基于子区域相似度的医学图像分割算法

将传统的区域生长算法思想融入到一种轮廓线逼近方法中。通过定义子区域的相似度准则,利用围绕像素的子区域的统计相似性,作为一个初始多边形轮廓演化的驱动因子,从粗到细,实现了对目标区域的逼近分割。实验表明,所提算法具有较好的抗噪性和较高的分割效率,可以有效分割出医学图像中的目标区域。     

基于图像形态特征的复合绝缘子憎水性图像分割算法的研究

对憎水性图像在图像处理中的图像分割环节进行研究。在图像分割处理过程中,因绝缘子等级HC1与其他等级图像的形态特征的不同,导致在实际处理图像时,同一算法不能适用于所有等级的图像。将HC1等级的图像同HC2-HC7等级的图像分开处理,分别采用不同的形态学操作,再利用改进的遗传算法进行图像分割,最终得到准确的图像分割效果图。为复合绝缘子憎水性等级的准确判断提供条件。     

基于区域特征的胶囊图像分割算法

针对胶囊缺陷检测中存在的图像分割效果不理想的问题, 提出了一种基于区域特征的胶囊图像分割算法. 首先将原图像分割成5个子图像, 然后分别在子图图像中分割提取胶囊. 子图图像首先对图像高亮区域作去高光处理、去除噪声, 然后将图像区域的每一行作为一个子区域, 根据胶囊在图像区域中所在的位置特点, 通过判断子区域中链板域与背景域是否存在边界点以及胶囊与链板上的链齿是否连接来识别不同类型的子区域, 寻找子区域中胶囊与非胶囊区域的边界, 然后去除非胶囊区域. 最终对图像区域逐行扫描处理完成后从图像中提取出胶囊. 实验表明该算法与传统方法相比, 不仅速度较快, 准确性和鲁棒性也得到了改善.     

基于区域增长和改进分水岭算法的胃腺癌细胞图像分割

提出了一种基于区域增长和改进分水岭算法的胃腺癌细胞图像分割方法。该法具有分割准确,算法结构简单等优点。该方法利用Canny边缘算子提供的边缘信息,采用区域增长法对彩色癌细胞图像进行区域分割并填充颜色。同时得到了区域的周长、面积和形态因子。在此基础上,利用距离函数图标定种子法和等值线跟踪法处理粘连区域,最终得到分割图像。     

基于小区域增长的MDCT图像分割

提出了一种基于小区域增长的分割算法对人体肝脏的MDCT医学图像进行分割。先把三维人体肝脏的MDCT图像变成一系列二维图像;再对每个二维图像分配多个种子点,从每个种子点出发进行小区域增长;最后,把每个二维图像分割的结果整合成三维肝脏图像。实验结果表明了该算法的准确性和可行性。     

基于分割区域及特征相似度的玉米田遥感图像分类方法

针对遥感图像中玉米田目标光谱复杂,同物异谱现象严重导致分类结果差的问题, 提出一种基于分割区域及特征相似度的玉米田遥感图像分类方法。首先利用主成分分析法(PCA) 对多光谱和高分辨全色融合图像进行第一主成分提取,以获得包含丰富图像信息的单色图像I; 对I 进行分水岭分割,得到一幅过分割目标区域图;构建由纹理、亮度及轮廓特征相似度组成 的特征组;最后基于随机森林原理,利用构建的特征组对玉米目标进行提取。用高分一号卫星 数据进行实验,并与支持向量机方法(SVM)、神经网络算法和最大似然算法进行了比较分析, 实验表明,该方法的分类精度优于其他算法。     

基于区域相似性的活动轮廓SAR图像分割

为了克服传统活动轮廓SAR分割模型高度依赖统计分布假定的缺点,结合基于成对相似性的图划分方法和几何活动轮廓模型的优点,提出了基于区域相似性的活动轮廓SAR分割模型.首先将原始图像过分割成同质子区域集;然后结合强度和纹理信息真实度量子区域的成对相似性,并以此定义能量泛函;最后利用基于过分割的规则化和快速曲线演化实现SAR图像的有效分割.真实SAR图像的实验结果表明,该模型能快速、准确地得到SAR图像的分割结果.     

区域最大相似度图像分割算法

区域最大相似度图像分割算法利用颜色直方图描述符计算相邻区域之间相似度,不能相邻像素点之间的空间分布关系,使其描述能力需要改进.提出用LTP描述符计算相邻区域相似度,这能提高对区域特征的描述.     

基于自适应区域生长算法的肝脏分割

把肝脏器官从医学图像中提取出来,为肝脏的三维重建及最终的仿真手术模拟提供正确的数据。针对腹部CT图像中脏器组织多、图像纹理结构复杂、灰度差别小、边缘不明显等特点,提出一种改进的自适应区域生长分割算法。该算法基于两个局部参数：待生长点的局部平均灰度和局部平均梯度,对传统区域生长算法的生长准则进行了改进。实验结果表明,得到的肝脏分割结果比传统区域生长算法分割结果更精确,可以为后续的肝脏三维重建及仿真手术提供准确的数据。     

