脑白质疏松症MR 图像的静脉提取方法

针对脑白质疏松症MR图像白质区域静脉信息复杂的特点,提出一种基于小波变换的多阈值脑白质疏松症MR图像的静脉提取方法．首先,利用形态学变换对图像中的细节信息进行增强处理;其次,利用小波变换的多分辨率特性对图像的灰度直方图进行多层小波分解,对不同层次的小波细节信息及逼近信息进行阈值处理并重构,提取出静脉的灰度特征;最后,利用多阈值分割方法将脑白质区域的静脉分割出来．实验结果表明,该方法能实现静脉信息的自动快速提取,并实现了静脉的量化分析,为医生对脑白质疏松症患者白质区域静脉扩张程度的诊断提供一个定量标准,具有临床辅助诊断价值．     

基于小波变换和形态学分水岭的血细胞图像分割

医学图像处理提取细胞中使用分水岭方法时,容易产生过分割现象且对噪声的干扰极为敏感,为了解决此缺点,提出一种基于小波变换和形态学分水岭的细胞图像分割新方法。首先采用小波变换多分辨率分析对图像进行分解,选取合适的小波基和改进去噪阈值函数对图像进行小波去噪,然后对去噪后小波重构的细胞图像应用数学形态学距离变换、灰度重建等技术产生的区域标记进行分水岭变换,最终得到分割结果。实验结果表明,该算法能稳定、准确地提取细胞和实现粘连细胞的自动分割,同时具有很好的鲁棒性和普适性。     

基于小波变换的自适应阈值三维图像分割

图像分割技术是由图像处理到图像分析的关键步骤，应用基本的分割技术很难得到精确的阈值。研究了三维图像分割技术，提出一种自适应阈值三维图像分割技术，先对三维图像分解成一系列二维图像，根据小波变换理论，分析不同分辨率下小波变换的特点，确定分割区域数和分解层次，再由低分辨率开始对每幅二维图像直方图进行小波变换，逐步到最高分辨率，并根据不同分辨率下小波变换结果，由粗到细地自动设定精确的阈值分割每幅二维图像，最后将多幅二维图像合成三维图像。实验表明了该方法的有效性，能够满足目标识别的要求。     

傅里叶谱和矩不变法结合的图像阈值分割

针对矩不变法图像分割算法中存在的问题,提出了一种基于傅里叶谱和矩不变法相结合的图像分割方法。首先依据矩不变原理计算待分割图像的累计灰度分布函数值获取初始阈值,然后对图像直方图进行傅里叶变换,并得到傅里叶谱系数,最后利用该系数和累计灰度分布函数值对初始阈值进行调整,由于傅里叶谱能很好地“匹配”矩不变法获取的阈值,从而能自动调整初始阈值,使分割效果达到最佳。分割实验结果表明,该方法不仅运算速度快,而且有较好的分割效果和普适性。     

基于小波变换的图像二维直方图分割方法

鉴于二维直方图阈值分割方法利用灰度的空间相关性取得高的分割效果和小波变换多尺度滤波思想,提出了一种基于小波变换的二维直方图分割结合方案;实验结果表明本文方法的有效性。     

基于优化算法与多尺度差分的图像分割方法

为了使图像分割算法能够满足实时性要求,针对Otsu法计算量大的问题,将类间方差进行连续域扩展,推导出速度较快的黄金分割法;应用灰度差分直方图进行分割,能够根据多尺度灰度差分直方图得到候选集,将搜索次数减少到候选集中元素个数,计算量小、速度快;结合两者可以实现图像的快速分割。仿真实验和实际应用表明,该方法不仅分割效率高,而且能够得到很好的分割效果。     

基于小波变换的图像二维直方图分割方法

鉴于二维直方图阈值分割方法利用灰度的空间相关性取得高的分割效果和小波变换多尺度滤波思想,提出了一种基于小波变换的二维直方图分割结合方案;实验结果表明本文方法的有效性。     

基于口腔图像的分割算法的研究

针对传统分割算法难以解决多目标分割等问题,提出了一种改进的一维Kapur熵多阈值分割算法.该算法依据Kapur熵阈值选择原理,应用图像灰度直方图信息,利用迭代合并和选择方法建立口腔图像中的阈值分割模型,解决了图像分割中阈值的自动获取问题和多阈值并行选择问题,实现了口腔图像中牙齿和病灶的分离.形状准则和一致性准则评价方法证明了该算法在抗噪声方面明显优于自适应阈值方法.获得的分割结果较好地保留了图像的灰度信息和边缘信息,为后续的图像分析和诊断工作提供了保证.     

