一种基于大津法改进的图像分割方法

为了解决大津法分割图像容易造成图像细节丢失的问题,提出一种基于大津法改进的图像分割方法。首先,将三通道彩色图像分离为3个单通道图像;其次,分别使用大津法进行图像的二值化;再次,利用得到的3个阈值和3幅二值化图像进行投票,判断获得最终的二值化图像。实验表明,该方法能较好地保存图像的细节,图像边缘受光不均匀部分也能进行很好地分割。结果表明:该方法对部分图像的分割优于大津法。     

改进的阈值选取方法在纸病图像分割中的应用

全局阈值分割法对含有对比度不同的纸病图像分割效果差,把图像先分块再求阈值,可以分割出每块区域的目标。针对上述分割结果的不足,提出了一种改进的阈值选取方法,该方法是用改进的迭代法对分割的子块求阈值,最后与每块区域的平均灰度值作比较,找出整幅图像的最优阈值。以含有灰度不一污点的纸病图像为处理对象,实验结果表明改进的方法可以分割出低对比度纸病。     

基于OTSU 图像分割算法的碎米检测

碎米作为大米加工过程的常见产物,常会对产品的口感、味道产生影响,因此针对整米中碎米的有效筛分尤为重要。针对上述问题,该文建立基于大津法（maximal variance between clusters,OTSU）图像分割算法的逻辑回归模型用以检测整米中的碎米。将检测结果与国标法进行对比,结果表明逻辑回归模型的曲线线下面积（area under the curve,AUC）值为0.987,柯尔莫可洛夫-斯米洛夫（Kolmogorov-Smirnov,KS）值为0.909,0.5 为最佳阈值;而国标法的AUC 值为0.922,KS 值为0.669,21 为最佳阈值。该文所建立的逻辑回归模型的准确率、精确率、召回率及F1 分数均高于国标法。此外,逻辑回归模型的AUC 值比国标法的AUC 值更接近于1,KS 值也更高,表明逻辑回归模型能够更好地区分碎米与整米。长轴（x1）、面积（x2）、短轴（x3）与长短轴比（x4）4 个特征参数都是模型中具有显著影响的因素,对应的线性关系为z=-139.97-5.35x1+10.93x2+2.86x3+34.59x4。     

地图图像的彩色分割算法及其实现

地图是表现地理空间信息的图像,其中的彩色符号代表着不同的地理实体.对彩色地图图像的专色分色和提取,被广泛应用于地图的数字化采集以及对地理现象的智能化分析.本文探讨了地图扫描图像自动分色的原理和过程,在分色中首先利用图像处理技术,如图像的增强、滤波、去噪、锐化等方法进行采样样本的优化,然后再应用直方图的磨光、阈值分割、模糊约束聚类等算法模型,实现彩色扫描图像自动分割,得到比较满意的专色分色结果.论文还对分色结果存在的问题进行了讨论,提出了改进意见.     

图像分割技术在棉纤维检测中

本文详细介绍了棉纤维在图像检测中，粘连纤维的分割和分割前去噪的图像处理技术。利用棉纤维的外形特点和纤维粘连特征，为棉纤维图像的去噪和分割提出了新的解决方案。     

基于区域的自动区域生长算法在彩色年轮图像分割中的应用

该方法首先采用分水岭算法来得到彩色年轮图像的大致区域分布,并结合 canny 算法实现种子点的自动选取,自适应的改变生长条件,从而解决了区域断裂的问题。分割结果表明 , 该方法保持了原图像的完整形状特征并能获得清晰的边缘 , 为年轮参数提取奠定了良好的基础。     

基于平滑滤波和分水岭算法的重组织织物图像分割

针对带有重组织的织物图像特点,提出了一种根据纱线颜色进行图像分割的方法。首先将织物图像转化为Lab颜色模式,采用混合中值滤波算法滤除扫描噪声;其次通过设置色差容许值改变高斯权值的平滑滤波算法进行滤波,去除织物图像中的重组织阴影和同颜色纱线纹理,保留纱线颜色特征;然后提取织物图像的色差梯度,通过分水岭算法进行图像分割,获得区域标记图像;最后将颜色相近的分割区域进行合并,得到织物图像的分色索引图像。实验结果表明,提出的算法可以对重织物图像进行较为准确地分割。     

基于改进分水岭算法的粘连大米图像分割

大米检测过程中大米图像籽粒粘连给后续大米检测、分析等处理带来较大困难,为此提出了一种有效的改进分水岭分割算法,先对二值图像采用不同的结构元素作极限腐蚀形成不同的距离图,再对这些距离图分别利用分水岭算法得到分水岭图像,最后提取真实分水岭得到最终分割图像,并与其它分水岭算法相比较。实验结果表明,该算法既能更有效地分割粘连颗粒,又能有效地抑制过分割现象。     

基于边缘检测的虹膜图像定位分割算法研究

研究了虹膜识别的定位分割算法。算法主要包括虹膜边缘检测、虹膜内外圆定位、分割眼睑。本算法在利用改进的Canny检测边缘算子对虹膜进行边缘检测的基础上,对虹膜内外圆进行有效而准确的定位,提出了分割眼睑、睫毛等影响因素的方案,并在Matlab软件中进行了仿真实验。     

