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。     

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。     

融合多特征的纹理图像分割算法

针对传统的只用纹理的一种特征进行纹图像分割时的分割错误率较高的问题,提出了一种融合多特征的纹理图像分割算法.该方法综合考虑纹理的空间特征和频域特征,其中,空间特征提取在支持向量数据域描述的基础上进行;频域特征提取则利用改进的小波框架反映不同尺度间的特征;在此基础上,利用k均值算法对融合后的纹理特征进行聚类从而完成纹理图像的分割.实验结果表明与传统的只利用纹理的一种特征进行分割相比,该方法的错误率明显降低,同时在边缘准确性和区域一致性上都得到了明显的改善     

基于对偶树复小波变换的纹理特征提取及分割

对偶树复小波变换具有良好的方向选择性和平移不变性。该文在分析对偶树复小波分解后的6个高频子带所对应的模值子带直方图的基础上,提取一种新的纹理特征——Gamma分布参数与Lognormal分布参数的组合特征。基于该特征进行纹理图像分割,分割过程中使用了边缘保持平滑技术对特征进行平滑,并使用K均值聚类实现无监督分割。实验表明,文中所使用的特征提取方法新颖,分割结果的边缘准确性与区域一致性具有抗噪性,是一种有效的纹理分割方法。     

一种结合多特征的SVM图像分割方法

在分析了频域相位信息和纹理信息在表征图像特征方面的重要性之后,提出了一种结合相位一致和纹理特征的SVM图像分割方法。该方法将相位一致性统计特征、纹理特征和灰度特征一起组合成训练特征向量,采用支持向量机分类方法对图像进行分割。相对于传统方法,该方法提取的统计特征向量可以有效地反映图像边缘细节和纹理信息。实验结果表明,该方法比传统的SVM图像分割方法更有效,尤其适用于图像中目标区域的边缘对比度低和纹理信息丰富的情形。     

基于非下采样Contourlet和MRF的纹理图像分割

提出了一种基于非下采样Contourlet变换(NSCT)和马尔科夫随机场(MRF)相结合的纹理图像分割算法.算法包括两个步骤,首先通过NSCT实现对图像纹理特征的提取,并使用模糊C-均值完成对图像的初始分割;然后将初始分割结果用 MRF模型表示,通过贝叶斯置信传播得到图像的最终分割结果.实验结果表明,对于纹理图像,该方法在分割错误率、区域一致性以及边缘的准确性方面都比传统小波变换的方法有了明显的改善.     

基于均值漂移的自适应纹理图像分割方法

提出了一种基于小波多尺度分析和均值漂移的无监督纹理分割方法.该方法利用均值漂移聚类实现基于小波特征的完全无监督自适应多尺度分割,既不需要进行训练也不需要分割类别数等先验知识.该方法根据一定的策略在尺度间进行信息传递,自适应地为图像不同区域确定合适的分割尺度,即纹理内部区域使用粗尺度特征而不同纹理间的交界处使用较细尺度特征,这样就在保证区域一致性的同时更准确地定位图像边缘.对比实验结果表明,该方法在合成纹理和真实纹理图像中都有较好的性能,其多尺度的分割过程类似于人类视觉系统感知,并且较之有监督的传统分割方法也更具优势.     

一种纹理图像分割方法--分开-扩张方法

针对分开-合并方法分割纹理图像存在的纹理特征不规则性的问题,提出了一种新的基于四分树的分开-扩张的区域分割方法.通过对各类别的不同测量区域的纹理样品进行监督分类,确定分割的初始区域和终止区域,并把样品分类的精度作为各测量区域的纹理特征的权值,根据是否满足一致性属性和区域的性质进行分开或扩张.该方法较好地处理了不同测量区域的纹理特征可信度不一致的问题,扩张的过程可提高分割的精度并避免小区域纹理特征的不稳定.实验结果表明,分开-扩张方法能有效地分割纹理图像,其分割精度优于分开-合并方法.     

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。     

基于对偶树复小波变换的模糊纹理分割

提出了一种基于对偶树复小波变换的模糊纹理图像分割算法,该方法包括纹理特征提取和纹理分类两个阶段,其中,特征提取在对偶树复小波变换的基础上进行;纹理分类可以直接用模糊C均值算法进行聚类从而完成纹理的分割,但由于该算法中隶属度函数是基于样本到类中心的距离设计的,这对非球形分布数据很不合理,针对该问题,引入样本与样本的紧致度来度量类中各个样本之间的关系从而修正隶属度函数,并将其用于纹理分类。实验结果表明与模糊C均值算法在运行时间上相差不大的情况下,改进的方法在分割精度、边缘准确性和区域一致性上都得到了明显的改善。     

基于概率纹理模型的纹理分割方法分析

基于最优小波包基的纹理自适应概率模型通过优选小波包基来区分不同纹理,具有纹理描述更准确的优点。研究基于纹理自适应描述的邻域分割法,通过实验分析了纹理概率模型和邻域分割法对分割效果影响的主次关系。实验结果表明邻域分割法是分割取得好效果（分割错误率低于1．34％）的主要影响因素,概率模型对分割效果的作用是次要因素。这一结论的得出将有利于对该方法的改进。     

MDS-based segmentation model for the fusion of contour and texture cues in natural images

