基于支持向量机的红细胞彩色图像分割

对红细胞进行精确的分割并统计各类参数在临床医学中有着重要的意义,但现有经典算法很难实现自动分割并获得较高准确率。红细胞的分割主要有两个难点：一是红细胞的目标提取;二是重叠红细胞的分割。本文首先利用SVM对原始图像进行红细胞提取,把原始细胞分割成红细胞和背景两类目标区域,然后对红细胞区域进行重叠分割（本文中使用改进距离标记的分水岭算法）,最终得到各个红细胞的统计数据。为获得最佳的分割效果,本文通过实验对核函数、支持向量类型及相关参数进行了详细的比较和分析。实验结果表明,该算法能有效、快捷、准确、全自动的实现     

基于形态学尺度空间的多尺度图像分割研究

给出了图像层次分割的新架构，阐述了基于重构形态学操作的尺度空间产生方法，提出了基于形态学尺度空间和形态学分水岭的多尺度分割策略，其目的是生成图像的分割堆栈，并通过链接技术获得有意义的对象分割。该文给出了对各种图像的分割的实验结果，验证了分割策略的有效性。     

基于支持向量机的音频分类与分割

音频分类与分割是提取音频结构和内容语义的重要手段,是基于内容的音频、视频检索和分析的基础。支持向量机(SVM)是一种有效的统计学习方法。本文提出了一种基于SVM的音频分类算法。将音频分为5类：静音、噪音、音乐、纯语音和带背景音的语音。在分类的基础上,采用3个平滑规则对分类结果进行平滑。分析了SVM分类嚣的分类性能,同时也评估了本文提出的新的音频特征在SVM分类嚣上的分类效果。实验结果显示,基于SVM的音频分类算法分类效果良好,平滑处理后的音频分割结果比较准确。     

基于支持向量机的图像分割

良好的指纹图像分割对于指纹奇异点及细节特征的可靠提取具有重要意义.本文提取指纹图像子块内梯度一致性、灰度均值及灰度方差构成特征向量,提出采用支持向量机对这些特征向量进行分类,根据训练得到的分类判决函数并结合形态学操作最终实现指纹前、背景分割.实验结果表明,本文方法在FVC2002指纹库上的平均分割错误率小于3.62%.     

交互式流域算法在医学图像分割中的应用

本文首先介绍了流域算法的基本思想、基本原理以及流域变换过程中所存在的问题,回顾了为加快流域变换的计算而进行的大量研究工作,然后利用区域信息、结合交互式流域变换分割医学图像,实验结果表明该方法能有效地解决流域变换中的过度分割问题。     

消除局部极值的多尺度形态学肝脏肿瘤CT图像分割方法

针对肝脏CT图像中因灰度不均、边缘模糊等造成肿瘤难以准确分割的问题,提出了一种消除局部极值的多尺度形态学分割方法。首先利用面积算子对图像进行预处理,在平滑图像的同时,保持目标区域的边缘信息;其次融合梯度图像中不同极值的邻域统计信息和形态属性(深度和尺度)区分极值,通过设定不同大小的结构元素,对不同极值采用多尺度结构元素进行闭运算,在消除伪局部极值的同时实现图像的自适应修正;最后利用分水岭变换分割肝脏肿瘤。实验结果表明,该方法能够在保持图像边缘的同时,有效减轻过分割现象,实现肝脏肿瘤的准确分割。     

交互式流域算法在医学图像分割中的应用

图像分割是图像处理中的主要问题,而医学图像领域是图像分割的一个重要的应用领域,医学图像具有复杂性,因而医学图像分割一直是图像处理中的一个研究热点和难点,对于一般的图像分割方法很难得到满意的结果.首先介绍了流域算法的基本思想、基本步骤以及流域变换过程中所存在的过度分割问题,然后利用区域中的面积信息和平均灰度信息、结合交互式流域变换,用户有效地选择感兴趣区域分割医学图像,实验结果表明采用该方法分割区域个数明显减少,能有效地解决流域变换中的过度分割问题.     

基于支持向量机的网页主题信息提取算法

为了提取网页中的主题信息,提出了一种基于支持向量机(SVM)的网页主题信息提取算法.该算法首先将整个网页划分成多个不同的信息块;然后根据信息块中的文本、图片、链接及信息块的位置建立其特征向量;通过训练得到SVM的最优分类函数;最后通过最优分类函数的符号判断给定的信息块是否是主题信息.封闭式测试中,指标precision和gain在最高时达到98%和96%;开放式测试中,两指标分别为92%和87%.     

基于数学形态学的医学图像分割方法研究

文章介绍了医学图像处理中的医学图像分割的有关概念和数学形态学进行图像分析的基本步骤,重点论述了几种医学图像分割方法和基于数学形态学的分水岭分割算法,并给出了该算法的优点。     

多分类支持向量机分割彩色癌细胞图像

在细胞彩色图像处理中,为了有效地计算与分析细胞各特征值,对细胞图像的精确的三域分割是细胞自动分析与识别的一个关键环节。提出利用多分类支持向量机对细胞彩色图像进行背景、胞浆与核的一次性三域分割,并且通过聚类分析的方法实现了在线训练,实验表明,该方法在细胞彩色图像的多域分割上,能获得较高的分割精度和较好的鲁棒性。     

