多聚焦图像灰度重叠特征自适应识别仿真

传统方法对多聚焦图像进行预处理,由于图像灰度重叠区域合并使原图像细节信息损失,导致多聚焦图像灰度重叠区域识别效果不理想,为此提出基于Mean-shift算法和OTSU阈值分割算法的多聚焦图像灰度重叠特征自适应识别方法。使用Mean-shift算法对多聚焦图像进行平滑处理,对平滑处理过后的多聚焦图像进行小波变换,将图像的灰度重叠区域灰度值增强;再使用阈值分割将经过灰度增强的重叠区域分类;通过OTSU算法识别出灰度重叠特征区域。实验结果表明,提出方法在图像灰度重叠区域的识别效果上较为突出,并且能够有效保留灰度重叠区域的细节信息。     

基于各向异性滤波和空间FCM的MRI图像分割方法

针对具复杂目标和边界模糊的MRI图像中多感兴趣区域的分割中分割MRI图像软组织难的问题, 提出了一种基于各向异性滤波和空间模糊C-均值聚类(SFCM)的MRI图像分割方法; 用新型各向异性滤波对图像进行预处理, 解决去噪平滑的同时弱化图像细节的问题; 用邻域空间信息设计空间函数, 改进传统FCM的目标函数; 用图像的空间信息实现图像各目标准确分类、有效解决孤立区域的正确归类问题, 进而使分割区域完整; 用直方图拟合曲线初始化分类数和初始聚类中心, 加快算法迭代到最优解, 进而减少运行时间。通过实验证实了各向异性滤波和空间FCM的MRI图像分割方法的综合应用显著提高了分割灰度重叠、目标不连续和目标边界模糊的MRI图像的分割效果。     

抑制纹理信息的偏置场变分图像分割模型

偏置场变分水平集图像分割模型利用原始图像的局部灰度信息,可以对灰度不均匀图像进行有效的分割,但当灰度图像中存在纹理时,分割效果往往很差。针对这一问题,提出抑制纹理信息的偏置场变分水平集图像分割模型。利用一种基于纹理几何结构的纹理描述符描述图像中不同的纹理区域,使得不同纹理区域对比更加明显,相同纹理区域更加平滑,通过抑制纹理信息使后续的图像分割在纹理部分的错分大大减少。实验结果表明,相比偏置场变分模型,所提模型对自然及人工合成纹理图像均获得更好的分割结果。     

基于比值法和模板匹配法的灰度图像拼接

提出一种改进的基于比值法和模板匹配法的灰度图像拼接算法。对两幅具有重叠区域的灰度图像，先通过设置拼接参数对话框，在另一幅图像中找到最佳匹配点，最后利用平滑因子对两幅图像的重叠区域进行数据融合操作，实现了灰度图像的快速自动拼接。实验证明．该方法对大部分灰度图像具有很好的拼接效果。     

局部阀值法的医学图像分割

提出了一种局部阀值法的医学图像分割算法。针对X线医学图像中存在目标动态范围广,目标与背景灰度值重叠区间大等特点,在对目标特有纹理进行增强的基础上,采用了包含目标区域最小化的分区,最后利用局部阀值法结合密度函数分割图像。实验表明,该方法能有效分割出医学图像中的骨质影像。     

具有规则度约束的红外图像多层阈值分割方法

针对红外图像的噪声和模糊边缘给红外图像的分割和目标检测带来的困难,为了得到边缘连续的目标区域,提出了一种具有规则度约束的多层最佳阈值图像分割方法,在根据灰度对图像进行多阈值的初始分割的基础上,通过各个区域的规则度等参数对分割区域进行过滤处理,消除过分割区域,降低因为过度分割造成的目标识别困难,实验结果表明,该算法具有良好的效果和实用价值,不仅用于红外图像,也可以应用于自然光图像的分割。     

利用图像像素灰度值变化速度的相似性进行图像分割

提出了一种利用相邻象素间灰度值变化速度的相似性进行图像分割的方法。它不同于直接利用相邻象素间灰度值的相似性进行图像分割的方法。经该方法分割后的图像可以忽略目标内部象素灰度的差异,更加有利于目标区域的形状提取。     

