一种图像序列中运动目标检测的鲁棒算法

人体运动检测在计算机视觉中是一项很基本的任务,在图像序列中检测人体运动是一种可行的方法。在做运动目标检测时,常用的图像差分方法有着固有的缺点,用一种改进的图像差分方法进行目标检测,利用一种全局阈值分割方法对差分图像进行二值化,通过数学形态学计算法进行滤波,可有效地克服这些缺点。实验结果表明,此方法能很好地检测低信噪比图像序列中的运动目标。     

基于水平集的热红外运动人体目标分割算法

水平集活动轮廓模型是一种优秀的图像分割方法.针对红外人体检测系统中的图像分割难题,提出了一种基于水平集活动轮廓模型的新算法.该算法包含水平集运动检测模块、水平集亮度检测模块和融合模块.水平集运动检测模块融合了水平集和背景相减技术,通过演化水平集函数同时实现前景分割和背景估计,它用于检测序列中的运动区域,并将其演化结果输入到下一检测模块.水平集亮度检测模块融合了水平集和阈值分割技术.在给出双阈值时,可分割出亮度在双阈值所限定范围内图像区域,它用于检测序列图像序列中可能包含人体目标的全部区域.利用形态学开重建技术,融合模块在融合前两个模块检测结果后输出算法最终分割结果.此外,采用快速数值算法演化水平集检测模块以及优化设置整个算法流程,改善算法运行效率.实验结果表明,相对其他典型算法,该算法具有较高分割精度和运行效率,且对时序亮度变化和镜头运动鲁棒性更好.     

结合模糊聚类与区域合并的彩色图像分割方法

提出了一种结合模糊聚类与区域合并的无监督彩色图像分割方法.首先,根据彩色图像建立对应的三维直方图,运用爬山法得到初始聚类中心和聚类数;然后,运用基于空间邻域像素的模糊均值聚类算法对图像在颜色空间进行聚类,得到初始分割结果;最后,应用提出的区域合并算法合并图像初始分割结果得到最终分割图像.仿真结果表明,算法的分割结果与人的主观视觉也有较好的一致性.     

基于聚类和小波变换的彩色图像分割方法

提出一种将聚类和小波变换相结合的彩色图像分割方法。首先将图像划分成16×16子块,然后在块中按照视觉一致性准则进行颜色聚类,对于聚类后的子块,提取其颜色特征。利用小波变换得到每个分块的纹理特征,将颜色特征和纹理特征的组合作为对图像进行分割的依据。该方法将聚类算法和小波算法结合,并符合人类视觉特征的分割策略。利用提出的算法对多幅自然图像进行分割实验,实验结果证明该算法的有效性。     

视频序列中运动目标检测与跟踪方法研究

提出了一种从摄像头获取的彩色图像中准确地检测出运动目标并进行实时跟踪的算法。首先将采集到的彩色视频图像序列转化为灰度图像,研究了几种图像锐化方法并进行了比较。然后进行帧间差分和阈值分割,成功分离出运动目标。最后采用投影法得到运动目标的大小及位置。实验结果表明,提出的运动目标检测与跟踪方法简单、有效、实时性高。     

基于视觉感知模型的彩色图像分割框架

图像分割是图像理解和识别的重要基础。目前,彩色图像分割有3个问题有待解决：无法处理有空间频率变化的图像;没有考虑图像的观察条件和颜色细节;对颜色空间的依赖性较大。本文提出了一个基于视觉感知的图像分割框架。此框架利用人眼视觉灵敏度函数模仿人眼的视觉模糊机制,能有效处理有空间频率变化的图像;使用CIECAM02来预测复杂观察条件下的图像色貌;最后应用不同的色差公式实现基于颜色相似性的分割算法。实验结果证明本文框架可以产生比传统算法更适合于人类感知的分割结果。     

基于彩色空间的二维OSTU的图像分割算法

图像分割的研究一直是图像处理研究的热点问题,尤其是对彩色图像的分割研究更为重要,虽然对彩色图像分割的研究提出很多分割算法,但是很多算法仍存在缺陷,本文针对解决二维OSTU分割算法分割图像时计算复杂和易受噪声干扰的问题,提出将Lab彩色空间应用到二维OSTU算法中,首先将色彩图像从RGB空间转到Lab空间,然后联合利用L通道、a通道、b通道图像信息进行粗分割,最后针对其中某个通道的图像信息进行二维OSTU细分割.通过试验表明,该方法对彩色图像有较好的分割效果.     

