一种新的局部分水岭模型在图像分割中的应用

为了提高图像分割算法对图像显著区域的抓取能力及效率,将超像素思想与分水岭算法相结合,并且在模糊C均值聚类算法（Fuzzy C-means,FCM）的基础上进行改进,提出了一种基于网格化局部分水岭的模糊聚类算法。该方法先根据区域方差将图像进行不均匀网格化,再对每个网格使用局部最优阈值的分水岭算法,减少了全局分水岭带来的局部信息遗失,获得各个网格内的显著性聚水盆,再实施区域融合,将每个标记区域的灰度均值化,最后使用考虑区域面积的FCM进行聚类,得到最终的分割图像。实验结果表明,该算法对噪声的鲁棒性强,能够有效剔除干扰区域,分割出图像中的显著区域,同时也具有较低的时间复杂度。     

OpenCV分水岭算法的改进及其在细胞分割中的应用

分水岭算法是一种基于形态学的图像分割算法,能快速准确地确定连通区域的边界.将基于标记的分水岭算法用于细胞图像的分割,较好地解决了粘连细胞的分割问题.在该细胞分割算法的实现过程中,发现了OpenCV分水岭算法实现的缺陷,通过对相关代码的分析,发现该缺陷存在的原因是算法流程中对相邻像素相对关系的描述存在问题.将OpenCV分水岭算法中对相邻像素取差的绝对值,改为对相邻像素取差值,对该算法进行了改进.实验证明,改进后的OpenCV分水岭算法对细胞图像的分割效果明显好于直接使用OpenCV分水岭算法得到的结果.该方法在不影响分割速度的情况下,提高了OpenCV分水岭算法分割的准确度.     

迭代分水岭和脊检测的图像分割

对具有边界不明显和亮度非均匀特征的图像,如金相学图像,使用传统方法进行分割难以得到令人满意的分割效果.因此,提出了一种新的图像分割算法--基于迭代过程的分水岭改进算法.该算法运用脊来限定区域生长的范围,采用双阈值方法选择种子,而脊叠加为分水岭算法中的最高吃水线.为了解决过分割的问题,利用贝叶斯分类规则反复地进行区域块的合并.实验结果表明,在无需调整太多参数的情况下,该算法可以有效地实现图像分割.     

带连通性约束的快速交互式Graph-Cut算法

Graph-Cut算法是图像及视频中经典且有效的前景和背景分离算法,针对其计算量较大导致实时性不佳、前景和背景颜色相似时分割结果易出现shrinking bias现象的问题,提出一种改进算法.该算法利用Mean-Shift技术对图像进行预处理,将原图像表示成基于区域的、而不是基于像素的图结构,预处理结果还可应用于后续的...     

基于Mean-Shiff的图像文本信息提取

图像和视频中包含着丰富的文本信息,提取和识别图像文本信息非常具有实际意义.传统的图像文本信息提取方法大多基于字符的代数和几何特征.作者从另一个角度出发,将彩色字符看成彩色图像的一部分,使类似字符的景物也可以被当作字符识别出来.提出一种基于Mean-Shift算法的图像文本信息提取方法,首先利用Mean-Shift算法对图像进行分割,然后对分割得到的文本区域进行投影分析从而将每个字符分割出来,最后将字符识别.     

一种改进的分水岭算法在医学图像分割中的应用研究

分水岭算法在图像处理领域得到了广泛的应用,但单独使用分水岭进行图像分割会产生过分割现象,难以得到令人满意的结果。针对分水岭算法存在的过分割问题,提出一种改进的分水岭算法,能有效的抑制过分割现象。首先对输入图像进行平滑滤波处理并计算该图像的多尺度灰度梯度图像;然后提出基于多阈值分割的方法消除无效的梯度信息;再进行分水岭变换并对相似的区域进行合并。实验结果表明,提出的改进的分水岭算法能有效地处理过分割问题,比传统的分水岭算法得到的分割效果要好很多。     

基于权值优化与纹理特征的快速人脸分割算法

针对传统GrabCut在GMM迭代估计阶段仅单纯地考虑像素点的RGB彩色信息,当前景细节区域与它的周围区域颜色差异较大时容易发生分割错误,以及基于像素的运算导致分割效率不高的问题,提出一种结合权值优化与CS-LBP纹理特征的改进算法。该算法首先利用多尺度分水岭对图像进行预分割,构建区域邻接图,然后对每个区域进行颜色和纹理特征的提取,通过权值迭代优化算法使区域的数据项权值与周边分块区域的权值相关联,采用自适应参数将纹理约束项引入能量函数,并将改进算法应用于人脸图像分割,有效改善了分割效果。实验结果表明,本算法分割结果更加准确,效率更高。     

