结合分水岭与自动种子区域生长的彩色图像分割算法

为了对彩色图像进行有效分割,提出了一种将分水岭算法与自动种子区域生长相结合的分割算法。该算法首先利用基于边缘信赖度的各向异性扩散方程对图像进行平滑预处理,以便在去除图像噪声的同时,保持图像的边缘信息,从而有效解决了分水岭算法的过分割现象;然后在此基础上,设计了一种基于色调均值差的自动种子区域选取算法,即根据色调均值和饱和度均值的相似性来对分水岭算法分割形成的区域进行种子区域生长,并利用小图像区域消解算法对区域生长所遗留的小区域进行消解,减少了图像中小区域的数目,从而实现了对彩色图像的有效分割。实验结果表明,该算法简单、快速,且能得到较其他算法更好的分割效果。     

基于自适应区域生长的乳腺肿块分割方法

乳腺X图像中肿块特征的复杂多变,给肿块的分割带来了很大困难,区域生长为肿块分割提供了一种比较可靠的方法。传统的区域生长由于生长次数和准则比较单一,就会出现较多的过生长和欠生长,从而影响其分割精度和可靠性,针对这一问题,提出了一种利用自适应区域生长对乳腺肿块进行分割的方法。对肿块感兴趣区域进行背景去除和领域抑制得到预处理后的图像,利用预处理后图像各像素个数确定区域生长的种子点,再利用肿块图像的梯度分布及变化趋势确定自适应区域生长是否过边缘,从而确定最佳生长准则。实验结果表明,相对于三层地形分割算法及模型分割算法,自适应区域生长算法分割得更准确、可靠。     

三种图像分割算法的对比及图像分割方法的改进

通过研究图像分割算法的原理和实验对比,可以发现标记分水岭分割方法是以边缘特性为基础,通过设置光谱特征标记来分割图像,其分割结果边缘精度高,但是仍然存在较为严重的过分割和欠分割情况。而mean shift分割方法和eCognition分割方法是以光谱特征为分割依据的分割方法,虽然它们分割结果的过分割和欠分割情况较少,但是分割对象的边缘精度较差。分析以上存在的问题后,通过融合边缘特征和区域特征,并且依据一定的特征来选择种子点,尽量避免种子点选择在边缘区,从而实现提高图像分割的效果。通过实验取得了好的分割效果,说明改进的图像分割方法是可行的。     

一种基于区域生长的CT序列图像分割算法

提出一种基于区域生长的CT序列图像的分割算法。在第一张待分割目标区域中选取一个种子点,利用四领域的生长规则对种子点进行区域生长,得到一组点集,将这个点集投影到下一张CT图像中,得到一组新的点集,再提取该点集的轮廓,最后对该轮廓上的点进行四领域的区域生长,分割出最终的目标区域。实验结果表明,该分割算法不仅适用于简单的图像分割问题,而且对于背景复杂、光照不均匀的图像也能取得较好的分割效果。     

基于改进分水岭变换的遥感图像建筑物提取

遥感图像的分割是遥感信息提取与目标识别的基础和关键。以高分辨率城镇地区遥感图像为研究对象,提出一种基于全局阈值的多级分水岭算法,用于遥感图像的分割。该算法通过引入差异度函数,在执行传统分水岭算法的过程中对图像中存在的噪声区域进行修正,并通过使用全局阈值有效的控制欠分割问题。首先基于全局阈值的多级分水岭算法对高分辨率遥感图像进行初始分割,然后综合利用分割对象的颜色和形状特征信息,进行区域合并和梯度边缘提取,得到最终的建筑物提取结果。实验结果表明,所提出的基于全局阈值的多级分水岭算法较好地避免了过分割和欠分割现象,结合区域合并和梯度提取,能够快速准确地对城镇遥感图像中的建筑物进行提取。     

基于SLIC和区域生长的目标分割算法

传统区域生长算法的分割结果依赖于种子点的选取,且图像自身的噪声以及灰度值不均匀等问题易在分割目标过程中形成分割空洞,针对以上问题提出了基于超像素的改进区域生长算法。采用拉普拉斯锐化,增强待分割目标边界,之后根据像素灰度相似的特征采用SLIC（简单线性迭代聚类算法）超像素分割将原始图像分割成若干不规则区域,建立不规则区域间的无向加权图,选取种子区域,根据无向加权图以分割好的不规则区域为单位进行区域生长,最后在分割目标边缘处以像素为单位做区域生长,细化边界。对比于传统区域生长算法,改进后的算法在分割结果上受种子点选取影响较小,且能有效地解决分割空洞等问题。对比于聚类分割,Otsu（最大类间方差）阈值分割法等典型算法,该算法在分割精度上具有明显优势。     

