基于脉冲耦合神经网络的图像分割

针对传统脉冲耦合神经网络(PCNN)模型在图像分割时需要设置较多参数和不能准确分割低对比度图像的问题,提出一种简化的PCNN模型和改进算法。在简化模型中减少了在传统PCNN模型中需要设置的参数的数量;在改进算法中根据图像像素空间和灰度特征自适应设置模型参数,并根据图像灰度直方图求出灰度期望均值作为图像分割阈值,因此该算法无需选择 循环迭代次数,只需一次点火过程就能实现图像的有效分割。实验结果表明,该方法能准确分割图像,纹理细节清晰,分割结果优于人工调整参数的PCNN方法和Otsu方法。     

基于塔形信息的空间约束FCM图像分割算法

为使传统模糊C均值(FCM)算法更加适用于图像分割,提出一种基于塔形信息的空间约束图像分割算法。引入塔形结构减少运算时间,并将其用于求解隶属度,在FCM算法的目标函数中,添加不含任何参数的约束项,以约束像素邻域空间信息。实验结果表明,该算法能保留图像的细节信息,提高图像的分割质量。     

新的自动分割脑肿瘤图像算法的研究

经典非参数Dirichlet混合过程模型图像分割算法具备在未知类数情况下实现图像自动分割的特点,但是由于其计算速度较慢,限制了该方法在临床上的实时应用.本文在经典非参数模型基础上进行改进,该算法首先将图像进行各项异性扩散滤波平滑,然后将马尔科夫随机场空间约束作为Dirichlet混合过程模型的先验进行分割计算.文中使用新算法对15例脑肿瘤磁共振图像进行分割实验,结果显示新算法能更有效控制收敛时图像分割类数,并且在图像分割的精度和计算速度等特性方面都明显优于经典的Dirichlet混合过程模型分割算法.     

基于邻域信息的B样条密度模型的医学图像分割研究

针对有参混合模型的聚类算法需要假设模型为某种已知的参数模型而存在模型不匹配及应用于图像分割时对噪声比较敏感的问题,提出了一种基于空间邻域信息的B样条密度模型的图像分割方法。首先,通过构建基于规范化的B样条密度函数的非参数混合模型,定义空间信息函数,使得分割模型具有空间邻域信息;其次,利用非参数B样条期望最大(NNBEM)算法估计密度模型的未知参数;最后根据贝叶斯准则实现图像的分割。该图像分割方法不需要假设图像符合某种模型,就可以克服实际数据分布与假设图像模型不一致的问题。此方法有效克服了"模型失配"问题,而且有力抑制了噪声点,同时很好地保留了边界的特性。分别对模拟图像进行仿真,验证了基于空间邻域信息的B样条密度模型的分割方法的有效性。     

非参数化区域竞争方法:一种新的图像分割框架

提出了一种新的图像分割框架--非参数化区域竞争算法.这种算法克服了基于尺度 空间滤波的特征空间聚类法的缺陷,提高了原区域竞争算法的性能,并且采取了一种自动选取 种子位置及大小的形式化策略.非参数化区域竞争算法可以把图像分割成统计意义上并不具有 一致性,但在应用中更有意义的区域,称这样的分割为语义一致(或均匀)的分割.非参数化区域 竞争算法把定量地控制分割结果中的区域个数和语义一致的分割结合起来,从而净化了分割结 果,并且可以降低后继算法的复杂度.     

基于模糊C均值与Markov随机场的图像分割

针对传统模糊C-均值(FCM)图像分割算法没有考虑图像空间连续性的缺点,提出一种改进的空间约束FCM分割算法。该算法引入了Markov随机场理论中类别标记的伪似然度近似策略,将像素特征域相似性同空间域相邻性有机地结合起来,给出了新的像素样本聚类目标函数。实验证明,该算法能大大提高分割性能并改善分割的视觉效果。     

自适应非局部空间约束与K-L信息的模糊C-均值噪声图像分割算法

针对传统模糊C-均值聚类(FCM)算法对噪声鲁棒性差的问题, 提出一种自适应非局部空间约束与K-L信息 的模糊C-均值噪声图像分割算法. 首先, 通过定义平滑度, 设计自适应匹配函数, 实现非局部空间信息项搜索窗口和 邻域窗口的自适应计算, 克服非局部空间信息窗口大小固定的问题. 其次, 将K-L信息引入目标函数, 利用隐马尔可 夫模型计算图像像素的上下文信息, 减少分割的模糊性. 最后, 利用原始图像和非局部空间信息项局部方差的绝对 差和其倒数自适应约束原始图像和非局部空间信息项, 实现约束项参数的自适应选择, 提高算法的灵活性. 含噪合 成图像和彩色图像分割实验表明, 该算法在分割精准度、平均交互比、归一化互信息、模糊分割系数和模糊划分熵 等性能方面均优于其他几种FCM算法. 例如, 在混合噪声密度为15%的条件下, 算法的模糊分割系数和模糊划分熵 分别达到99.92%和0.14%.     

