岭定义的图像分割算法   总被引:1,自引:0,他引:1  
由Vincent与Soille提出的基于沉浸模拟的分水岭算法(以下简写为V-S算法)已经成为图像分割领域中最主要的数学形态学方法。虽然V-S算法被认为是目前最快的分水岭算法,但它仍然不能满足一些实时应用对分割速度的要求。为此,在V-S算法的基础上提出了一种新的图像分割算法。新算法采用了一种新的泛洪方法,它利用了二维图像中各像素点间的规则空间关系信息计算满足基本直观定义的分水岭。实验结果表明:新算法的执行速度大大快于V-S算法,而分割效果与V-S算法相当。对新算法、V-S算法和两个分水岭定义之间的关系也作了讨论。  相似文献   

12.
为了改善经典分水岭算法的过分割问题,该文将图像中的噪声视为过分割的直接因素,针对人脑核磁共振图像提出了一种基于预处理的改进算法。首先应用数学形态学的开闭运算对图像进行滤波,再求取其梯度,然后依据内外标记对梯度图像进行修正,最后在修正后的梯度图像上实施分水岭变换。实验结果表明,该方法和传统分水岭算法相比较,能有效地抑制过分割。  相似文献   

13.
基于改进分水岭算法的图像分割技术   总被引:1,自引:0,他引:1  
针对交通中的车辆图像提出了一种基于标记提取的改进分水岭算法.首先应用形态学的开闭运算重建滤波,然后对修改了标记符的梯度图像进行分水岭分割,最后将目标区域提取出来并进行合并.实验结果表明,这种方法可以达到较好的分割效果.  相似文献   

14.
针对分水岭分割算法的2个缺陷:耗时较长和过分割问题,该算法在低分辨率图像上进行分水岭分割,提高了分割的速度;由低分辨率图像返回到高分辨率图像时,采用了一种基于边缘信息的合并函数,避免了边缘信息的丢失,保证了分割的准确性。该文设计了一种基于梯度图像的噪声抑制方法,可抑制高斯噪声对梯度图像的影响,有效避免了过分割问题。实验结果证明,该算法兼顾了效率和分割的准确性。  相似文献   

15.
传统的分水岭算法直接对图像的梯度图进行分割,梯度算子由于受噪声或量化误差的影响而产生很多局部最小值,从而导致严重的过分割现象,如何消除其过分割现象一直以来都是研究的热点。本文介绍一种广义形态滤波器,使用两组适应不同形状要求的含有四个结构的结构元素来构成一个滤波器组,用于分水岭算法的预处理,在平滑原始图像的同时去除了易造成过分割的区域细节和噪声,有效地抑制了分水岭算法的过分割现象,然后使用分水岭算法,获得了较好的分割效果。  相似文献   

16.
基于偏微分方程和分水岭算法的图像分割   总被引:2,自引:0,他引:2  
提出一种基于偏微分方程构造、具有良好分水岭结构梯度幅值图像来改进分割性能的方法,首先,对原始图像进行边界检测,得到梯度幅值图像,利用1维梯度向量流偏微分方程对梯度幅值图像作用、扩散边界信息和去除噪音,使其具有良好的分水岭结构,然后检测梯度图像的局部最小值点,通过形态学膨胀运算自动合并相近的局部最小值点,使图像更有利于分水岭算法的分割,最后用分水岭算法分割处理后的图像,实验结果表明,该方法降低分水岭算法的过分割现象,为后续处理提供较为可靠的基础.  相似文献   

17.
基于自适应标记提取的分水岭彩图分割算法   总被引:3,自引:0,他引:3       下载免费PDF全文
针对分水岭算法过分割问题,提出一种基于自适应提取标记的改进算法。该算法结合极小值深度和汇水盆地尺度信息提取与物体相关的极小值标记,根据梯度图像中极值点的统计信息自适应设定标记提取的阈值。提取到的标记采用形态学极小值标定技术强制作为原始梯度图像的极小值,在修改过的梯度图像上进行分水岭分割。仿真结果表明,该算法能有效解决分水岭算法的过分割问题,具有更强的抗噪性能和边缘定位能力,且计算复杂度较小。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号