一种融合颜色和空间信息的彩色图像分割算法

提出了一种基于图像颜色和空间信息的彩色图像分割算法.该算法首先根据所提出的颜色粗糙度概念对图像进行颜色量化,并在此基础上使用增量式的区域生长算法发现颜色相近的像素之间的空间连通性,形成图像的初始分割区域.然后,根据融合了颜色和空间信息的区域距离,对初始分割区域进行分级合并,直到系统满足了所提出的停止区域合并的准则.最后,利用形态学的有关算法对分割区域的边缘进行平滑.实验证明,算法的分割结果与人的主观视觉感知具有良好的一致性.  

多颜色空间上的交互式图像分割

介绍了视觉颜色空间及其在交互式图像分割中的作用，实验分析了它的奇异性，在此基础上，考虑像素的空间和色彩分布，提出了基于区域生长法的多颜色空间、多度量准则的聚类算法和零碎区域的合并算法，颜色空间选取HSL和RGB两种，相似性度量包括了种子点、扩张点和生长区域三个方面，并用于敦煌壁画图像的分割。  

自适应区域生长算法在医学图像分割中的应用

提出一种通过计算种子点附近邻域统计信息，自适应改变生长标准参数用于医学图像分割的算法．在切片图像预处理过程中，考虑到体数据相邻切片之间高度的相关性，在相邻层之间采取高斯核滤波去除噪声，并通过各向异性滤波算法对该层切片进行滤波．实验结果表明，该算法可有效地提取出图像区域，具有较好的鲁棒性．  

基于多阈值融合的图像分割

提出了一种基于知识的多阈值融合图像分割新方法．首先利用一组多阈值分割结果建立连通域生长树．然后判断树叉对应的连通域合并是否合理，为此提出了连通体元、体元生命期、体元体积等概念，结合灰度均匀性定义出通用合并准则．最后将图像各位置的最佳连通域组合为最终图像分割结果．该算法充分利用了目标的灰度和空间属性，对灰度平稳和渐近变化的多目标图像分割非常有效．此外，该算法可以有效融合具体应用的先验知识，具有很高的智能性。  

图像分割算法研究综述

图像分割是图像处理中的一个经典难题,也是图像处理和计算机视觉领域中的基本技术。目前,广大研究者在图像分割领域里已提出了上百种分割方法,每种分割方法只局限特定的分割对象,至今没有一种通用的方法。本文综述了近年在图像分割技术上出现的常用图像分割算法以及它们的优缺点,展望了图像分割的前景和面临的挑战。  

CT图像分割几种算法

图像分割在许多图像分析和图像识别过程中都是必需的步骤。目前,借助图像分割技术来进行医学影像处理正成为当今医学界的一个发展方向。本文正是在这一背景下对医学影像处理中的几种分割算法进行了研究,主要包括FastMarching分割算法、LiveWire分割算法、区域增长分割算法和阈值分割算法;同时,结合脑部CT片进行了实验研究,为这些算法在医学影像处理上的应用提供了一定的科学依据。  

结合纹理信息的图像分割方法及其应用

文章提出了一种结合纹理信息的图像分割方法，设计并实现了一种基于子区域的区域增长算法，该方法较有效地利用了欲分割对象区域的灰度以及纹理信息．该方法应用于医学图像的分割问题，得到了较好的效果．实验表明，该方法针对一类图像能够获得较好的结果.  

基于颜色和纹理特征提取彩色图像的有意义区域

针对猪肉眼肌彩色图像中眼肌区域的提取，提出一种基于颜色和纹理特征的彩色图像分割方法，实现了眼肌区域的自动分割。该研究在RGB彩色空间下进行，改进以往区域生长算法中种子点的选取方法，实现了基于彩色图像的区域生长算法，并比较以灰度为特征，以颜色为特征和以颜色与纹理相结合为特征进行区域生长的分割效果。研究结果表明，基于R、G、B和纹理特征的改进区域生长算法具．有较好的分割效果。  

一种基于数据融合的医学图像分割方法

针对一类纹理特征明显的医学图像，提出了一种融合纹理信息和灰度信息的图像分割方法，设计了基于金字塔结构的区域增长分割算法，该方法在区域内部结合使用纹理信息和灰度信息，在区域边缘部分则充分利用灰度信息，计算结果表明，该方法对某一类医学图像能够获得较好的分割效果。  

自动分割视频序列中运动物体的新算法：多特征联合方法

视频编码标准MPEG-4增加了适于多种应用的基于视频内容的功能,为了支持这一功能和提高编码效率,MPEG-4将视频序列中的每一帧分解成视频对象面(VOP);另外,由于基于内容的视频检索和视频监控系统均期望用分割出的关键视频对象紧致地表示一个序列,同时由于视频分割技术在模式识别、计算机视觉等领域也得到了广泛的应用,因此,分割视频运动物体并跟踪运动物体的变化变得至关重要.为了对视频中运动物体进行有效的分割,在帧差图象的基础上,采用Canny边缘检测和随机信号的高阶矩检测相结合的方法,来自动分割视频序列的前景区域和背景区域,并在前景区域中应用区域生长法进行颜色分割,以精确提取运动物体的边缘;还利用边缘和颜色特征来对分割出的运动物体建立模板,用于解决非刚体运动中局部暂时停止运动的情况.实验结果表明,此方法可以有效地分割运动物体,并能跟踪运动物体的变化.