一种改进的基于分水岭的图像分割算法

针对分水岭算法过分割现象,提出一种综合分水岭算法、中值过滤算法和归一化割算法的改进算法;该算法首先应用改进型的中值过滤算法对图像进行适当的除噪;然后通过分水岭变换对图像进行了初步分割,最后使用归一化割算法进行图像精度分割;算法集合了分水岭算法、中值过滤算法及归一化割算法的优点,既较好地解决了分水岭算法中过度分割的问题,又降低了归一化割算法的时间复杂度;实验结果表明该算法是一种切实可行的图像分割方法。     

一种快速均值漂移图像分割算法

图像分割是图像分析及图像理解的关键步骤。与其他图像分割算法相比,均值漂移(Mean Shift)算法具有原理简单、无需先验知识、可以处理灰度图像及复杂的自然彩色图像等优点。但该算法需要对图像中每个像素点进行迭代计算,因此分割所需要的时间较长。本文提出了一种快速Mean Shift图像分割算法(Fast mean shift,FMS),将少量像素点作为初始点进行迭代计算,而出现在高维球区域内的其他像素点根据其到已有类中心的距离进行归类,从而减少Mean Shift算法的迭代次数,缩短分割时间。实验结果表明,本文提出的快速Mean Shift图像分割算法可以获得良好的分割结果且具有较高的分割效率。     

胃上皮细胞图像的分割算法仿真

研究粘连现象严重的胃上皮细胞图像准确分割问题,针对胃结构排列状态复杂,分割起来非常困难.为了能够准确地区分出图像的细胞核、细胞浆和背景区域,用改进的传统Mean Shift算法,选择高斯函数为核函数,有效确保了Mean Shift算法的收敛性,避免了图像分割的过分割,并设置核函数的带宽为可变性,方便对粘连现象不同的图像分割.同时将改进的分割算法与松弛迭代分割、分水岭分割和传统的Mean Shift分割算法进行了仿真效果对比.实验结果表明利用改进的算法分割的效果较好,改进了传统的Mean Shift分割算法等的过分割问题,提高了分割速度和准确性,在错综复杂的胃上皮细胞图像分割中具有可行性和有效性.     

基于混合高斯模型的Mean-Shift模板更新算法

针对基于Mean-Shift目标跟踪算法中遇到的不能对模板进行实时更新的问题,提出一个基于混合高斯背景建模的目标模板更新算法.该算法将目标视为背景,对目标中的每一个像素点利用三个高斯函数对它进行建模,利用每次Mean-Shift跟踪到的目标区域来对先前建立的混合高斯模型进行实时更新,将混合高斯模型得到的目标模板作为下一帧跟踪的目标模板.该算法较好地解决了基于Mean-Shift算法的模板更新问题,实验证明该算法是有效的.     

结合Mean-Shift和Particle Filter的鲁棒跟踪算法

Mean-Shift算法在图像跟踪领域得到广泛应用．但有遮挡情况发生时．算法容易陷入局部最大值．Particle Filter作为一种基于贝叶斯估计的算法．在处理非线性运动目标跟踪问题上具有特殊的优势,但该算法计算量大,实时处理能力差。鉴于此,将两种算法相结合,提出一种以重要性函数为切入点将Mean-Shift和Particle Filter相结合的跟踪算法．首先利用Mean-Shift算法跟踪目标,利用目标与模板的相似性系数实时判断,当有遮挡发生时,算法转向Particle Filter进行后续跟踪。实验结果表明,该算法实时性强．跟踪效率高,具有很强的实用性．     

局部颜色模型的交互式Graph-Cut分割算法

由于目前大多数交互式Graph-Cut分割算法很难达到精确分割且实时交互的效果.对此,提出一种基于局部颜色模型的改进算法.该算法利用Mean-Shift预分割,建立基于局部颜色模型的交互式分割框架,并将像素级的Graph-Cut算法转化为基于区域的算法进行快速求解.预分割之后的区域保持了原有图像的结构,不仅提高了采用局部颜色模型估计分布的准确性,而且基于区域Graph-Cut的算法明显降低了计算的复杂度.实验结果表明,改进后的算法不仅保证了分割的精确性,而且还达到了实时交互.     