基于视觉感知模型的彩色图像分割框架

图像分割是图像理解和识别的重要基础.目前,彩色图像分割有3个问题有待解决:无法处理有空间频率变化的图像;没有考虑图像的观察条件和颜色细节;对颜色空间的依赖性较大.本文提出了一个基于视觉感知的图像分割框架.此框架利用人眼视觉灵敏度函数模仿人眼的视觉模糊机制,能有效处理有空间频率变化的图像;使用CIE CAM02来预测复杂观察条件下的图像色貌;最后应用不同的色差公式实现基于颜色相似性的分割算法.实验结果证明本文框架可以产生比传统算法更适合于人类感知的分割结果.     

彩色图像分割算法研究

图像分割是图像分析和模式识别所要解决的基本问题和难点问题。彩色图像提供了比灰度图像更多的信息,灰度图像处理思路在某些场合已不能满足人们的需要,本文除了系统阐述常用彩色图像分割算法外还提出了一种基于四元数的分割算法。     

一种时空联合的视频对象的自动分割算法

随着新的视频压缩标准MPEG-4的出现，如何从视频序列中分割出具有语义意义的运动对象显得极其重要。本提出了一种自动的运动对象分割算法，利用浮点图像的轮廓进行区域分割，然后根据帧间运动信息进行区域合并，分割出视频序列中的运动物体。     

激光夜视图像分型分割算法研究

为解决以往采用关联规则挖掘算法对图像进行分割时,对于夜视图像中灰暗区域中颜色特征以及前景/背景特征的采集能力差,不能有效判定图像的多尺度分型特征,分型分割效果差的问题。研究激光夜视图像分型分割算法。先利用计盒维数估计方法计算激光夜视图像分型维数尺度,通过分型维数尺度获取激光夜视图像的多尺度分型特征值,将利用多尺度分型特征值获取的多尺度分型特征约束与图像颜色约束相结合获取多尺度分型特征数据项,融合该多尺度分型特征数据项与通过图像中相邻区域顶点颜色距离获取的光滑项,并加入自适应比重系数获取能量函数,利用最大流/最小割算法求解能量函数最小值,实现激光夜视图像的分割。实验结果表明,该算法可准确分割激光夜视图像中人物目标特征,分割10幅激光夜视图像准确率以及均匀性测度平均值均在95%以上。     

基于流域分割的医学图像伪彩色处理

当前,多数医学图像属于灰度图像,其对人眼的视觉效果不如彩色图像。为了提高图像的分辨率,根据人眼的视觉特点,采用灰度级——彩色变换方法,结合基于流域法的医学图像分割,实现灰度图像变为伪彩色图像。这里将流域分割技术与图像伪彩色处理技术结合应用在医学图像中,实验结果表明了该图像增强方法的有效性。该方法在图像的灰度范围变化时具有很好的适应性,并可突出显示出感兴趣的特定器官组织。     

基于Mean Shift和L*u*v*彩色空间改进的FH图像分割方法

针对FH算法(Felzenszwalb和Huttenloch提出的图像分割算法)中存在的欠合并现象,在L*u*v*彩色空间,结合Mean Shift算法,提出了一种改进FH图像分割方法,即IFH(Improved FH)。该方法首先采用Mean Shift算法获得均值漂移图像,再将图像由RGB空间转换到L*u*v*颜色空间;然后,结合L*u*v*彩色空间,采用FH算法构造带权无向图,基于图像的颜色特征进行分割。实验证明,与原算法相比,该方法在分割精度与分割质量上有了很大程度的提高。     

用视觉特性和自适应优化搜索实现多聚焦彩色图像重构

鉴于来自同一景物的两幅变焦点彩色图像，每幅图像中都有聚焦不同的目标。针对这种图像的清晰恢复提出了一种新的图像融合算法，其基本思想是先对源图像进行图像块分解；其次，利用人眼视觉特性来分析图像子块的清晰度，形成融合图像；最后通过自适应优化搜索算法得出重构图像。采用平均误差、均方误差、标准色差等量化判据对融合图像序列进行分析及效果评价，量化评价结果和视觉判断均说明，该方法性能优化，完成了多聚焦彩色图像对源图像的重构。     

