基于改进交叉视觉皮质模型的彩色图像增强

为了获得更加符合人眼生理视觉感知的图像,提出了一种在HIS空间上的基于改进的交叉视觉皮质模型(ICM)的彩色图像增强算法。在分析传统ICM工作机制的基础上,保留原模型的基本特性,对模型中的内部活动项和动态阈值部分进行改进,将线性衰减变为非线性,满足了人眼对亮度感知的非线性;同时将衰减因子变为步长的减法,降低了算法复杂度并增强了算法的自适应性。结合图像增强的原理,对亮度分量采用符合视觉属性的阈值强度函数,同时对饱和度分量进行非线性处理。实验表明用该算法能获得更加清晰、鲜艳生动的处理结果。     

基于交叉视觉皮质模型二值图像形态学算法

交叉视觉皮质模型(ICM)的神经元受到二值图像中背景信息的激发并将点火信息在神经网络中并行传播,根据ICM具有相似神经元同步激发从而产生脉冲输出的特性,研究和实现了图像形态学的腐蚀、膨胀和骨架化.实验结果表明,利用ICM对二值图像处理的结果等同于数学形态学中的处理结果,且较传统数学形态学中的处理效率平均快3～5倍.     

基于色彩空间变换的彩色图像分割方法

彩色图像是当今数字图像的主要表现形式之一，彩色图像分割是图像处理的热点与难点问题之一。针对彩色图像分割的精度与速度问题，提出了一种基于色彩空间变换的彩色图像分割方法。该色彩空间重在突出图像三分量间的差异，从而充分利用彩色信息。同时，分割方法以向量化图像为对象，从背景去除的思想出发，采用分裂Bregman快速求解算法，从而达到高效分割的目的。数值实验表明，该方法能有效分割出图像的所有目标区域，分割区域较为完整，结果具有较高的精度。     

一种基于交叉视觉皮质模型的图像编码算法

根据交叉视觉皮质模型(ICM)具有的图像分块功能对图像分块.利用已有的寻找拐点(corner点)方法寻找分块后的corner点,接着对corner点所影响的区域进行无损编码,对不受影响的点进行有损编码(DCT编码).实验证明,这种编码在保证一定压缩率的情况下可以清晰地显示图像的关键点(也即corner点)所影响的区域.     

基于RGB颜色空间的彩色图像分割方法

传统的图像阈值分割算法是将彩色图像转换为灰度图像再进行分割。通过分析RGB颜色空间的特点,本文提出基于RGB颜色空间的阈值分割算法,采用新的判定准则,在颜色空间中以立方体取代原来的四面体,直接对彩色图像进行分割。分析和实验证明,改进的判断准则能够克服由于灰度转换造成颜色信息丢失而引起的误判,在保证原有阈值分割算法快速、简单的前提下,能够对彩色图像进行更为准确的分割。算法适用于目标颜色为黑色的情况,并可以推广到目标颜色为其它颜色的情况。     

基于云模型的彩色图像分割方法

以云模型理论为基础分析彩色图像分割概念,研究已有的彩色图像分割方法,并与云模型相结合,提出基于云模型的彩色图像分割方法。该方法在HSV颜色空间对彩色图像进行非均匀量化,并寻找量化后图像的基本直方图,最后通过云模型的"3En规则"对图像进行前景/背景分割。通过与K均值算法、IS-RSC算法进行比较,实验结果表明了该方法对彩色图像分割的有效性。     

基于改进交叉视觉皮质模型的图像分割新方法

从人类视觉特性出发,将具有“中心抑制,周边加强”性能的人眼视觉侧抑制现象与交叉视觉皮质模型相结合,形成了一种与人类视觉保持一致的适合图像分割的侧抑制-交叉视觉皮质模型.在此基础上,利用灰度级-邻域平均灰度级二维直方图,将一维卡方散度推广至二维,构造出了基于最小二维卡方散度的分割准则,进而提出一种实时性高的图像分割新算法.实验仿真表明,这种分割算法效果优于原始ICM算法和经典的Otsu算法,同时该准则计算速度远高于基于二维最小交叉熵准则的计算速度.     