基于变异系数和模糊集的活动轮廓图像分割模型

由于图像分割具有模糊性,提出了一个对灰度不均匀、高噪声图像的分割模型。该模型以模糊能量泛函为基础,结合区域和边缘信息,利用变异系数作为局部区域统计量,避免了噪声对分割的干扰,很好地提取了图像信息。区域能量可以平衡目标和背景的重要性,驱使初始轮廓向目标边界移动。边缘能量对伪水平集函数进行正则化,保持曲线演化过程中的平滑性。在求能量泛函极小值时,直接计算新旧能量泛函的差值以更新伪水平集。对于高噪声以及混合噪声和强度不均匀的合成和真实图像的分割结果表明,本文模型具有较好的分割效果。     

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。     

强伪装下的航空图像边缘分割方法仿真

研究强伪装下的航空图像边缘准确分割问题.随着伪装技术的广泛应用,航空图像中的背景色彩已经高度接近目标,造成目标和伪装物在像素色差、灰度等特征上高度一致.传统的分割算法,在分割航空图像特征时,会随着灰度的接近陷入无穷分割的境地,造成阀值设定过程无穷化,很难保证完整分割出特征.提出了一种曲线演化模型的航空图像边缘分割方法.利用P&M算法,对采集的航空图像进行平滑滤波处理,从而去除航空图像中的噪声,提高图像的分辨率.建立曲线演化模型,将航空图像的监测目标中的能量进行由粗到细的演变,从而扩大图像边缘捕获区域,使其对捕获过程更加敏感,对强伪装下的航空图像边缘进行分割处理.实验结果表明,算法进行强伪装下的航空图像边缘分割,能够在航空图像中准确的提取边缘区域,为航空图像应用领域提供了决策依据.     

一种基于改进分水岭算法的图像分割方法

使用分水岭方法对图像进行分割引起了人们的重视,但是在图像分割中,分水岭变换使用的是梯度图像,容易造成过度分割。因此首先对原始图像进行平滑,将平滑后的图像使用分水岭变换,同一标号的像素属于同一贮水盆地,而将距不同贮水盆地距离相等的像素标为分水岭点,这样就得到了图像的初始分割结果;最后应用灰度齐次性准则和边界强度准则进行区域的融合,从而解决了过度分割问题。实验结果表明,该方法得到了精确的、有意义的分割结果。     

Perfect image segmentation using pulse coupled neural networks

This paper describes a method for segmenting digital images using pulse coupled neural networks (PCNN). The pulse coupled neuron (PCN) model used in PCNN is a modification of the cortical neuron model of Eckhorn et al. (1990). A single layered laterally connected PCNN is capable of perfectly segmenting digital images even when there is a considerable overlap in the intensity ranges of adjacent regions. Conditions for perfect image segmentation are derived. It is also shown that addition of an inhibition receptive field to the neuron model increases the possibility of perfect segmentation. The inhibition input reduces the overlap of intensity ranges of adjacent regions by effectively compressing the intensity range of each region.     

基于几何特征的灵武长枣图像分割算法

智能采摘机器人在采摘灵武长枣果实时，其视觉系统采集的目标图像中，目标在自然场景下存在粘连、遮挡、重叠、阴影等问题，造成在图像目标识别时的误识对象问题，这对智能采摘是极其不利的。针对这一问题，提出了一种基于几何特征的灵武长枣图像分割的算法。根据灵武长枣的外形接近椭圆的特征，通过大量统计灵武长枣果实的外形特征数据，建立基于灵武长枣外形的几何模型。通过一系列图像预处理获得二值图像，再利用形态学变换进行连续腐蚀得到目标物的相对质心点位并标记，以确定目标物个数。以标记的质心作为模型的中心，在变换后的二值图像中建立该几何模型，利用所建立模型的边界曲线拟合出灵武长枣图像中目标物的分割线，从而实现灵武长枣图像的分割。实验结果表明，该方法能够简便快捷地解决图像目标物之间的粘连、阴影问题，并能保证高准确率。对于果实粘连较轻的图像，其分割准确率可达到92.31%。     

复杂表面物体3D模型的获取方法

提出了一种从真实物体中获得其3D模型的方法.该方法通过TOF- Camera获得原始的点云数据,在对点云数据进行三角化、分割、滤波去噪等处理后得到部分物体模型,然后再应用ICP(迭代最近点)算法对其进行配准.配准过程中为了节省内存,删掉重叠的冗余数据.最后对生成的数据进行网格重建,得到完整的网格模型.实验表明该方法能较为快速地获取真实物体的3D模型,显著提高TOF相机获取数据的质量.     

