基于小波变换和ODPSF的纹理图象分割方法

在纹理图象分割的研究领域中,基于人类视觉感知特性的图象分割方法是一个重要的新研究方向,文中给出了一种纺理图象分割的新方法,即将小波变换和方向滤波有效地结合了起来,该方法是根据小波变换的多尺度、多频道滤波的特点,采用小波包提取纹理主频,然后用一种二维最佳正交极可分方向滤波器对纹理有关方向和频率等其他特征进行分割,实验结果表明,这种方法能够获得较好的分割效果。     

纹理图象的多信道滤波分割方法

纹理图象的分割分类方法是目前图象处理和机器视觉研究中的一个前沿课题，传统方法大多基于形态结构和统计描述，与人类视觉机理相脱节，无法进一步提高分精度。本文介绍了近几年来兴起的一类全新的方法，即基于空间／空间频率（ｓ／ｓｆ）平面的多信道滤波法，这类方法与人类视觉机理很好的吻合，对于人工纹理和自然纹理都能获很好的分割效果。     

基于反应扩散的纹理图象分割

纹理图象分割一直是图象处理中非常活跃的一个领域,各种纹理分割算法层出不穷.本文提出了基于反应扩散的纹理图象分割方法.将纹理图象投射到反应扩散介质表面,在各点形成不同的相位分布.激发反应并通过对周期性动态演化的图象适当组合运算,可以将特定的纹理从图象中分割出来.从试验和计算机模拟两个角度出发,结果证实该方法行之有效.本方法不需要先验知识,且运算速度快,对于简单的纹理图象分割效果较好.     

基于树状小波分解的纹理图象检索

针对图象检索应具有简单、快速、有效等要求,提出了一种采用树状小波分解特征的纹理图象检索方法,该方法可以在相应的能量准则下,自适应地对图象进行了带分解,同时可利用小波函数分解的多分辨率与多方向特性,来形成能够在一定程度上对图象进行精确描述的特征矢量;在此基础上,又采用基于图象特征值的主分量分析方法,有效降低了特征矢量的维数;另外,基于用户需求的分层检索,还满足了用户不同层次的需求。实验结果表明,该算法快速,有效,具有较强的应用价值。     

空间灰度相关图象纹理分割方法

本文给出了图象纹理分割的空间灰度相关法(SGLDM)中四个描述性强的纹理特征。定义了纹理特征矢量。在此定义基础上,给出了一种新的图象纹理分割方法。最后以四幅分割难度较大的纹理图象实验,说明利用四种纹理特征的方法可以有效地对纹理子图案非随机旋转的图象进行纹理分割。     

利用小变换和特征加权进行纹理分割

为了提高纹理图象分割的边缘准确性和区域一致性以及降低分割错误率,提出了一种基于小波变换的利用特征加权来进行纹理分割的方法。该方法包括特征提取、预分割和后分割3个阶段,其中,特征提取在金字塔结构小小以变换的基础上进行;预分割利用均人矣类算法来对原始图象进行初步的分割;后分割则根据预分割的结果对特征进行加权,然后利用最小距离分类器来实现图象的最后分割。与传统的方法相比,该方法在分割错误率、边缘准确性以及区域一致性等方面均有明显的改善。     

基于纹理方向的描述和对具有方向性纹理图象的分类与分割

为进一步进行纹理特征分析，从纹理的方向性入手，给出了纹理方向的数学定义式，合理选择差异函数，构造了具有物理意义的纹理方向描述特征向量，数据处理方面，运用模糊贴近度的概念，结合改进后的属性均值聚类算法，对一类具有方向性的纹理图象进行分类与分割实验，取得了较好的结果，试验表明，该方法对纹理的方向性有很好的描述能力。     

基于不完全树结构小波变换及模糊聚类神经网络的纹理分割

提出了一种新的不完全树结构小波变换用于纹理特征提取,给出了一种一人类视觉过程相一致的多分辨率多通道纹理分析方法,它由：1）特征提取：使用不完全树结构小波变换抽取纹理特征;2）基于模糊神经 网络的特征粗分类：①基于样本分布密度的模糊Kohonen聚类网络权植初始化,②使用缩减的特征向量对网络进行训练,得到粗分割结果;3）细化粗分割结果等几部分构成。实验结果证明了其有效性。     

利用小波变换和FCM算法进行多特征纹理分割

提出了一种基于小波变换和模糊C均值（FCM）算法的两阶段纹理分割方法,各阶段采用不同的纹理特征。而且该特征结合了像素的空域和频域信息。实验表明该方法在分割错误率、边缘准确性及区域一致性方面均有较明显的改善,同时也有较高的分割效率。     

