基于核模糊聚类的彩色图像色彩-纹理分割方法

提出了一种利用色彩-纹理综合特征进行彩色图像分割的新方法。首先利用HSI色彩模型提取图像的色彩信息,其次,采用与方向无关的Gabor变换对彩色图像的强度信息进行处理,提取图像的纹理基元。根据上述过程所获得的色彩-纹理特征,采用核模糊聚类方法实现彩色图像的自动分割。实验结果表明,所提出的方法综合利用了图像的色彩、纹理信息,使彩色图像的分割结果更准确。     

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。     

一种自动分割图像颜色的算法

图像颜色分割是图像处理的一项技术。本文提出一种基于直方图采用磨光技术的自动分割图像颜色的算法。通过给定图像的颜色数，经过磨光算法处理，自动确定图像的中心色及分割限，准确地归并图像颜色。此算法可适用于黑白或彩色图像的处理。     

基于色彩均匀度的自然图像色彩-纹理分割方法

针对现有图像分割方法中存在的计算复杂,分割结果平滑性不好等问题,提出了基于色彩均匀度的自然图像色彩—纹理分割方法ISBEC。该方法首先对输入图像进行色彩量化,然后利用量化得到的索引图同时进行色彩分割和基于色彩均匀度的多尺度纹理分析,接着将纹理和色彩分割的结果加以结合,最后合并去掉过分割区域。将灰度图像转为色彩分量相同的彩色图像后,ISBEC算法同样可以用于灰度图像的分割。实验结果验证了ISBEC对自然图像色彩—纹理分割的有效性。     

基于PCA的彩色印刷图像色彩分割算法

针对彩色图像的印刷过程中,原图像的色彩分割问题,提出了基于PCA(主成分分析)并结合其它典型彩色图像分割方法的新分割算法;该算法首先利用PCA算法把图像分解为主特征分量和残特征分量两分量图;然后采用二次分水岭算法对残特征分量图进行分割;利用K-Means算法对主特征分量图进行聚类初分割,接着对聚类初分割后的图像进行相似色彩区域融合;最后把分割后的两分量图的进行融合,得到最终的分割结果图;该算法可以应用于彩色印刷图像的色彩自动分割和彩色印刷过程的自动色彩控制中。     

皮肤红斑彩色图像分割的降维方法研究

论文通过在HSV色彩空间分析皮肤红斑彩色图像的颜色分布特征,提出了适用于皮肤红斑彩色图像分割的一维特征参量,并将该特征参量用于模糊c均值聚类算法,对红斑彩色图像进行了分割实验。实验结果表明,与用其它特征参量的图像分割实验相比,使用该特征参量可以提高分割速度和分割正确率。     

一种基于磨光的图像分色算法

本文提出一种基于磨光技术的图像分色算法。通过给定图像的颜色数或灰度层次数，经过磨光算法处理，自动确定图像的中心色及分割限，准确地归并图像颜色。此算法可适用于黑白或彩色图像的处理     

基于多FART神经网络的彩色图像分割

提出了一种适用于彩色图像分割技术的多模糊自适应谐振(FART)神经网络结构.网络的输入为RGB色彩空间的彩色图像,并将其转换为HSV色彩空间的三组彩色分量-色调,亮度和饱和度,而后利用多FART神经网络的分类能力,将三组分量进行分类的图像输入到决策层,经过融合和分割处理后,最终得到正确的彩色分割图像.与彩色分水岭算法相比,采用上述图像分割算法得到了较好的分割效果.     

基于HSV色彩空间的自适应肤色检测

针对复杂背景彩色图像提出了一种基于HSV色彩空间的自适应肤色检测算法。该算法首先使用阈值在HSV空间对人体肤色区域进行肤色分割,然后对分割出的肤色区域使用相对重要性滤波和自适应区域归并,最后将归并后的肤色区域使用人眼定位进行验证,将多人脸检测转化为单人脸检测。实验结果表明,该算法复杂度较小,对光照变化具有很好的鲁棒性。     

基于HSV颜色模型的广义梯度矢量流图像分割方法

采用广义梯度矢量流（Generalized gradient vector flow, GGVF）作为势能函数的Snake算法在处理灰度图像分割时具有较好的性能.但当处理彩色图像时, GGVF模型往往将彩色图像转化为灰度图像进行处理,此过程造成颜色信息丢失,因而容易受到阴影等伪边界灰度变化的干扰.本文提出了基于HSV颜色模型的GGVF,充分利用了图像的色彩信息进行图像分割.实验结果表明,该方法能够有效地区分彩色图像的真实边界与由阴影产生的伪边界,并取得较好的分割结果.     

基于处理-分裂-合并的彩色图像自动分割系统

叙述一个基于处理-分裂-合并的彩色图像自动分割处理系统。其主要功能为：根据图像的区域特征将彩色图像自动分割成若干块并存储区域的边界特征，实现了地图的面查询，并可实现原图和分割出来的区域图的放大和缩小显示。采用适当的去噪、平滑方法使区域图像分割更精确。本系统采用面向对象的分析设计方法，在Windows平台上，进行编程开发实现。系统对GIS、图像数据库及其检索和图像及文字模式识别的研究有较重要的意义。     

一种基于色彩和纹理分析的图像分割算法

提出一种基于种子区域增长的快速图像分割方法.该算法首先对输入彩色图像进行色彩量化处理.然后根据图像中量化色彩标签的分布情况,通过设置不同尺寸的图像窗口快速寻找种子区域,并结合图像中的色彩和纹理特征,实现种子区域的快速增长.实验结果表明,本文所提出的图像分割算法在计算时间和分割效果上均有较好性能,特别适用于基于内容的图像检索等应用.     