基于均值偏移的户外图像快速分割算法

提出一种改进的基于均值偏移的户外图像快速分割算法,使其能够满足基于视觉的户外移动机器人导航对图像处理的快速性要求。阐述了均值偏移算法的基本原理,给出了图像快速分割的具体实现方法:对图像进行尺度空间变换,用均值偏移算法在选定的颜色空间中对图像进行分割。通过对多种户外环境下采集到的图像进行实验,结果表明该算法对户外彩色图像快速分割取得了良好的效果。     

结合Kalman滤波器的Mean-Shift跟踪算法

针对经典Mean-Shift算法要求相邻两帧间目标模板区域必须重叠的缺陷,结合Kalman滤波器,提出了改进算法。算法首先将Kalman滤波器预测的目标位置作为Mean-Shift算法中的初始搜索中心进行跟踪,然后再将Mean-Shift算法得到的新的目标位置作为下一帧Kalman滤波器的输入参数,循环执行。实验证明,该算法能够解决由于目标运动速度突然变化以及目标快速运动情况下所带来的相邻两帧间目标模板区域非重叠问题,而且对于一般的遮挡问题也能得到较好的效果。     

参数自适应的半监督复合核支持向量机图像分类

半监督复合核支持向量机在构造聚类核时,普遍存在复杂度高、不适于大规模图像分类的问题;且K均值(K-means)图像聚类的参数难以估计。针对上述问题,提出基于均值漂移(Mean-Shift)参数自适应的半监督复合核支持向量机图像分类方法。结合Mean-Shift对像素点进行聚类分析以避免K-means图像聚类的局限性;利用图像的结构特征自适应算法参数以避免算法的波动性;由Mean-Shift结果构造Mean Map聚类核以增强同一聚类中的样本属于同一类别的可能性,使复合核更好地指导支持向量机对图像分类。实验验证了改进的聚类算法和参数取值方法可以更好地获取图像的聚类信息,使算法对普通图像和加噪图像的分类正确率较对比的半监督算法一般情况下提高1~7个百分点,且对于较大规模图像也有一定适用性,能够更高效、更稳定地进行图像分类。     

自动选择跟踪窗尺度的Mean-Shift算法

实用的跟踪系统要求能实时地适应运动目标的外观变化,尺度固定不变的跟踪窗口不能有效地跟踪存在明显尺度变化的目标。本文将多尺度图像的信息量度量方法引入到运动目标跟踪中,提出了一种跟踪窗口自动更新算法,并用此算法改进了基于颜色直方图的Mean-Shift跟踪方案。实验结果表明,改进的跟踪算法对尺寸逐渐减小和逐渐增大的目标都能自动选择合适的跟踪窗口大小。     

基于两步跟踪算法的海关车辆监控研究*

针对实时性和鲁棒性要求比较高的海关卡口车辆视频监控问题,提出了一种基于改进的均值漂移算法和粒子滤波算法的两步跟踪算法。对海关车辆监控的目标图像采用YCbCr颜色空间建立初始帧目标模型,利用改进后的均值漂移算法找出候选目标,在跟踪相似度小于设定的阈值时再利用改进后的粒子滤波算法进行后续的跟踪。通过实验分析,验证了提出的算法既能保证均值漂移算法跟踪的实时性,也能保证粒子滤波算法跟踪的鲁棒性,具有较好的应用价值。     

基于目标信息量变化的自调整跟踪算法

针对视频跟踪中的传统Mean-Shift方法不能有效跟踪尺度有明显变化的目标这一问题,将图像信息量度量理论引入到了算法之中,提出了一种自适应窗宽的改进Mean-Shift跟踪算法。该算法利用均值漂移矢量对目标位置进行预测,然后结合目标信息量的变化来自适应的调整跟踪窗的尺度,从而快速稳定的对目标进行定位跟踪。实验结果表明改进算法能较好适应目标的尺度变化,跟踪效果良好。     

基于UKF的窗口自适应Mean-Shift算法

传统的Mean-Shift跟踪算法窗口固定,不能对尺度任意变化的目标进行有效跟踪.为此,提出一种多尺度理论与无味卡尔曼滤波器(UKF)相结合的视频跟踪改进算法.利用多尺度理论统计跟踪窗内的信息量,使用UKF对得到的信息量进行预测,通过修正后的信息量计算窗口变化比例系数,对尺度任意变化的目标进行跟踪.实验结果证明,该算法...