基于阈值的图像分割方法

通过分析图像阈值分割方法的基本原理。得出直方图闽值分割方法以及迭代阈值图像分割,并通过VC＋＋6．0加以实现。分析图像分割结果,并对两种阈值分割方法进行利弊分析。     

基于优势背景色的细胞图像综合分割方法

提出了基于优势背景色的数学形态学综合分割算法对彩色细胞图像进行分割。根据彩色细胞图像RGB这3个通道的直方图分布,选择亮区像素比例最大的一个通道,该通道下图像反差较大,背景较平坦。对该通道进行灰度形态学重构,在保留前景形状的同时,对背景进行滤波,再进行直方图规划操作,进一步压缩背景灰度级,最后进行动态阈值分割。实验结果表明,该方法可自动进行,去除噪声效果好,分割出的图像很好地保留了细胞形态。     

基于透射类图像数学模型的阈值分割新方法

透射类图像是在强光透射条件下才可见的图像,例如钞票防伪水印图案。其直方图呈单峰分布,传统图像分割方法难以得到合适的分割阈值。文中提出透射类图像背景与目标分布的概率性模型。并基于此模型推导出根据概率模型计算最佳分割阈值的公式,不同于传统方法反复计算和比较准则函数求取阈值的方式,只需要将图像数据代入文中所建立的模型,求解一元二次方程即可快速求得最佳阈值。最后经试验验证了该方法的有效性,分割效果得到较大改善,同时计算速度大大提高。     

一种基于圆直方图的迭代阈值分割方法及在细胞图像分割中的应用

本文针对经瑞氏(wright)染色后血液细胞图像的颜色分布特征,提出了一种基于改进的圆直方图迭代阈值分割算法。该算法通过把直方图的首尾横坐标相连,构造一个横坐标为圆形的直方图,并在该直方图上利用OTSU迭代算法进行阈值求取,从而解决了基于Hue分量分割的颜色连续性问题,这一点利用传统直方图无法实现。分割的实验结果图证实了算法的准确性和有效性。     

基于边缘信息的图像阈值化分割方法

针对现有几种利用边缘信息来进行图像闽值分割的方法存在的对噪声高度敏感,梯度阈值难以选取,且不具有自适应性的特点,提出一种抗噪声影响的形态学梯度算子和一种基于梯度直方图统计特征的梯度闽值自适应选取算法,得出了一套完整的基于边缘信息的图像闽值化分割算法。     

利用云模型的血细胞图像阈值化方法

经典统计阈值方法直接利用类方差构造最优阈值准则,具有一定的通用性,但在某些情况下缺乏实际应用的针对性。为了解决血细胞图像阈值化及白细胞核提取问题,提出了一种利用云模型的简单快速方法。该方法分别生成白细胞核和血细胞背景对应的云模型,利用各类云模型的超熵定义了新的阈值化准则,然后通过最大化该准则自动获取最优灰度阈值,最终完成血细胞图像二值化及白细胞核提取。实验结果表明,与Otsu法、最大熵法、最小误差法、最小类内方差和法以及最小极大类内方差法等方法相比,新方法更适合于血细胞图像分割,二值化效果好,白细胞核提取质量高,具有合理性和有效性。     

图像阈值分割方法的比较与分析

本文在介绍了三种具有代表性的图像阈值分割法的基础上,通过对它们的性能进行分析比较,给出了这种瓶值分割法的适用范围。最后,针对三种分割法的不足,提出了一种基于边缘检测与局部直方图的图像分割算法。     

基于深度神经网络的遥感图像彩色化方法

为了实现遥感图像彩色化,解决目前彩色化模型存在颜色不准确和颜色溢出等问题,提出一种端到端的深度神经网络模型.首先,通过构建多尺度残差感受域块提取丰富的高维特征;其次,利用U-Net、复杂残差结构、注意力机制和子像素向上卷积等结构构建一个彩色信息重建网络输出彩色化结果;最后,使用NWPU-RESISC45遥感图像数据集进行训练和验证.结果表明,与其他自动彩色化方法相比,所提方法的PSNR值平均提高6～10 dB,SSIM值增加0.05～0.11,实现了遥感图像彩色化.此外,该方法在RSSCN7和AID数据集上也取得了良好的彩色化效果.     

基于局部自适应阈值的细胞图像分割方法*

为了实现对细胞图像的有效分割,提出了一种自适应的图像分割算法。该算法首先将整幅图像分为若干子块;然后计算每个子图像的梯度直方图,对每幅子图像进行Otsu分割;最后还考虑图像中噪声的影响,采用形态学噪声滤波器去噪。实验结果表明,该算法对细胞图像细节有很好的区分和分割,适用于背景与目标对比不是很明显并具有一定噪声的图像。     

基于图像分块的局部阈值二值化方法

针对目前局部阈值二值化结果存在目标虚假或断裂的缺陷,提出了一种基于图像分块的局部阈值二值化方法。首先,将图像分成若干子块并分析每个子块像素灰度变化情况;接着,取一定大小的局部窗口在图像中移动,比较该局部窗口内与包含窗口自身且比窗口更大区域内的像素灰度变化情况,更大区域由窗口模板当前覆盖的所有子块组成,以此判断窗口内是否为灰度变化平坦（或剧烈）区域;最后,根据不同的区域,给出具体的二值化方案。利用7种不同算法对4种不同类型的4组图像进行了二值化实验。实验结果表明该算法在屏蔽背景噪声和保留目标细节方面表现最优,特别地通过对车牌图像的二值化结果进行定量分析后发现该算法能够得到最高召回率和准确率。     