基于口腔图像的分割算法的研究

针对传统分割算法难以解决多目标分割等问题，提出了一种改进的一维Kaput熵多闽值分割算法。该算法依据Kaput熵阈值选择原理，应用图像灰度直方图信息，利用迭代合并和选择方法建立口腔图像中的阈值分割模型，解决了图像分割中阂值的自动获取问题和多阈值并行选择问题，实现了口腔图像中牙齿和病灶的分离。形状准则和一致性准则评价方法证明了该算法在抗噪声方面明显优于自适应阈值方法。获得的分割结果较好地保留了图像的灰度信息和边缘信息，为后续的图像分析和诊断工作提供了保证。     

灰度-梯度共生矩阵模型的加权条件熵阈值法

基于二维灰度直方图的最大熵阈值法是依据“灰度-灰度均值”构成直方图的图像分割方法,该方法着重于图像的内部信息,忽略了边界区域的信息。应用图像的梯度信息建立“灰度-梯度共生矩阵”,构造图像的二维灰度直方图,结合最大条件熵法进行阈值选取。为了充分提取图像内部和边缘信息,提出了二维加权最大熵阈值法。结果表明,该方法一方面能够保留更多的图像边缘信息,另一方面能够根据实际需要调节权值大小,得到兼顾图像内部和边缘信息的分割结果。     

基于自适应定向正交投影分解的图象分割方法

将目标和背景分别对应到灰度直方图中的两个高斯分布是进行图象分割的一种常用方法 ,但复杂图象的直方图往往是多峰的 .为了更好地拟合这种复杂图象直方图的多峰特性 ,提出了一种基于自适应定向正交投影分解的图象分割方法 .该方法首先将这种复杂图象的直方图看作是多个高斯分布的叠加 ,并可通过应用自适应定向正交投影分解法来快速准确地确定每个高斯分布的权值、均值和方差 ,进而计算出各相邻高斯分布之间的最优阈值 ,以用于图象分割 .在此基础上 ,又提出了阈值分离度的概念 ,并将其作为选取最终阈值的指标 .应用实例结果表明 ,该方法能够快速有效地实现复杂图象的多阈值分割 .     

Fast iterative computation of Gaussian mixture parameters and optimal image segmentation

We present a fast and accurate parameter estimation method for image segmentation using the maximum-likelihood function. The segmentation is based on a parametric model in which the probability density function of the grey levels in the image is assumed to be a mixture of two Gaussian density functions. For more accurate parameter estimation and segmentation, the algorithm is formulated as a compact iterative scheme. In order to reduce the computation time and to make convergence fast, histogram information is combined into the algorithm. Estimates of the initial values are properly selected for fast convergence. In addition, we find the optimal threshold values for several different types of mixture density which have one, two or no intersections between two component densities. The performance of the algorithm is evaluated on a set of artificial and real images and compared with those of other algorithms as well.     

高斯混合模型改进的活动轮廓模型MRI分割

引入高斯混合模型逼近图像的直方图概率,利用遗传算法的全局优化特性求解高斯混合模型的参数,以提高参数精度;由此构造新的活动轮廓模型约束项.在新的约束项作用下,活动轮廓模型可以有效地减少噪声的影响,防止从弱边界泄漏.对左心室核磁共振图像的分割实验表明,该模型具有较好的分割效果.     

A comparison of nature inspired algorithms for multi-threshold image segmentation

In the field of image analysis, segmentation is one of the most important preprocessing steps. One way to achieve segmentation is by mean of threshold selection, where each pixel that belongs to a determined class is labeled according to the selected threshold, giving as a result pixel groups that share visual characteristics in the image. Several methods have been proposed in order to solve threshold selection problems; in this work, it is used the method based on the mixture of Gaussian functions to approximate the 1D histogram of a gray level image and whose parameters are calculated using three nature inspired algorithms (Particle Swarm Optimization, Artificial Bee Colony Optimization and Differential Evolution). Each Gaussian function approximates the histogram, representing a pixel class and therefore a threshold point. Experimental results are shown, comparing in quantitative and qualitative fashion as well as the main advantages and drawbacks of each algorithm, applied to multi-threshold problem.     