基于Mean Shift的织物图像分割算法

首先介绍了Mean Shift算法的处理过程,然后以处理织物图像分割为研究对象,将扩展形式的Mean shift算法用于解决织物图像分割问题。新提出的织物图像分割算法包括2个步骤:Mean Shift图像滤波和Mean Shift图像分割,并介绍了各自的原理。分割效果有3个关键参数控制:空域带宽、色度域带宽和最小区域限制。实验结果给出了3个参数的影响和选取分析,最后给出该织物图像分割算法与原CAD处理效果比较图,表明该算法具有可行性、有效性和鲁棒性。     

基于JSEG算法的纺织品印花图像分割

 针对机器视觉对纺织品印花精度的检测问题,提出了利用JSEG算法对印花的纺织品图像进行分割。主要通过对图像的滤波,颜色的矢量化和区域的增长与合并,完成图像区域的分割。通过实验给出了颜色量化阈值和区域合并阈值对图像分割的影响以及选取的方法,最终给出该算法对印花纺织品图像的分割效果图,表明该算法利用颜色信息和区域信息,对包含纹理信息的彩色印花图像有良好的分割效果,并且对由日光引起的一些干扰有一定的抑制作用。     

浅谈图像分割方法的研究运用

图像分割就是根据图像的某些特征或特征集合的相似性准则对图像进行分类,把图像空间分成若干个某些具有一致性属性的不重叠区域。它是图像分析和理解的基础,是计算机视觉领域中最困难的问题之一。图像分割的质量将直接影响着对图像的后续处理,所以图像分割被视为图像处理的瓶颈,具有十分重要的意义。人们很早就开始了对图像分割方法的研究,并且几十年来,这方面的研究从来没有间断过。到目前为止,已经有大量的关于图像分割的理论、技术、方法被人们相继提出并广泛应用。     

图像分割技术在医学图像处理中的应用实践

图像分割技术是图像处理的重要内容和关键步骤,在图像分割领域中,医学图像分割是该技术在医学领域的具体应用,这也是当前需要解决的一个难点,医学领域的图像处理技术存在特定性,在应用中需要充分考虑医学图像处理的要求,并根据实际需要改进算法。文章着重于研究图像分割技术在医学图像处理中的应用实践,旨在推动图像分割技术进一步成熟。     

图像分割的研究进展

在计算机飞速发展的背景下,计算机的图像处理技术渗入到各个行业中。图像分割作为一种基本的图像处理技术,它的目的是把图像分成各具特征的区域,从中提取感兴趣的技术。下面我们就来探讨一下图像分割的进展,以及图像分割中的自动分割和半自动分割的比较。     

基于色彩特征的服装图像分割算法研究

基于色彩特征,提出一种基于混合高斯模型的服装图像分割方法,建立混合高斯逼近的图像色彩特征统计模型,把图像从RGB色彩空间变换到HSI色彩空间,并在H分量上进行分割。对比实验表明,该方案对服装图像目标划分清晰,细节保持较好,改善了图像的分割性能。     

粘连颗粒图像的分割方法综述

粘连图像分割作为颗粒计数、分类、定级评价、识别的基础环节,其实际应用价值不言而喻.本文简要介绍现有的传统分割算法和基于深度学习的分割算法种类,根据粘连颗粒尺寸小、随机散落、数量众多、形状不规则及边缘特征模糊等特点,结合粘连分割算法在各种领域中的应用现状,重点阐述基于分水岭、凹点、U-Net语义分割的方法,介绍关键技术,...     

Otsu多阈值分割算法的研究

在图像分割中,确定阈值是关键,但已有选择阈值的方法多是单阈值法,不适用于多目标识别.鉴于此,提出了一种改进的基于一维Otsu的多阈值分割算法.该算法通过对图像多次分类、使用分离变量合并多余的分类、使用松弛变量搜索阈值等方法提高了运算速度.实验效果验证了该算法的有效性.     

图像分割算法综述与探索

图像分割是作为图像处理的一项重要技术,从研发至今已经应用于各个领域。实践中的图像分割又可以根据具体的操作方法的不同,细分为各种图像分割算法,文章中笔者将结合自己的专业知识和工作经验,简单的介绍下几种普遍的图像分割算法。     

基于多阈值算法融合的图像分割

针对一种阈值分割算法很难对不同类型的图像进行有效地分割的问题,提出一种多阀值算法融合的方法.该方法通过不同的算法得到一组阈值,由迭代的方式将它们有机地组合,并定义一个回报函数,来选取最优阈值.实验结果表明,该方法针对不同类型的图像能够选择最优的阈值进行有效的分割,消除了使用者必须具有先验知识的障碍,省去了人工选择分割方法的麻烦.     

基于显著性检测的害虫图像自动分割算法研究

图像分割技术应用于农田检测中能够区分不同种类及程度的虫害,极大程度的节省时间并提高劳动效率.首先建立了害虫显著性图像的分割模型,从DCT系数中提取颜色、亮度、纹理和深度的特征,并基于图像块之间存在空间距离,采用高斯模型加权来估计图像显著性,然后设计了 一种融合算法,对这些选定的图像特征进行检测分类.研究结果表明,所提的...