基于高斯混合模型的活动轮廓模型脑MRI分割

传统的活动轮廓模型用于图像分割往往基于目标的边界信息,在图像含有强噪音或目标具有弱边界时很难得到真实解.引入高斯混合模型构造新的约束项,在新的约束项作用下模型可以减少噪音的影响,并防止从弱边界泄漏.高斯混合模型求解通常使用Expectation-maximization(EM)算法,该算法是局部优化算法,且对初值敏感.因此引入粒子群算法,并提出一种改进的算法,利用该算法的全局优化性求解高斯混合模型的参数,以提高参数精度.对脑核磁共振图像(MRI)分割实验表明该模型具有较好的分割效果.     

快速模糊C均值聚类的图像分割方法

模糊C均值(FCM)聚类算法广泛应用于图像的自动分割,但标准的FCM算法存在计算量大,运算速度慢等问题。对FCM算法进行改进,提出了一种快速FCM图像分割算法(FFCM),该算法将图像从像素空间映射到其灰度直方图特征空间,并在此基础上,充分利用像素的邻域特性,对隶属度函数做一定改进,实验结果表明该算法能快速有效地分割图像,并具有较好的抗噪能力。     

贝叶斯框架下的非参数估计Graph Cuts分割算法

假设图像中各像素灰度值是具有一定概率分布的随机变量,由贝叶斯定理,正确分割观测图像等价于求出具有最大后验概率的实际图像估计。在此框架下,提出了一种改进型Graph Cuts图像分割算法。与传统Graph Cuts分割算法相比,该算法在模型建立上有两个方面的改进：1)将模糊C均值聚类引入数据约束能量函数来得到各像素在某个标记下的概率,改善了收敛性能;2)使用非参数方法估计图像的统计分布,然后用此统计量构成图像分割的先验概率,并保证分割结果的局部平滑。由于非参数估计是由样本直接估计得到的结果,特别适用于小样本和分布函数不恒定的情况,因此拓展了算法的适用范围。实验结果表明,改进算法在遥感图像分割和医学图像分割中均提高了分割精度,证明了该算法的有效性。     

基于图像片马尔科夫随机场的脑MR图像分割算法

传统的高斯混合模型（Gaussian mixture model,GMM）算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科 夫随机场（Markov random field,MRF）模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图 像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马 尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能 保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到 最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.     

一种鲁棒的MRF-MAP图象分割框架研究

提出了一种新颖的基于马尔可夫随机场(MRF)空间上下文信息的图象分割方法。该方法利用马尔可夫随机场表示图象标记场,并在传统的邻域势函数基础上,引入观测场中邻域像素间强度关系,由此描述像素被分入同一类的可能性。通过贝叶斯(Bayes)定理将分割问题转化为最大后验(MAP)估计的问题。运用迭代条件模型(ICM)求取最大后验估计的解。用人工合成图象及真实图象进行实验,同时与传统的期望最大化(EM)方法以及传统的马尔可夫随机场方法相比较,由实验结果及信噪比(SNR)-误分率(MCR)曲线可以看出,该文的方法对噪声图象分割更为有效。     

Superparsing

This paper presents a simple and effective nonparametric approach to the problem of image parsing, or labeling image regions (in our case, superpixels produced by bottom-up segmentation) with their categories. This approach is based on lazy learning, and it can easily scale to datasets with tens of thousands of images and hundreds of labels. Given a test image, it first performs global scene-level matching against the training set, followed by superpixel-level matching and efficient Markov random field (MRF) optimization for incorporating neighborhood context. Our MRF setup can also compute a simultaneous labeling of image regions into semantic classes (e.g., tree, building, car) and geometric classes (sky, vertical, ground). Our system outperforms the state-of-the-art nonparametric method based on SIFT Flow on a dataset of 2,688 images and 33 labels. In addition, we report per-pixel rates on a larger dataset of 45,676 images and 232 labels. To our knowledge, this is the first complete evaluation of image parsing on a dataset of this size, and it establishes a new benchmark for the problem. Finally, we present an extension of our method to video sequences and report results on a video dataset with frames densely labeled at 1 Hz.     