一种分阶段的形态学图像分割算法

图像分割算法的研究是计算机图像处理与识别技术的关键和难点所在。文中提出的分割算法可分为两步：首先运用基于数学形态学的预处理把图像中的前景简化,同时保留背景信息;然后通过采用上下游决策的改进算法来分割图像,以得到最终结果。针对医学图像样本进行实验,实验结果表明了算法的有效性。     

融合颜色特征和对比度特征的图像显著性检测

图像显著性检测能够获取一幅图像的视觉显著性区域,是计算机视觉的研究热点之一。提出一种结合颜色特征和对比度特征的图像显著性检测方法。首先构造图像在HSV空间的颜色函数以获取图像颜色特征;然后使用SLIC超像素分割算法对图像进行预处理,基于超像素块的对比度特征计算图像显著性;最后将融合颜色特征和对比度特征的显著图经过导向滤波优化形成最终的显著图。使用本文算法在公开数据集MSRA-1000上进行图像显著性检测,并与其他6种算法进行比较。实验结果表明本文算法结合了图像像素点和像素块的信息,检测的图像显著性区域轮廓更加完整,优于其他方法。     

一种基于图像分割的几何变换映射色盲矫正方法

针对基于几何变换映射的色盲矫正方法进行色盲矫正时出现的映射计算量过高的问题,一种新型的几何变换映射色盲矫正方法被提出,这种矫正方法是基于图像分割原理的.首先研究了色盲图像的仿真方法,然后结合K-means和系统聚类算法对原始图像进行分割并计算各个区域在色盲图像下LAB颜色空间中的欧氏距离作为颜色相似性的度量,确定红绿色盲难以分辨的颜色区域.在这个区域内进行颜色映射区域的划分,这个划分主要包括根据领域内的颜色比例对空间内的几何平面进行相应变换,通过此类变换生成有利于色盲患者分辨的图案等步骤.     

Automatic Image Segmentation by Dynamic Region Growth and Multiresolution Merging

Image segmentation is a fundamental task in many computer vision applications. In this paper, we propose a new unsupervised color image segmentation algorithm, which exploits the information obtained from detecting edges in color images in the CIE L_*a_*b_* color space. To this effect, by using a color gradient detection technique, pixels without edges are clustered and labeled individually to identify some initial portion of the input image content. Elements that contain higher gradient densities are included by the dynamic generation of clusters as the algorithm progresses. Texture modeling is performed by color quantization and local entropy computation of the quantized image. The obtained texture and color information along with a region growth map consisting of all fully grown regions are used to perform a unique multiresolution merging procedure to blend regions with similar characteristics. Experimental results obtained in comparison to published segmentation techniques demonstrate the performance advantages of the proposed method.     

Automatic segmentation of color images with transitive closure

In this paper, a mask based automatic segmentation algorithm for color images which uses pixel similarity has been presented. Main concept of the algorithm relies on spatial mask for course segmentation and the Warshall's transitive closure (TC) computation algorithm for region merging. Although the proposed spatial mask approach reduces the computational burden required for segmentation or clustering techniques such as seeded region growing (SRG) or fuzzy c-means (FCM) in which user supplied parameters are essential, it has over segmentation drawback. Therefore, the transitive closure algorithm, which uses adjacency and similarity matrix associated to undirected graph of the over segmented image, has been employed to merge the regions. After comparing to existing methods, the obtained experimental results confirmed that the color images as well as gray level images could be segmented with considerable accuracy. Also computational complexity of image segmentation is significantly reduced. Furthermore, there is no need any user supplied parameter such as the number of clusters or seed points.     

面向计算机显微视觉系统的白细胞识别

为了解决人工镜检白细胞识别效率低下的问题, 采用计算机显微视觉平台进行了白细胞自动识别研究。白细胞图像分割方面, 筛选图像颜色模型之后采用区域生长算法实现白细胞与图像背景的精确剥离; 并利用大津法(即灰度直方图波谷阈值分割方法)实现了白细胞细胞核和细胞浆的提取; 根据细胞的形态、颜色及纹理特征用人工神经网络分类器对大样本量的白细胞进行了识别分类。结果表明, 采用白细胞图像分割和智能辨识算法具有较高的精度和效率, 最终准确度能够达到95.6%。该系统满足临床医学显微视觉白细胞自动检测的需求。