In this paper, we present an original image segmentation model based on a preliminary spatially adaptive non-linear data dimensionality reduction step integrating contour and texture cues. This new dimensionality reduction model aims at converting an input texture image into a noisy color image in order to greatly simplify its subsequent segmentation. In this latter de-texturing model, the (spatially adaptive) non-local constraints based on edge and contour cues allows us to efficiently regularize the reduced data (or the resulting de-textured color image) and to efficiently combine inhomogeneous region and edge based features in a data fusion/reduction model used as pre-processing step for a final segmentation task. In addition, a set of color/texture and edge-based adaptive spatial continuity constraints is imposed during the segmentation step. These improvements lead to an appealing and powerful two-step adaptive segmentation model, integrating contour and texture cues. Extensive experimental evaluation on the Berkeley image segmentation database demonstrates the efficiency of this hybrid segmentation model in terms of classification accuracy of pairwise pixels in the resulting segmentation map and in the precision–recall framework widespread used for evaluating contour detectors.     

基于Gabor 变换的GrabCut 纹理图像分割

多数自然图像都包含纹理信息, 它相对颜色特征而言具有描述方向性与尺度差异的特性. 因此, 可以利用半交互式的GrabCut 的图像分割方式对图像前景区域与背景区域进行有效的分割, 通过建立前景和背景所对应的高斯混合模型(GMM), 结合最大流最小割的图像分割方式实现全局优化, 并利用前景和背景的KL 测度, 自适应地终止分割过程. 实验对比分析表明, 所提出的方法对于合成纹理图像与自然纹理图像具有较好的整体分割效果及较高的分割准确率.

     

基于融合自适应形态滤波的分水岭分割新算法*

针对分水岭分割易产生过分割问题,提出一种基于融合自适应形态滤波的分水岭分割算法。该算法对图像进行多结构多尺度自适应形态滤波处理,从而抑制图像的暗噪声和暗纹理细节。为了增强目标和背景的对比度,进行高低帽变换,再应用浸没模型的分水岭算法进行图像分割。实验结果表明,与一般的分割算法相比,该算法能有效地抑制各种噪声对分割的影响,具有较强的抗过分割性能,快速有效地实现图像的分割。     

一种基于区域竞争的水平集快速图像分割算法

从曲线演化的角度提出一种基于Bayesian区域统计和区域竞争的自适应变分图像分割模型,该模型使用水平集描述曲线和区域,得到基于Bayesian区域统计信息的能量函数,利用区域竞争曲线演化模型推导出一种快速曲线演化偏微分方程,实现了图像分割。该方法可以同时提取出多类目标,算法具有快速、分割精度高的特点,且易于综合纹理,形状等多种信息对模型进行扩充。此外,能量函数和曲线演化方程是相对独立的,对于不同类型的图像可选用不同的概率模型。实验表明,所提方法是一种快速、有效、新颖的图像分割方法。     

基于t混合模型和Greedy EM算法的彩色图像分割

为了快速更好地进行彩色图像分割,以图像的颜色、纹理及空间位置作为综合特征,基于t混合模型,提出了一种自适应的图像分割方法,即先采用贪婪的EM(Greedy EM)算法估计混合模型的参数,然后根据贝叶斯最小错误率准则对图像进行分割。由于t混合模型的稳健性和Greedy EM算法对于数据的初始化不敏感,且能收敛到全局最优,因此与其他的方法相比,不仅速度提高,而且能取得更好的分割结果。     

抑制纹理信息的偏置场变分图像分割模型

偏置场变分水平集图像分割模型利用原始图像的局部灰度信息,可以对灰度不均匀图像进行有效的分割,但当灰度图像中存在纹理时,分割效果往往很差。针对这一问题,提出抑制纹理信息的偏置场变分水平集图像分割模型。利用一种基于纹理几何结构的纹理描述符描述图像中不同的纹理区域,使得不同纹理区域对比更加明显,相同纹理区域更加平滑,通过抑制纹理信息使后续的图像分割在纹理部分的错分大大减少。实验结果表明,相比偏置场变分模型,所提模型对自然及人工合成纹理图像均获得更好的分割结果。     

基于滤波器阵列与图割的彩色纹理分割

图割法因无法体现像素点的纹理区域特性而难以应用于纹理分割。针对该问题,提出一种基于滤波器阵列与图割的彩色纹理分割算法。利用构建的滤波器阵列提取图像的纹理特征,并加入图像的H、S、I分量值组成纹理-色彩特征向量,采用texton直方图作为彩色纹理的统计模型对纹理-色彩特征向量进行统计计算,通过直方图差计算像素点间的纹理相似度,再应用图割法中的规范割准则对彩色纹理进行分割。实验结果证明,该算法具有较高的分割准确性。     

一种方向Gabor滤波纹理分割算法

结合人眼视觉特性，设计了一种方向Gabor滤波器，该滤波器顾及了纹理图像的方向特性；利用Gabor滤波器的带通技术，抑制次要纹理图像的主频率分量，增强目标纹理图像主频率分量，使滤波输出图像具有较大的类间离散度和较小的类内离散度，将纹理图像的分割转化为传统的图像分割，使图像的分割质量和算法效率都得到了提高。