支持向量机与区域增长相结合的CT图像并行分割

针对经典区域增长算法中生长规则确定的困难和单纯使用支持向量机分割速度慢的问题,提出了一种支持向量机与区域增长相结合的图像并行分割方法。首先,从已知分割结果的图像中选取一定数量的目标区域与非目标区域样本点作为支持向量机分类器的训练样本并训练支持向量机,然后利用训练好的支持向量机自动寻找种子点并进行区域增长,在区域增长过程中使用支持向量机分类器作为增长规则,最后,针对边缘和噪声像素点进行必要的后处理。测试实验获得了较好的分割效果和较快的分割速度且能实现自动分割,表明所提出的方法是可行有效的。     

基于支持向量机的叶片图像分割

针对自然环境下的叶片图像分割,提出了一种基于支持向量机的叶片图像分割算法。该方法首先将图像少量像素点分别标记为叶片前景样本和叶片背景样本,然后根据样本数据建立支持向量机分类决策模型,最后根据预测模型对整个图像像素点进行分类,将叶片图像从背景中分割出来。实验结果表明,该方法能够对含有反光区域的叶片实现准确分割,相比基于聚类的叶片分割算法分割精度更好,算法耗费时间更短。     

基于粗糙集和支持向量机的图像分割技术研究

为了提高图像分割精度和实用性,利用粗糙集和支持向量机优点,提出一种基于粗糙集和支持向量机相融合的图像分割算法。首先利用粗糙集图像区域特征进行约简,以降低特征向量维数,然后采用支持向量机对这些特征进行学习,建立图像分割模型,从而实现图像的分割。实验结果证明,该方法不仅提高了图像分割精度,大大缩短了训练时间,而且分割效果要优于常规图像分割算法,能够很好满足图像处理的实时性要求,为进行图像分割提供了一个新的研究思路。     

基于蚁群智能和支持向量机的图像分割方法

针对传统阈值法在图像分割时仅考虑像素的灰度信息,对噪声敏感且不易确定全局最优阈值的缺点,提出了基于蚁群智能和支持向量机的图像分割方法.该方法利用蚁群优化算法对图像的二维阈值空间进行全局搜索,并将搜索到的最优点灰度-区域灰度均值对作为阈值来区分目标和背景,然后对支持向量机进行训练和测试,最后用训练好的支持向量机分割图像.实验结果表明,该方法抗噪能力强,分割准确,是一种实用有效的图像分割方法.     

基于运动信息与多尺度分水岭的视频目标分割

从视频序列中提取视频目标是基于内容编码中的一项关键技术。提出了将高阶统计运动检测和多尺度分水岭相结合的视频目标分割算法。该算法首先利用高阶统计运动检测算法检测出运动区域,通过后处理得到运动目标的初始模板。然后,用小波变换对视频图像进行多分辨率分解。在最低分辨率上应用分水岭算法分割得到具有精确边缘的分割区域,通过将区域融合后的区域逐步投影到高分辨率图像上并结合高分辨率图像上的分水岭算法逐步提取出具有精确边缘的区域。最后,将运动目标的初始模板和多尺度分水岭分割得到的区域结合起来提取出具有精确边缘的视频对象。实验结果表明该算法能有效地分割和提取出视频序列中的视频对象。     

结合支持向量机与C均值聚类的图像分割

针对支持向量机进行图像分割时需要用户设定训练样本问题,提出一种根据图像特征使用C均值聚类算法自动获取支持向量机训练样本的方法。首先将图像分成几个区域,对每个区域利用小波分解去掉含有图像边缘的区域,然后对剩余的平滑区域计算能量均值作为特征值,使用C均值聚类算法对平滑区域分类,将特征值与类别标记作为支持向量机的训练样本,最后用训练后的分类器对图像进行分割。实验结果表明提出的方法取得了很好的分割结果,同时用一幅有代表性的图像进行支持向量机训练,所产生的分类器可以应用于所有该类图像,因此可以很容易应用到体数据的分割中。     

自然图像中的感兴趣目标检测技术

基于显著图的目标检测方法不能精确地找到感兴趣目标的位置,或在同一感兴趣目标上检测出多个感兴趣区域。为此,提出一种视觉注意机制和模糊支持向量机(FSVM)相结合的算法。根据显著度和角点分布信息,从图像中获得包括单个目标的视觉窗口,并在窗口中采用FSVM算法分割目标和背景。实验结果表明,该方法符合生物的视觉注意机制,分割效果较好。     

基于排序支持向量机的多特征融合目标跟踪算法

针对计算机视觉领域的目标跟踪问题,提出一种基于排序支持向量机的多特征融合目标跟踪算法。利用排序支持向量机学习得到排序函数,提取2种不同的图像特征分别构造分类器,使2个排序支持向量机并行预测,分别计算2个分类器的错误率,从而得到分类器权重完成融合。实验结果表明,与目前主流的跟踪算法相比,该算法的跟踪结果更准确,在复杂视频环境下也能对目标进行稳定跟踪,具有较强的鲁棒性。     

基于模式分类的图像区域作伪检测

为了鉴别一幅数字图像是否存在作伪的区域,提出一种利用改进的图像特征进行区域作伪检测的算法.基于模式分类的思想,该方法把图像分割成适当大小的块,从图像块中提取特征数据,用SVM分类器训练数据并得到支持向量机模型,利用该模型检测嫌疑图片是否存在作伪.该算法从噪声相关性、残差噪声、图像质量、小波域等方面分析相机图片的特点,获取每种的统计特征,形成特征集.实验结果表明,该方法能有效地检测出图像的具体作伪区域.     

一种基于区域综合特征的图像检索方法

提出一种基于目标区域的图像检索方法,首先采用颜色聚类的分割方法将图像分割成不同的区域,提取每个区域的颜色、位置、形状等低层特征,然后提出一种相似度计算方法实现图像的相似性度量。为了提高图像检索的准确度,最后采用支持向量机（SVM）的相关反馈算法。实验结果表明,基于目标区域的图像检索效果比基于全局图像特征的检索效果有较好的改善。