基于形态开闭滤波二值标记和纹理特征合并的分水岭算法

为了防止分水岭算法过分割问题 ,研究了一种基于形态处理和纹理分析的图象分水岭分割方法 ,该方法是在分水岭算法的基础上 ,首先对形态梯度图象运用形态开闭滤波器组的方法来获得较好的参考图象 ,然后将提取的二值化初始分割结果作为区域标记来进行分割 .另外 ,为了获得整体目标 ,还定义了一个基于纹理特征的一致性和对比度的检验准则 ,并将其作为区域合并的根据 .该方法应用于多个视频序列初始目标分割的结果表明 ,形态滤波器组的引入很好地防止了过分割 ,并证明基于纹理特征均匀性和对比度的准则对分割区域进行进一步的纹理合并是行之有效的 .     

基于对偶树复小波和MRF模型的纹理图像分割

基于对偶树复小波（DT-CWT）和马尔可夫随机场（MRF）模型提出了一种监督纹理图像分割算法,算法包括两个步骤,首先对复小波变换系数进行较为精确的建模,提取其一阶统计信息作为纹理特征,综合多个尺度的信息,基于极大似然标准进行初始分割;其次,将初始分割结果用MRF模型表示,基于贝叶斯最大后验（MAP）融合初始分割结果,得到最终的分割结果。算法应用于合成纹理图像和实际图像得到了良好的结果,对比实验表明算法所采用的纹理特征的提取方法、小波变换方式、用MRF模型来建模标号等是算法简洁有效的基础。     

一种基于纹理方向场的图像分割方法

提出了一种基于纹理方向场的图像分割方法。根据图像平滑滤波原理构造了高斯滤波器与分块滤波器相结合的平滑方法,利用纹理梯度方向场特征形成纹理梯度图像,以此为基础用分水岭算法对图像进行分割。结果表明,将该方法应用于粘连大米颗粒图像,能有效分割粘连大米图像,较好地解决了分水岭算法的过分割问题,具有较强的边缘稳定性。     

一种基于纹理信息和遗传神经网络的图像分割方法

提出了一种基于纹理信息和遗传神经网络的图像分割方法,根据分形理论构造了图像的一组分形纹理特征参量,利用遗传神经网络作为图像素的分类器,以此为基础对图像进行分割,分数维的计算采用改进的盒子计算法.试验表明,将该方法应用于生物医学图像,能够区分图像不同的纹理区域,达到满意的分割效果.     

基于小波变换的纹理图像分割

基于小波的纹理图像分割方法是把小波变换应用于纹理的特征提取。通过对原始纹理图像进行高阶小波分解，构成每个象素对应一个特征矢量，对所提取的特征利用均值举类算法进行分类，最终获得图像的分割结果。为了提高纹理分割图像的边缘准确性和区域性以及降低分割错误率，提出了利用特征加权来进行后分割的方法。     

常用数字图像分割算法研究

图像分割是图像处理中的一项关键技术,发展至今没有一个通用的方法和标准,是一个图像处理领域的经典难题。对数字图像处理中的图像分割作了简要介绍,对常用的数字图像分割算法进行了概括和阐述,并用VC＋＋工具进行了实现和展示,对从事该领域工作的人员有一定的启发作用。     

一种彩色纹理图像的分割方法

纹理分析一直是图像理解和计算机视觉等领域研究的重点和难点,现有的纹理分割方法大多集中于研究灰度纹理图像,文中提出一种基于分形理论的BP神经网络原彩色纹理图像分割方法,该方法将彩色图像由RGB色彩空间转换为HSI色彩空间,根据亮度计算分数维、多重分形广义维数谱q-D（q)和“空隙”等纹理特征,同时加入归一化的色度和饱和度作为另外两个分类特征,采用经过有监督训练的BP神经网络作为分类器,通过对纹理图像的分割实验,结果证实该方法行之有效。     

纹理图像的多尺度分割

纹理图像分割最常用的方法就是基于特征的纹理分割,即首先提取出图像的纹理特征,在利用提取出的纹理特征来进行特征划分.通过对纹理特征进行划分来实现纹理图像分割的过程所面对的主要困难可以概括为:效率和效果.纹理图像分割算法大多具有较高的时间复杂度,这一方面是因为纹理特征提取比较费时,另一方面较高的特征维数导致特征划分过程的计算量通常比较大.本文提出基于图像四叉树的多尺度分割算法来实现实时图像的粗分割,实验表明此算法可以在保持分割精度的前提下大大降低时间复杂度.