基于MSP-ROA边缘检测和区域合并的图像组合分割方法

提出一种基于MSP-ROA边缘检测和区域合并的图像组合分割算法，算法中对边缘检测的结果做种子生长、标注和区域填充，并根据相似性准则对填充的初始分割结果进行相邻区域的合并处理，最终得到同质性和连通性都较好的图像分割结果。     

基于Graph Cut与区域生长的连续CT图像分割算法

Graph Cut方法用于医学图像分割具有精度高,分割准确等优点,但处理每一幅图片都需要用户选定对象和背景,耗时较长.区域生长方法适于对面积不大的区域进行分割,分割速度快,但需要人工选取种子点,且在对比度低的情况下分割效果不理想.针对医学CT连续断层图像间相关性强特点,提出一种把Graph Cut方法和区域生长方法相结合的图像分割算法GCRGIS.首先使用Graph Cut法对连续断层图像的首幅图像进行分割,以分割出的图像轮廓作为后幅断层图像待生长区域的边缘,将边缘进行腐蚀后再进行区域生长,分割出目标图像.实验结果表明,该方法处理连续CT图像时仅需对首幅图像进行人工交互,在后续图像的分割中避免了每幅图像都要人工交互的繁琐,分割效果好,速度快.     

微粒群优化和区域生长结合的图像分割方法

提出了一种基于微粒群算法的区域生长图像分割方法,该方法利用微粒群较强的搜索能力搜索像素种子点。由于搜索像素种子点是按密度进行,计算量小,大幅度提高了算法的计算速度,同时克服了传统区域生长方法不能自动选择种子且容易导致过分割的局限性。实验表明,该方法可以准确地分割出目标,是一种有效的图像分割方法。     

基于视觉显著性的非监督图像分割

交互式的图像分割算法需要用户输入先验信息,从而增加了算法的时间复杂度和用户的负担。提出了基于视觉显著性的非监督图像分割算法。该算法首先通过均值漂移算法先对图像进行预处理,将图像过分割成互不重叠的小区域。这些区域采用区域邻接图表示,当两个区域相邻时对应的节点之间存在边。其次,通过计算各个区域的颜色相异性和纹理一致性,得到相邻区域之间的合并概率。再次,根据区域的颜色和空间位置信息,定义每一个区域的显著性指标,选择最大显著性指标对应的区域作为目标种子区域,图像边缘区域中显著性指标最小的区域作为背景种子区域。最后,基于最大相似性合并策略,对与种子区域相邻的且合并概率最大的区域进行合并。实验表明,所提算法 不需要先验信息,且可以得到较好的分割效果;与非监督图像分割算法相比,所提算法可以避免过分割。     

基于模糊连接度的交互式CT图像分割算法

如何准确地从CT图像中提取出感兴趣的组织,是医学图像分割中的难点。提出了一种基于模糊连接度的交互式CT图像分割算法：先根据用户指定的感兴趣区域的灰度范围预分割图像,然后用户从结果图像中选择目标和背景种子点,计算出各像素点与两类种子点的模糊连接度,最后根据连接度大小将像素点划分到目标或背景区域。分割过程中,用户可以通过增设或删除目标或背景种子点,修正分割的结果。实验表明,该算法能准确有效地分割出感兴趣区域。     

基于最大内切圆的肝影像自动分割方法

针对肝脏区域提取中的手动选择种子点以及提取时的准确性和完整性问题，提出了一种基于最大内切圆的肝影像自动分割算法。采用最大区域面积测量法锁定二值化后的肝脏区域，通过寻找锁定肝脏区域的最大内切圆的圆心来自动获取种子点位置；采用改进的区域生长算法进行图像分割。实验结果表明，该方法有效地解决了区域生长的种子点手动选取问题，并且能够精确、完整地分割出肝脏组织，避免了受主观因素影响而将种子点选取在边缘或噪声等错误位置。     

基于上下文分析的无监督分层迭代算法用于SAR图像分割

基于聚类的分割算法能够有效地分析目标特征在特征域的分布结构,进而准确判断目标的所属类别,但难以利用图像的空间和边缘信息,而基于区域增长的分割算法能够在空间域利用多种图像信息计算目标之间的相似性,但缺乏对特征结构本身的深层挖掘,容易出现欠分割或过分割的结果. 本文结合这两种算法各自的优势,针对合成孔径雷达（Synthetic aperture radar,SAR）图像的特点,提出了一种基于上下文分析的无监督分层迭代算法. 该算法使用过分割区域作为操作单元,以提高分割速度,降低SAR图像相干斑噪声的影响. 在合并过分割区域时,该算法采用了分层迭代的策略:首先,设计了一种改进的模糊C均值聚类算法,对过分割区域的外观特征进行聚类分析,获得其类别标记,该类别标记包含了特征的分布结构信息. 然后,利用多种SAR图像特征对同类区域的空域上下文进行分析,使用区域迭代增长算法对全局范围内的相似区域进行合并,直到不存在满足合并条件的过分割区域对为止,再重新执行聚类算法. 这两种子算法分层交替迭代,扬长避短,实现了一种有效的方法来组织和利用多种信息对SAR图像进行分割. 对模拟和真实SAR图像的实验表明,本文提出的算法能够在区域一致性和细节保留之间做到很好的平衡,准确地分割出各类目标区域,对相干斑噪声具有很强的鲁棒性.     