基于正则割（Ncut）的多阈值图像分割方法

在图像处理与目标识别中广为应用的阈值法是图像分割的一种重要方法,因此如何确定阈值是图像分割的关键。提出了一种新的图像阈值分割方法,把图像的一维灰度直方图的灰度级L和对应灰度级L的概率P视为二维平面上的点（L,P）,采用新的相似度函数来定义这些点之间的相似度,从而构建基于灰度级的相似度矩阵,然后使用正则割（Ncut）进行分类,根据分类结果确定图像的分割阈值。算法用基于灰度级的权值矩阵代替基于像素级的权值矩阵来描述图像像素的关系,因而需要的存储空间及实现的复杂性大大减少;与现有的阈值分割方法相比,该算法能够单阈值和多阈值分割图像,因此具有更为优越的性能。     

基于加权香农熵的图像阈值法

熵阈值法是图像分割的一种重要方法,在图像处理与识别中广为应用。针对最大熵阈值法是基于图像灰度分布的均匀性假设,导致它对有些图像分割无效的问题,首先提出了加权信息熵的图像分割新方法,其次对加权信息熵的灰度级权因子选取方式进行了探讨,最后给出了基于类内熵和类间熵相结合的图像分割效果评价新方法。实验结果表明,提出的方法是可行的。     

融合局部特征的图像过渡区提取与阈值化

针对图像过渡区提取与阈值化问题,提出了一种融合局部灰度复杂度和局部灰度差异度的方法。首先生成图像的局部复杂度和局部差异度等局部灰度特征;其次融合这些局部灰度特征构造新的特征矩阵;然后设计了与特征矩阵的均值和标准差相关的自动特征阈值,并提取图像过渡区;最后将过渡区像素的灰度均值作为最优灰度阈值完成图像二值化。实验结果表明,所提方法的过渡区提取质量高,分割效果好,具有合理性和有效性,可作为经典方法的有效补充。     

基于并行小规模卷积神经网络的图像质量评价

图像质量客观评价广泛应用在图像处理任务中,参考深度学习技术的研究成果,提出了一种基于并行小规模卷积神经网络的无参考图像质量评估算法。卷积操作和并行的多尺度输入能学习到丰富和细微的图像失真特征,首先利用高斯图像金字塔获取不同尺度的失真图像做为4路小规模单层卷积神经网络的输入,经过卷积和池化处理后,输出4路特征矢量,把学习到的特征矢量融合后,通过全连接回归映射为图像质量预测分数。参数优化分2个阶段完成,提高了模型精度。实验测试结果表明,设计的网络模型简单有效,提出的算法性能高于当前主流算法,具有很好的稳定性和较强的泛化能力。      

基于Gabor小波和CNN的图像失真类型判定算法

针对图像失真分类问题,提出了一种基于Gabor小波和卷积神经网络（convolutional neural network,CNN）的失真类型判定算法。该算法先利用Gabor小波的良好特性对图像进行特征粗提取,再通过改进的CNN进一步提取关键特征。算法步骤包括：首先对图像进行预处理（包括标签设定、样本均衡和样本扩充）;然后对预处理后的图像进行八方向的Gabor小波变换,并将不同方向的子带叠加构成输入样本;最后通过自行设计的CNN和Softmax分类器对样本进行训练,训练过程中采用随机梯度下降和反向误差传播的方法对卷积核参数进行优化得到最终模型。对训练好的模型进行失真类型判定实验,在LIVE标准图像库上分类正确率达95.62%,表明本算法具有较高的准确性和鲁棒性。     

基于CNN的轻量级神经网络单幅图像超分辨率研究

为了将低分辨率图像增强为高分辨率(HR)图像并最终得到超分辨率(SR)图像,提出了具有混合残差和密集连接结构的轻量级神经网络(LNN)来提高单幅图像超分辨率(SISR)性能,构建了层间SR-LNN(SR-ILLNN)和简化SR-LNN(SR-SLNN)两种LNN。SR-ILLNN采用基于部分卷积的填充方案来避免边界信息...     

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。     

一种用细胞神经网提取遥感图像边缘的新方法*

针对灰度遥感图像具有噪声多、图像亮度均匀、边缘模糊等特点,提出了基于细胞神经网遥感图像边缘检测的新方法。该算法主要是利用细胞神经网先后对遥感图像进行图像滤波、灰度阈值化、膨胀腐蚀、边缘检测等模板操作。实验结果表明,与传统的Sobel和Canny边缘检测算法相比,本算法不仅能有效地去除噪声对边缘检测的影响,而且能够快速完整地提取图像边缘。     

基于CNN特征加权和区域整合的图像检索

相比传统特征,卷积神经网络提取的特征对图像具有更强的描述能力,其卷积层比全连接层更适合用来检索图像。然而卷积特征是高维特征,若直接用来匹配图像会消耗大量的时间和内存。提出了一种新的改善和整合卷积特征,形成单维特征向量,再将其用于图像匹配的方法。首先,提取最后一个卷积层的三维特征,再对该卷积特征重新加权,突显图像的边缘信息和位置信息;其次,用滑动窗口进行处理,形成多个区域特征向量,再相加整合成全局特征向量;最后,用余弦距离衡量查询图和测试图的相似性得出检索的初始排名,并且用拓展查询方法进行重排得出最终的平均精度均值mAP。分别在Paris6k和Oxford5k数据库以及用100k张图扩展的Paris106k和Oxford105k数据库上进行测试。相对于CroW方法在Paris数据库上获得的mAP性能指标,本文方法提升了约3个百分点;在Oxford数据库上提升了约1个百分点。实验结果表明,新方法提取的全局特征能够更好地描述图像。