支持向量机与区域增长相结合的CT图像并行分割

针对经典区域增长算法中生长规则确定的困难和单纯使用支持向量机分割速度慢的问题,提出了一种支持向量机与区域增长相结合的图像并行分割方法。首先,从已知分割结果的图像中选取一定数量的目标区域与非目标区域样本点作为支持向量机分类器的训练样本并训练支持向量机,然后利用训练好的支持向量机自动寻找种子点并进行区域增长,在区域增长过程中使用支持向量机分类器作为增长规则,最后,针对边缘和噪声像素点进行必要的后处理。测试实验获得了较好的分割效果和较快的分割速度且能实现自动分割,表明所提出的方法是可行有效的。     

基于live-ware交互式的图像分割研究

图像分割是指将图像中具有特殊涵义的不同区域区分开来,这些区域是互相不交叉的,每一个区域都满足特定区域的一致性。Live-Ware作为一种分割算法,其特点主要体现在其交互性上。本文使用Live-Ware交互式分割算法对图像进行了分割研究。     

基于支持向量机方法的医学图像分割

医学图像分割是图像分割研究领域的难点问题。支持向量机方法被看作是对传统学习分类方法的一个好的替代,特别在小样本、高维情况下,具有较好的泛化性能。论文采用支持向量机方法对医学图像进行分割研究。实验结果表明,支持向量机方法是一种很有前景的医学图像分割技术。     

分水岭图像分割算法的研究

针对分水岭算法在对复杂粘连物体图片的分割过程中产生局部极值过多和分割后区域边缘不能准确定位的弊端,提出对要分割的图像做基于形态学的开闭重建运算;然后对图像的形态学梯度图像进行滤波重建,通过对梯度幅值图像进行修改,标记出要分割区域的最小值,过滤掉无关的较小值;最后运用分水岭算法对标记的图像进行分割,取得了较好的分割效果.     

基于分水岭算法的图像分割方法研究

图像分割是图像处理中的一项关键技术,在图像工程中占据着重要的位置.随着信息技术的快速发展,它在地质、环保、气象、医疗等领域有着广泛的应用.常见的分割算法包括阈值分割方法、边缘榆测方法、区域提取方法和结合特定理论工具分割方法.利用了分水岭算法的原理及特点,针对算法所产生的图像过分割问胚,采用形态学处理函数,以典型的pears图像为例.用MATLAB 7.0图像处理软件,进行厂仿真研究.结果表明,利用分水岭算法和形态学处理函数,使得图像中相连的多个对象被分割成多个单对象,实现了图像的有效分割,并尽可能地减少或消除了过分割现象.     

基于支持向量机方法的多目标图像分割

支持向量机方法被看作是对传统学习分类方法的一个好的替代,特别在小训练样本、高维情况下,具有较好的泛化性能。该文采用了支持向量机方法对多目标图像进行了分割研究。实验结果表明:模型参数对支持向量机方法的分割性能有较大的影响;对多目标图像的分割,支持向量机方法是一种很有前景的分割技术。     

相似度约束的交互式分割网络

交互式图像分割是像素级注释和图像编辑的重要工具. 现存方法大多采取两阶段预测, 首先预测一个粗糙的结果, 在第2个阶段细化之前预测的结果来得到更精确的预测, 为了使在硬件资源受限时, 网络模型仍可以使用, 基于此, 在两阶段共享同一个网络, 为了更好地将标记信息传播到未标记区域, 设计了一个相似度约束传播模块, 在训练时使用了一个简单的原型提取模块来使正点击向量高度内聚, 加速网络收敛, 在推理时移除. 在推理阶段通过使用意图感知模块来捕获细节, 使得预测性能进一步提升. 大量实验表明, 该方法在所有流行的基准测试上与最先进的方法最有可比性, 证明了其有效性.     

多阈值交互式图像智能分割方法优化与仿真

目前多阈值交互式图像分割方法没有对图像进行预处理,存在图像分割效果差与图像分割性能不佳的问题。提出基于Prewitt算法的多阈值交互式图像分割优化方法。方法首先利用自适应算法对图像进行去噪以及纹理处理,对图像进行增强,将增强后的图像进行交互式处理,即对图像进行标记和合并以此提高分割效果,最后在Prewitt算法的基础上优化阈值选取并进行图像分割,实现多阈值交互式图像分割优化。实验结果表明,所提方法的图像分割效果与分割性能较好,说明该方法的应用价值较高。     

结合改进分水岭和GVF的三维肝脏分割方法

三维肝脏分割是当前医学图像处理的热点问题,如何准确快速地从腹部CT序列中分割出肝脏是肝部病变诊断的基础。针对传统活动轮廓模型对轮廓线敏感、运算量大的问题,改进了传统轮廓线设置方法,并把算法扩展到三维。首先,在一幅腹部CT图片中采用改进的分水岭算法,按照灰度和纹理的相似性原则从一个种子块开始生长出整个肝脏,再用其边缘作为相邻CT序列的起始轮廓,用GVF算法从序列图片中分割出肝脏,重复该过程,直至分割出整个腹部序列图像的切片,进行三维重建。     

基于支持向量机的叶片图像分割

针对自然环境下的叶片图像分割,提出了一种基于支持向量机的叶片图像分割算法。该方法首先将图像少量像素点分别标记为叶片前景样本和叶片背景样本,然后根据样本数据建立支持向量机分类决策模型,最后根据预测模型对整个图像像素点进行分类,将叶片图像从背景中分割出来。实验结果表明,该方法能够对含有反光区域的叶片实现准确分割,相比基于聚类的叶片分割算法分割精度更好,算法耗费时间更短。