基于云模型的彩色图像分割方法

以云模型理论为基础分析彩色图像分割概念,研究已有的彩色图像分割方法,并与云模型相结合,提出基于云模型的彩色图像分割方法。该方法在HSV颜色空间对彩色图像进行非均匀量化,并寻找量化后图像的基本直方图,最后通过云模型的“3En规则”对图像进行前景/背景分割。通过与K均值算法、IS-RSC算法进行比较,实验结果表明了该方法对彩色图像分割的有效性。     

改进交叉视觉皮质模型的医学图像融合方法*

传统的ICM(Intersecting Cortical Model,交叉视觉皮质层模型)在图像边缘检测和图像的分割等领域得到了广泛的应用,但模型中的一些参数需要人工的去选取,从而降低了模型应用结果的准确度。因此,本文对传统的ICM进行改进,使其参数能够自适应的选取,提出改进的ICM与NSCT相结合进行医学图像的融合。实验结果表明：本文提出的算法无论从主观性评价还是6个客观性评价指标均优于其它融合算法,不仅提高了图像的清晰度,而且较大程度保留了图像的细节信息,具有边缘信息突出,亮度对比度高的优点,取得了满意的效果。     

用于脉冲噪声图像的交叉视觉皮质模型滤波

脉冲噪声点与其局部周围所在图像像素灰度值之间有很大的差异,导致了交叉视觉皮质模型(ICM)中神经元激发顺序的不同,根据ICM所具有相似神经元同步激发从而产生脉冲输出的特性,对脉冲噪声点进行定位和自适应滤波.结果表明:文中方法处理的受脉冲噪声污染的图像的信噪比较其他非线性滤波器的处理结果提高50%～60%,运算耗时仅为其他非线性滤波器的20%～30%;同时,比其他非线性滤波方案更有效地保持了图像的高频细节信息,给图像的后期处理和识别打下了很好的基础.     

基于物理模型的彩色图像分割

本文给出一个基于光学物理模型的真实彩色图像分割算法.算法首先对图像上的颜色变化(由光照和物体颜色引起)进行分析与综合,然后分割图像.算法的基础是双色反射模型理论,该理论认为反射光的颜色是界面反射(耀斑颜色)和本体反射(物体颜色)的线性组合,这两种反射光在颜色空间的三维直方图中形成特定的聚类(点簇).因此分析聚类的性质可帮助确定光照和物体的颜色,但是有意义的聚类的生成又以图像中物体区域的确定为前提.算法按照假设检验的策略,依据图像中的连通性和颜色空间中聚类的特征,完成彩色图像的分割,并产生对景物中所发生的光学过程的物理描述.该描述包括本征反射图像、分割图像、物体和光照颜色的符号描述.本征反射图像包括只反映界面反射的耀斑图像和从原图像中去除耀斑影响后的本体图像.     

基于HIS空间的彩色图象分割

提出了一种基于HIS空间的彩色图象自动分割算法．在这个算法中，彩色图象首先被转化到HIS颜色空间．图像分解成彩色通道(H和S分量)和亮度通道(1分量)．我们对彩色通道采用基于J-图象的自动分割算法进行分割．对亮度通道采用水线阈值算法进行分割，然后将分割后的结果进行组合．得到最终分割结果．试验表明，这种方法计算快速简单．是一种高效的自动算法。     

基于模糊技术的彩色图像分割方法

由于彩色图像提供了比灰度图像更为丰富的信息,因此彩色图像处理正受到人们越来越多的关注。彩色图像分割是彩色图像处理的重要问题,目前对彩色图像的分割已提出了许多种算法,在这些算法中由于模糊技术能很好地表达和处理不确定性问题,因此在彩色图像分割领域会有更广阔的应用前景。本文主要介绍了基于模糊技术的模糊阈值分割法、模糊聚类分割法和模糊连接度分割法。     

基于PCNN的彩色图像分割新方法

20世纪90年代发展起来的新一代神经网络——脉冲耦合神经网络(PCNN)模型特别适合于图像处理的各个方面,但是它一直只应用于灰度图像的处理上。有鉴于此,论文对PCNN在彩色图像分割上的应用进行了研究,将彩色图像空间变换成三个相互独立的分量,分别应用PCNN在灰度图像上已有的成熟的方法,得到了彩色图像的边缘信息,从而达到了彩色图像分割的效果。     

基于S-CIELAB空间的彩色图像分割

提出一种基于S-CIELAB颜色空间的彩色图像分割算法。在人类视觉彩色传递模型的基础上,将原始的RGB图像转换到S-CIELAB空间,运用均值漂移算法对图像进行分割。实验结果表明,该算法能模拟人类视觉模糊特性,得到与人类视觉非常接近的分割结果。对于被高斯噪声严重污染的彩色图像,该算法也能有效地进行分割。     

基于云模型的多粒度彩色图像分割

图像信息中存在的不确定性问题会影响图像的分割效果.为此,提出一种基于粒计算和云模型的彩色图像分割算法.研究多粒度认知模型,在HSV颜色空间中利用云模型构建彩色图像的信息粒,进行多粒度、多层次的云粒合成,实现彩色图像分割.实验结果表明,与PCNN算法和K均值算法相比,该算法的分割效果较好.