脉冲耦合神经网络与最大相关准则的图像分割

基于脉冲耦合神经网络（Pulse Coupled Neutral Network,PCNN）模型,提出了一种基于Canny算法的图像预处理方法,增强了图像的模糊边缘,提高或抑制了对应神经元的相似群捕获能力,利用最大相关准则确定神经元的衰减阈值和实现神经元相似群捕获强度的控制,避免了神经元完全捕获对分割图像的过平滑,成功实现了灰度图像的自动分割。该方法得到的分割图像取得了较好的结果,体现了更多细节,与相关文献相比,大大减少了神经元参数对分割结果的影响。     

基于形态学梯度重构和标记提取的分水岭图像分割

为了解决传统分水岭算法的过分割问题,提出一种使用形态学梯度重构和标记提取技术进行图像预处理的分水岭图像分割方法。该方法基于多尺度概念,进行梯度重构时采用了不同尺寸的结构元素,在对重构后的各梯度图像的区域极小值进行标记后,将各标记点的并集作为最终标记图像,用其修改梯度图像,然后进行分水岭变换,实现图像的区域分割。实验结果表明,该方法既能有效解决分水岭算法的过分割问题,又保留了各尺度下的重要目标,并且可以根据图像特点和具体的分割要求,调整分割过程中所选参数,得到满意的图像分割效果。     

多分辨率双水平集医学图像分割算法

由于医学图像通常伴有灰度不均、背景复杂的特点,传统水平集无法对其进行有效分割,因此提出了一种多分辨率改进型双水平集算法。首先,利用小波进行多尺度空间分析,从而获取医学图像的粗尺度图像;然后由改进型双水平集对图像进行分割,提取多目标区域;为了去除医学图像中灰度不均对分割效果的影响,该算法引入偏移场拟合项,以进一步改进双水平集模型,进而对粗尺度分割效果进行优化处理。实验结果表明,所提算法能有效地解决灰度不均与背景复杂的问题,将伴灰度不均的多目标医学图像完全分割出来,从而获得预期的分割效果。     

一种基于边缘与区域信息的先验水平集图像分割方法

传统的水平集图像分割方法仅考虑了图像的数据信息,因此对被遮盖的目标以及与背景灰度相近的目标无法达到理想的分割效果.针对这个问题,提出了一种基于边缘和区域信息的先验水平集图像分割方法.该方法首先将图像的区域信息融入基于边缘的水平集方法,然后将其与形状先验结合.对比实验表明该文方法由于综合考虑了多种信息,能够更好地完成被遮盖目标的分割,对于与背景灰度相近的目标也能达到更好的效果.     

改进K-means活动轮廓模型

目的 通过对C-V模型能量泛函的Euler-Lagrange方程进行变形,建立其与K-means方法的等价关系,提出一种新的基于水平集函数的改进K-means活动轮廓模型。方法 该模型包含局部自适应权重矩阵函数,它根据像素点所在邻域的局部统计信息自适应地确定各个像素点的分割阈值,排除灰度非同质对分割目标的影响,进而实现对灰度非同质图像的精确分割。结果 通过分析对合成以及自然图像的分割结果,与传统及最新经典的活动轮廓模型相比,新模型不仅能较准确地分割灰度非同质图像,而且降低了对初始曲线选取的敏感度。结论 提出了包含权重矩阵函数的新活动轮廓模型,根据分割目的和分割图像性质,制定不同的权重函数,该模型具有广泛的适用性。文中给出的一种具有局部统计特性的权重函数,对灰度非同质图像的效果较好,且对初始曲线位置具有稳定性。     

Local adaptive segmentation algorithm for 3-D medical image based on robust feature statistics

Medical image segmentation is of pivotal importance in computer-aided clinical diagnosis. Many factors, including noises, bias field effect, local volume effect, as well as tissue movement may affect the med- ical image, thus causing blurring or uneven characteristics when forming a picture. Such quality defects will inevitably impair the gray-scale difference between adjacent tissues and lead to insufficient segmentation or even leakage during tissue or organ segmentation. In the present investigation, a local adaptive segmentation algorithm for 3-D medical image based on robust feature statistics （LARFS） was proposed. By combining segmentation algorithm principles for traditional region growing （RG） and robust feature statistics （RFS）, the location and neighborhood image information of input seed point can be comprehensively analyzed by LARFS. Results show that, for different segmentation objects, under controlling the input parameter of growing factor within certain range, LARFS segmentation algorithm can adapt well to the regional geometric shape. And be- cause the robust feature statistics is applied in the contour evolution process, LARFS algorithm is not sensitive to noises and not easily influenced by image contrast and object topology. Hence, the leakage and excessive segmentation effects are ameliorated with a smooth edge, and the accuracy can be controlled within the effective error range.