结合Ostu阈值法的最小生成树图像分割算法

基于最小生成树的图像分割算法是一种全局最优的算法，然而会出现图像细节的处理不甚理想的问题，即分割结果出现不同程度的过分割和欠分割的现象。针对这一现象，根据图像全局和区域间的最大类间方差（Ostu），将Ostu阈值法与最小生成树（MST）算法相结合，提出了一种基于MST的Ostu阈值法图像分割准则。该图像分割算法是一种MST的优化方法，将区域合并判决条件取决于相互合并的两个区域的Ostu阈值，又考虑到较小的区域包含在较大的目标区域中或者背景区域中，再次使用Ostu阈值进行区域合并。该方法通过实验证明，可以有效地减弱图像的过分割与欠分割比例，减少了误分割率。     

基于自适应射线群的图像边缘检测算法

对于存在大量噪声、目标边界模糊且粘连的浮选泡沫类图像,分水岭及阈值法难以准确分割。为此,提出自适应射线群算法检测泡沫边缘,仅访问图像一次,即实现种子区域的提取。去噪后,从种子区域的几何中心位置对称发射出多条射线,根据射线的灰度分布曲线自适应提取泡沫的边缘,并修正边缘。实验结果表明该算法可解决分水岭算法的过分割及不准确分割等问题。     

基于分水岭的多目标核聚类图像分割

传统的聚类图像分割方法一般仅仅利用图像中的灰度信息。为了更好地利用图像中的区域和边缘信息,提出一种基于分水岭过分割的多目标模糊核聚类图像分割算法。该算法采用分水岭算法获得图像的过分割区域,采用多目标模糊核聚类算法对区域代表点和分水岭上的像素进行聚类。根据聚类结果将图像中的像素进行标记,得到最终的分割图像。实验结果表明,由于利用了图像区域信息,使得目标能够比较完整地从背景中分离出来。     

一种基于重构算子的分水岭变换算法

分水岭变换是数学形态学的主要分割工具,它通过对梯度图像进行分割,能够提供单像素宽的封闭的区域边缘.但是,直接对梯度图像进行分水岭变换存在严重的过分割问题,这个问题往往采用基于标记的分水岭变换加以改进,可是,有时又会带来欠分割问题.通常过分割和欠分割问题主要发生在灰度的非极大值或极小值的过渡区域.为了克服分水岭变换易造成过分割的问题,通过对分水岭变换产生的过分割以及标记点选取可能导致的欠分割原因进行分析,提出了一种基于重构的分水岭变换算法,该算法首先通过基于重构的变换序列滤波来平滑图像,以减少目标内部差异;然后针对梯度图像,利用重构闭来消除灰度过渡区域在梯度图像上所造成的极小;最后对其进行分水岭变换,可有效控制分水岭变换的过分割现象.     

一种新的肝脏CT序列图像区域生长算法

为了提高区域生长的分割精度,减少种子点选取对分割结果的影响和用户交互量。提出一种通过置信区间和区域竞争计算目标区域最优阈值区间,用于医学序列图像的区域生长分割算法。在方法上区域生长方法考虑的是图像的局部信息,而置信区间和区域竞争方法考虑的是图像的全局信息。该文的算法融合了两者的优点。通过在一张图片上选择目标对象和背景对象的多个种子点,实现了复杂背景下的序列图像分割。使用一组腹部CT原始图片进行的实验结果表明,算法在只需很少交互的情况下,有效地提高了分割精度。     

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。     

基于改进的分水岭算法图像分割方法研究

研究图像分割中保真问题,针对目前分水岭算法易产生过分割现象,导致图像分割边缘不明显现象,使得分割以后图像失真较大.为了解决上述问题,提出了一种基于空间模式聚类算法和分水岭算法相结合的图像分割方法.首先对图像采用分水岭算法进行图像分割,然后对产生过分割现象的图像区域采用基于空间模式聚类方案进行合并.仿真结果表明,与传统的分水岭图像分割方法相比,分割出的图像边缘效果明显清晰,有效保证原图效果.