基于RGB彩色空间的图像分割研究

图像分割是图像处理中的主要问题,图像分割效果的好坏直接影响图像分析的结果。彩色图像分割是指将彩色图像分割成各具特性的区域并提取出其中感兴趣的目标,为后续图像处理工作奠定基础。针对彩色图像梯度图进行分水岭分割会造成过分割的问题,比较阈值分割、最大类间方差分割和最大熵分割等图像分割方法,提出一种基于遗传算法改进最大熵的彩色图像分割方法。实验结果表明,该图像分割算法灵活性强,可以有效地分割彩色图像。     

复杂网络理论在彩色图像分割中的应用研究

图像分割在许多图像处理应用中具有重要作用。为提高彩色图像分割效果,更好的表示图像信息,利用复杂网络理论对彩色图像分割进行研究,从网络社团结构模型的角度分析图像,提出一种更为清晰的彩色图像分割表述方法。根据彩色图像中各像素点之间的相似性构造图像的网络社团结构图,实现对图像数据的建模,之后利用谱聚类社团划分算法对较好的网络社团结构图进行社团检测,进而实现对图像相似像素的聚类,最后得到图像分割结果。在BSDS300图像库上随机选取不同的彩色图像进行实验,通过对图像分割结果的分析研究,结果表明提出的算法在精度方面优于传统彩色图像分割算法,可以实现更好的分割结果,同时验证了社团划分算法进行彩色图像分割的可行性和有效性。     

iRGA:一种改进的区域生长彩色图像分割方法

图像分割是任何图像分析过程中的首要任务,因为接下来所要做的工作(如特征提取、目标识别等)都取决于图像分割的质量。文章提出了一种改进的区域生长彩色图像分割方法iRGA(improvedRegionGrowingApproach)———基于子块色彩均值和方差的图像分割法。实验证明,该方法可以有效地减少计算复杂度和抑制噪声的干扰。     

一种快速、稳健的图像分割方法

提出了一种快速、稳健的彩色图像分割算法。首先将图像划分为多个色彩变化平滑区域和非平滑区域,进而对非平滑区域进行进一步量化,最后使用区域增长法合并较小区域从而实现图像分割。试验结果表明,该算法可以获得良好的图像分割结果并具有较高的效率。     

用全局稳定FCHNN在CIELab色彩空间进行图像分割

在张星明等人所做工作的基础上,进一步从李雅普诺夫稳定性原理出发,改进性地设计了具有全局渐进稳定性和全局指数稳定性的模糊竞争Hopfield神经网络（简称GS-FCHNN）,用GS-FCHNN进行彩色图像分割,从彩色图像在CIELab空间的色彩分布图获得具有明显色差的色彩值,取该值作为模糊核,从而为神经元建立基于最大隶属度原则的状态函数,实现彩色图像的模糊聚类,达到图像目标分割的目的。实验结果表明：较FCHNN算法,运算时间有明显加快,分割效果不受色彩分布的复杂度的影响,对高斯噪声的自适应能力得到进一步加强。     

基于均值偏移的彩色图像分割算法

提出了一种基于均值偏移的彩色图像分割算法。首先阐述了在CIE LUV均匀彩色模型下均值偏移算法的基本原理,然后给出了在图像分割中的具体实现方法：选定一个像素,在适当的空间窗和色彩窗限定的特征空间中寻找模式点,实现窗口中心从选定点到模式点的偏移,重复此过程,直到找到稳定的模式点并用模式点的色彩值代替该像素,遍历所有像素,最终达到对所有像素进行聚类。通过两幅图像对算法进行检验,实验结果证明该算法对彩色图像具有良好的分割效果。     

一种基于LUV均匀颜色空间的彩色分割方法

本文提出一种通过转换颜色空间和颜色聚类的方法来实现对彩色图像的分割。由于RGB颜色空间是非均匀空间,算法首先把RGB颜色空间转换到LUV均匀颜色空间,然后对颜色进行相似合并,最终由几种颜色表示待分割的图像,从而实现对彩色图像的色彩分割。     

基于交叉视觉皮质模型的彩色图像自动分割方法

通过对传统彩色图像分割方法的分析,结合最新的交叉视觉皮质模型,给出了一种新的彩色图像自动分割算法。将图像转换到HSV色彩空间,并利用判决机制选择熵最大的分量进行分割,与传统的对H,S,V分别进行处理并将处理结果合并作为分割结果的方法相比,传统HSV方法耗时7533 s,该算法整个处理过程耗时257 s,约为传统HSV方法耗时的三分之一,大大提高了处理的速度;将最大类间交叉熵判决机制引入到交叉视觉皮质模型中,从而实现图像自动分割,避免了人为干预,提高了分割的准确性。将该方法与基于最大香农熵的分割方法进行了比较,仿真结果表明,该算法对于彩色图像自动分割具有良好的性能。