基于局部特征约束的TEM图像分割算法

神经细胞图像分割对于神经科学研究具有重要应用价值。神经细胞亚显微结构的复杂性,以及透射电子显微成像（Transmission electron microscope,TEM）易出现的边界丢失、模糊等质量问题,使得神经细胞TEM图像的自动分割成为一个医学图像处理难题。基于神经细胞TEM图像的局部聚簇性特点,应用超像素技术,本文研究设计了一种基于局部特征约束的TEM图像分割算法。首先构建基于图模型的超像素图像结构表示,然后应用Markov随机场（Markov random field,MRF）模型提取超像素局部空间信息,从而有效地解决超像素图像分割方法中超像素点间邻域信息和空间结构复杂的问题,最后通过MRF模型优化和超像素合并处理获取图像分割结果。研究结果表明,该算法分割精度较高、鲁棒性强,且能很好地表征图像亚显微结构信息。     

基于边缘约束局部区域MRF的图像分割方法

针对常规马尔科夫随机场（MRF）模型对复杂自然图像分割时,存在对噪声敏感且边缘模糊的问题,构建一种基于边缘约束局部区域MRF（ECLRMRF）的图像分割模型。利用欧氏距离度量局部区域内邻接像素的相似度,依据其相似度构建局部空间来约束高斯混合模型,有效描述丰富的局部区域统计特征,并建立MRF模型的局部区域一致性约束项。利用Canny边缘检测算子提取图像的边缘特征,并在分割过程中建立图像分割区域的边缘约束,通过在MRF模型框架下将局部区域统计特征和图像边缘特征相融合,解决局部区域MRF模型对图像分割边缘模糊的问题,再采用Gibbs采样算法实现对复杂自然图像的准确分割。实验结果表明,该模型能够更好地保留图像边缘信息,并且具有更好的分割效果。     

基于多尺度马尔可夫随机场的图像分割

离散马尔可夫随机场(MRF)模型是贝叶斯图像分割中最常用的工具。一般采用双MRF,一个随机场对应于观测图像,另一个随机场对应于未知的分类标号,通过迭代的算法将图像的局部信息逐步传递到整个图像,以求得分割标号的最大后验概率(MAP)或最大后验边缘概率(MPM)估计。近年来提出的多尺度MRF模型(或称因果MRF、分层MRF模     

Markov random fields for catadioptric image processing

Images obtained with catadioptric sensors contain significant deformations which prevent the direct use of classical image treatments. Thus, Markov random fields (MRF) whose usefulness is now obvious for projective image processing, cannot be used directly on catadioptric images because of the inadequacy of the neighborhood. In this paper, we propose to define a new neighborhood for MRF by using the equivalence theorem developed for central catadioptric sensors. We show the importance of this adaptation for segmentation, image restoration and motion detection.     

融入空间信息的医学图像优质分割

传统的FCM分割算法只考虑到图像的灰度信息,而忽略了灰度的空间信息,对于迭加了噪声的图像,难以得到准确的结果。从马尔可夫随机场（MRF）中得到启示,考虑到图像灰度信息及其空间分布出发,提出了一种新的基于邻域（Neighbor）信息FCM分割算法,即NFCM算法。实验结果表明该算法所得到的目标图像的边界特征保持完好,图像边界细腻、连续且定位性能好。     

一种基于小波变换的马尔可夫随机场的视频对象分割

马尔可夫随机场（Markov Random Field,MRF）理论已经被广泛地应用于视频图像的分割。提出一种基于小波变换的马尔可夫随机场模型的视频对象分割算法。该算法利用小波变换将图像序列分解到小波域,并在此基础上建立马尔可夫随机场模型,构造相应的能量函数。通过迭代求解能量函数的最优解,得出标记场,提取出运动对象。仿真结果表明,该算法能够有效地抑制噪声,提高构成对象边界像素的数量,快速有效地提取出视频对象。     

MRF model and FRAME model-based unsupervised image segmentation

This paper presents a method for unsupervised segmentation of images consisting of multiple textures. The images under study are modeled by a proposed hierarchical random field model, which has two layers. The first layer is modeled as a Markov Random Field (MRF) representing an unobservable region image and the second layer uses "Filters, Random and Maximum Entropy (Abb. FRAME)" model to represent multiple textures which cover each region. Compared with the traditional Hierarchical Markov Random Field (HMRF), the FRAME can use a bigger neighborhood system and model more complex patterns. The segmentation problem is formulated as Maximum a Posteriori (MAP) estimation according to the Bayesian rule. The iterated conditional modes (ICM) algorithm is carried out to find the solution of the MAP estimation. An algorithm based on the local entropy rate is proposed to simplify the estimation of the parameters of MRF. The parameters of FRAME are estimated by the ExpectationMaximum (EM) algorithm. Finally, an exp