一种有效的水下图像分割算法

水下图像具有信噪比低、边缘模糊等特点，直接使用传统分割方法对水下图像进行处理，效果较差，存在边缘扩大、轮廓变形等缺点。为提出新的抗噪性能好、能够克服水下成像过程中非线性影响的算法，文中在模糊理论的基础上，结合用熵的概念，提出了一种能根据图像自身特点自适应选择变换参数、使图像分割效果达到最佳的算法。通过对水下图像处理实验证明，该算法对简单背景的水下图像分割是有效的。和传统分割方法相比，该算法具有更强的自适应性和抗噪性能。     

基于模糊增强的图像区域分割算法研究

针对图像平坦区、纹理区和清晰边缘的分割问题,提出了一种基于模糊增强的图像分割算法.该算法依据基于模糊增强的Canny边缘检测原理,在充分分析图像纹理区和清晰边缘的像素分布特点的基础上,通过增强纹理区像素对比度,检测出更多的纹理区细节.并利用膨胀、区域连通等方法实现了图像的区域分割.实验结果表明,该算法能够准确地实现了图像平坦区、纹理区和清晰边缘的分割,并有较强的抗噪能力.图像分割结果可以反映更多的纹理细节信息.     

结合空间信息的模糊C均值聚类图像分割算法

提出一种结合空间信息的模糊C均值聚类图像分割算法.该方法将图像的二维直方图引入传统的模糊C均值聚类算法,并对隶属函数做了改进;依据平方误差和最小准则,来确定模糊分类矩阵及聚类中心;最后,依据最大隶属度原则,划分图像像素的类别归属.实验结果表明,该方法能快速有效地分割图像,并且具有较强的抗噪能力.     

结合模糊聚类算法的图像分割方法

在介绍聚类分析原理的基础上,比较了几种聚类分割算法,得出了模糊C-均值聚类方法在图像分割中的优势.最后,基于排列组合熵和灰度特征,结合模糊C-均值聚类算法对图像纹理进行分割.实验结果表明,该方法既能快速地分割图像,又具有较好的抗噪能力,分割效果较为理想.     

基于三维直方图的立体图像层次化分割算法

由于立体图像噪声强度与边界信息的不确定性,若仅考虑图像局部或全局信息会导致过分割现象,影响图像处理效果.为改善立体图像分割效果,提出三维直方图的立体图像层次化分割算法.根据模糊集特性,将图像表示为模糊矩阵形式,计算加权平均值,构造模糊中值图像;采用自适应阈值小波方法,获取噪声方差和一级尺度参数对图像进行划层次去噪;定义图像局部对比度与局部梯度,在亮度级与边缘级基础上,对不同像素类别进行划分,获取像素同一性特征;通过三维直方图方式,获得三维单元频率,将其分割为八个立方体区域,找出与目标、背景对应部分,结合评价函数选取最佳阈值,完成立体图像层次化分割.仿真结果表明,所提算法抗噪性能良好,边缘贴合度较高,可提供更多关于背景与目标的特征信息.     

基于RPCA的图像模糊边缘检测算法

针对传统边缘检测方法未能在抗噪性能与边缘检测精度之间取得较好的权衡的问题,利用鲁棒主成分分析模型良好的矩阵恢复能力与图像模糊边缘检测算法较佳的边缘检测性能,提出一种基于RPCA的图像模糊边缘检测算法,将图像的边缘检测问题转化为图像主成分的边缘检测问题。该算法对含噪图像进行RPCA分解,得到对应的稀疏图像和低秩图像,再用一种基于阈值的隶属函数将低秩图像转化至等效的模糊特征平面,并在该特征平面上进行模糊增强运算,最后进行空域转化及边缘提取等操作得到最终的边缘图像。实验结果表明,该算法提高了边缘定位的精度,对不同类型、不同强度的噪声均具有较好的抑制能力,适用于对实时性要求不高的图像处理。     

基于Type-2模糊聚类的图像分割算法

模糊C均值算法是图像分割的常用方法,但该算法对噪声非常敏感。为此,提出一种新算法,在模糊C均值算法基础上引进Type-2模糊理论,以提高算法的分割准确性和鲁棒性。该算法对模糊C均值算法中每一个样本的隶属度进行分段线性拉伸,利用拉伸的结果作为一个新的隶属度函数,并用该函数对图像进行分割。实验结果表明,该算法准确性较高,且具有良好的抗噪能力。     

改进的交互式Otsu红外图像分割算法

为提高红外图像中目标分割的精度和抗噪性能,提出了一种改进的交互式Otsu图像分割算法。采用图像信息熵特征和类间方差特征对经典Otsu算法的阈值判别函数进行改进,获得的最优阈值能较好地将目标从背景中分割出来,且具有良好的边缘保持效果,提高了算法的分割精度。同时,针对红外图像目标单一的特点,采用交互式粗分割的思路,先在红外图像中提取包含目标的局部封闭区域,进而在提取的区域内进行改进的Otsu分割。通过对红外图像激光光斑目标提取过程的实验结果表明：改进的Otsu分割算法大大降低了背景噪声对分割算法的影响,提高了抗噪性能与分割精度,且最大程度地减少分割算法的运算量,并较好地保持了目标模糊边缘,分割效果优于传统的Otsu算法和相关的改进Otsu算法。     

空间约束和距离改进的FCM图像分割算法

针对传统FCM算法在图像分割应用中抗噪性差的问题,提出一种基于空间约束和子空间距离的模糊C-均值聚类算法。该算法在原FCM公式的基础上加入一个包含空间领域信息的约束项,使得整体上相邻像素点趋于同一类时,目标函数最小。并将原FCM的欧氏距离替换为点到聚类子空间的距离,以达到更精准的聚类效果。人造图像和自然图像的分割实验结果表明,该方法明显优于标准的FCM算法,具有很好的抗噪性能。     

各向异性权重的模糊C均值聚类图像分割

传统的模糊C均值聚类算法(FCM)在图像分割中未考虑各个点的灰度特征及其邻域像素的关联程度,导致其对于噪声十分敏感.而各种改进算法虽然较好地克服了图像噪声的影响,但由于使用均值滤波等方法导致分割图像边缘模糊.为此,提出一种基于各向异性权重的FCM图像分割方法,通过引入新的邻域窗口权重的计算方法,使得中心点邻域内各点具有各向异性的权重;并使用基于灰度级的快速算法,提出了各向异性权重的模糊C均值聚类算法.实验结果表明,文中方法具有较强的抗噪性,对于噪声具有良好的稳定性,分割精度较高.