A novel image segmentation algorithm based on neutrosophic similarity clustering

Segmentation is an important research area in image processing, which has been used to extract objects in images. A variety of algorithms have been proposed in this area. However, these methods perform well on the images without noise, and their results on the noisy images are not good. Neutrosophic set (NS) is a general formal framework to study the neutralities’ origin, nature, and scope. It has an inherent ability to handle the indeterminant information. Noise is one kind of indeterminant information on images. Therefore, NS has been successfully applied into image processing algorithms. This paper proposed a novel algorithm based on neutrosophic similarity clustering (NSC) to segment gray level images. We utilize the neutrosophic set in image processing field and define a new similarity function for clustering. At first, an image is represented in the neutrosophic set domain via three membership sets: T, I and F. Then, a neutrosophic similarity function (NSF) is defined and employed in the objective function of the clustering analysis. Finally, the new defined clustering algorithm classifies the pixels on the image into different groups. Experiments have been conducted on a variety of artificial and real images. Several measurements are used to evaluate the proposed method's performance. The experimental results demonstrate that the NSC method segment the images effectively and accurately. It can process both images without noise and noisy images having different levels of noises well. It will be helpful to applications in image processing and computer vision.     

Interactive image segmentation by maximal similarity based region merging

Efficient and effective image segmentation is an important task in computer vision and object recognition. Since fully automatic image segmentation is usually very hard for natural images, interactive schemes with a few simple user inputs are good solutions. This paper presents a new region merging based interactive image segmentation method. The users only need to roughly indicate the location and region of the object and background by using strokes, which are called markers. A novel maximal-similarity based region merging mechanism is proposed to guide the merging process with the help of markers. A region R is merged with its adjacent region Q if Q has the highest similarity with Q among all Q's adjacent regions. The proposed method automatically merges the regions that are initially segmented by mean shift segmentation, and then effectively extracts the object contour by labeling all the non-marker regions as either background or object. The region merging process is adaptive to the image content and it does not need to set the similarity threshold in advance. Extensive experiments are performed and the results show that the proposed scheme can reliably extract the object contour from the complex background.     

基于子块的区域生长的彩色图像分割算法

提出了一种基于图像子块的区域生长算法,应用于彩色图像分割。首先将图像划分成多个不重叠子块,然后利用从CIE L*a*b*颜色空间中提取出的每个子块的颜色和纹理特征,先进行子块内颜色聚类,达到子块分类的目的,再根据生长准则进行基于分类子块的区域生长,实现对自然彩色图像的分割。实验结果证明了算法的有效性,分割结果符合人的主观感知。     

基于感兴趣区域的图像质量评价方法

将图像质量的评价划分为感兴趣区域与非感兴趣区域的加权组合评价,在感兴趣区域内使用梯度算子改进结构相似评价方法,非感兴趣区域沿用经典的结构相似评价。实验结果表明,该方法能较好地考虑感兴趣区域的重要性,更符合人的主观视觉质量。     

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。     

一种基于相似度的新型粒子群算法

分析了基本粒子群算法（PSO）全局搜索能力与收敛速度的矛盾,提出了粒子群相似度的概念.根据每个粒子与全局最优粒子的不同相似度,对基本PSO算法的惯性权重进行动态调整.同时提出一种根据相似度计算聚集度的方法,并根据聚集度的大小随机地对粒子重新赋值,控制粒子群的多样性,提高了全局搜索能力.典型优化问题的实例仿真验证了该算法的有效性.     

基于图像特征的植物形态相似度算法

目的 研究不同植物形态之间的相似度是有效区分植物种类或科属的一个重要依据。目前的植物形态相似度计算方法,大多只考虑了植物拓扑结构或者外围轮廓等几何形状方面的相似性,而未涉及叶片颜色、冠层叶片的稠密状态及株型的松散状态等因素。因此,基于植物图像的形状特征和颜色特征,本文提出一种基于图像特征的植物形态相似度计算方法。方法 首先,获取图像的轮廓特征和区域特征。轮廓特征用植物枝条的松散程度表示,具体包括植物的高宽比、轮廓四边形和第1个1级侧枝的高度;区域特征用叶片稠密度表示,计算叶片所占整个包围矩形面积的比例。其次,获取图像的颜色特征,使用基于HSV和YUV颜色空间的颜色直方图,统计图像的颜色分布。最后,利用信息熵分析数据的离散程度,据此确定各部分对应的权重大小,加权得到总体的相似度值。结果 实验在人工采集的数据集上进行,得出松散度、稠密度和颜色对应的权重分别为0.62、0.17和0.21。在此基础上得到的相似度计算结果符合实际,可以有效度量植物之间的相似程度。同时,将提出的算法应用于图像检索,并与常见的5种方法进行比较。实验得出该算法查准率都在0.747 7以上。在同一查准率水平下,相比于其他方法,查全率也都处于较高水平。尤其在相似度阈值大于0.8时,查准率可以达到0.910 8以上。另外,该方法对植物图像缩放不敏感,同类植物的相似度依然接近于1。结论 本文提出的植物形态相似度算法,结合了形状特征和颜色特征,计算结果符合人的视觉感受。与其他方法相比,可以更有效区分植物种类或科属。算法主要适用于背景单一的单株植物图像,可为研究植物形态的相似性提供技术参考。     

一种基于多级队列的并行区域生长算法

区域生长是经典的图像分割方法之一,为了满足图像分割的实时性要求,提出了一种基于多级队列的并行区域生长算法。该算法采用多级队列存放待生长的种子像素,优先生长边界种子像素,以尽快生成越界种子节点,从而减少邻居节点的等待时间。实验表明,该算法相比一般的基于单队列的算法,加速比有显著提高,且可扩展性较好。