基于两阶段搜索自适应正交投影分解的图像分割方法

针对应用于图像分割的自适应正交投影分解方法的具体算法的实现问题,提出了一种基于两阶段搜索的实现算法。该算法首先通过粗略搜索得到图像直方图中高斯分量的均值和标准差的大致取值范围,再采用0.618法精确搜索来得到准确的均值;然后将直方图投影到若干合适尺度的基函数上来得到多个匹配值,再利用曲线拟合方法估计出分量的标准差和权值,进而计算出最优阈值,以用于图像分割。理论分析和实验结果表明,基于两阶段搜索自适应正交投影分解的图像分割算法不但计算开销少,而且对图像直方图的描述具有良好的性能,并可以获得较好的图像分割效果。     

基于自适应双阈值的地下目标自动检测算法

在使用探地雷达（GPR）生成的Bscan图像进行地下目标检测时，当前基于深度学习的目标检测网络模型存在训练样本需求量高、耗时长，不能区分目标显著程度，难以识别复杂目标等问题。针对以上问题，提出一种基于直方图的双阈值分割算法。首先，根据地下目标的GPR图像直方图分布特性，快速从直方图中计算出分割地下目标所需的两个阈值；然后，采用支持向量机（SVM）和LeNet的组合分类器模型对分割结果进行分类识别；最后，进行分类结果整合并统计精确度数值。相较于传统的最大类间方差法（Ostu）、迭代法等阈值分割算法，所提算法获得的地下目标分割结果结构更加完整，并且几乎不含噪声。在真实数据集上，所提算法的平均识别准确率达到了90%以上，比仅使用单一分类器的平均识别准确率提高40%以上。实验结果表明，所提算法能够同时有效分割显著和非显著性地下目标，且采用的组合分类器能够获得更好的分类结果，适用于小样本数据集的地下目标自动检测和识别。     

Seeking multi-thresholds for image segmentation with Learning Automata

This paper explores the use of the Learning Automata (LA) algorithm to compute threshold selection for image segmentation as it is a critical preprocessing step for image analysis, pattern recognition and computer vision. LA is a heuristic method which is able to solve complex optimization problems with interesting results in parameter estimation. Despite other techniques commonly seek through the parameter map, LA explores in the probability space providing appropriate convergence properties and robustness. The segmentation task is therefore considered as an optimization problem and the LA is used to generate the image multi-threshold separation. In this approach, one 1-D histogram of a given image is approximated through a Gaussian mixture model whose parameters are calculated using the LA algorithm. Each Gaussian function approximating the histogram represents a pixel class and therefore a threshold point. The method shows fast convergence avoiding the typical sensitivity to initial conditions such as the Expectation- Maximization (EM) algorithm or the complex time-consuming computations commonly found in gradient methods. Experimental results demonstrate the algorithm’s ability to perform automatic multi-threshold selection and show interesting advantages as it is compared to other algorithms solving the same task.     

自适应多阈值图像分割算法

本文提出了一种新的自适应多阈值图像分割算法.它首先利用势基函数对-维灰度直方图拟合,通过势函数聚类自动确定划分类数;然后在灰度共生矩阵的基础上,依据形状连通度准则,求得使形状连通度最大的一组分割阈值;最后按该组分割阈值执行多阈值图像分割.理论分析和实验结果都表明该算法较传统阈值分割算法优越,具有运算速度快、划分效果好、抗干扰性强的特点.     

基于最小错误率的SAR图象分割方法研究

文章提出了一种基于最小错误率的SAR图象自动分割算法。对直方图呈现出多模分布特征的SAR图象,首先运用有限高斯混合分布对SAR图象特征空间的数据统计模型进行估计;其次基于最小错误率原理选取SAR图象自动分割阈值,在先验概率未知和估计条件下,获得目标及其阴影区域的检测结果;最后对两种图象分割结果进行了分析并与SAR图象目标检测的经典方法-恒虚警(CFAR)目标检测方法作了比较。仿真结果表明在先验概率估计下的图象自动分割具有明显的优势和较大的应用潜力。     

A multi-threshold segmentation approach based on Artificial Bee Colony optimization

This paper explores the use of the Artificial Bee Colony (ABC) algorithm to compute threshold selection for image segmentation. ABC is an evolutionary algorithm inspired by the intelligent behavior of honey-bees which has been successfully employed to solve complex optimization problems. In this approach, an image 1-D histogram is approximated through a Gaussian mixture model whose parameters are calculated by the ABC algorithm. In the model, each Gaussian function represents a pixel class and therefore a threshold point. Unlike the Expectation-Maximization (EM) algorithm, the ABC method shows fast convergence and low sensitivity to initial conditions. Remarkably, it also improves complex time-consuming computations commonly required by gradient-based methods. Experimental results over multiple images with different range of complexity validate the efficiency of the proposed technique with regard to segmentation accuracy, speed, and robustness. The paper also includes an experimental comparison to the EM and to one gradient-based method which ultimately demonstrates a better performance from the proposed algorithm.