基于数学形态学的细胞图像分割

该文提出了一种基于数学形态学理论的方法,用于分割细胞图像。首先利用灰度形态学中的重构运算对输入图像进行滤波来削弱或去除噪声的影响,然后取其形态学梯度并结合Top-Hat和Bottom-Hat两个变换来增强梯度图像的对比度,最终由分水岭算法完成分割。关于过分割的改进,该文引出一个特殊的Otsu阈值来标记图像,得到的结果无需进一步的后处理。     

基于数学形态学和HIS模型的彩色舌图像分割

从数学形态学的基本理论出发,利用数学形态学能描述图像形态特征的特点,结合ＨＩＳ模型,充分考虑图像的彩色信息,提出了基于数学形态学和ＨＩＳ模型的舌图像分割算法,实验结果表明,本算法具有较好的分割性能．     

基于数学形态学和HSI模型的彩色舌图像分割

从数学形态学的基本理论出发,利用数学形态学能描述图像形态特征的特点,结合ＨＩＳ模型,充分考虑图像的彩色信息,提出了基于数学形态学和ＨＩＳ模型的舌图像分割算法,实验结果表明,本算法具有较好的分割性能。     

基于数学形态学的电晕紫外图像分割的研究

紫外成像是检测高压设备早期电晕放电的一种有效方法。提取紫外图像中的放电区域轮廓可获得放电形态,有助于定性或定量研究放电现象。根据电晕紫外图像的特点,采用了二值数学形态学方法有效地去除了离散放电点和噪声点,提取了紫外图像中的主放电区域,采用区域标记算法和多区域轮廓跟踪算法得到了各放电区域的轮廓及轮廓点的坐标,计算得到了各放电区域面积、周长和直径等参数。实际应用验证了所提方法的有效性。     

基于颗粒参数测量方法的图像分割评价研究

提出了用图像颗粒参数测量方法来计算颗粒形状和粒度分布等,以此评价图像分割的精确度,并和已有的七种分割评价方法进行比较,通过仿真实验进行定性和定量的分析,证明此方法能更好地评价图像分割算法的优劣.     

基于数学形态学与均值方差的指纹图像分割算法

提出了一种基于数学形态学与均值方差的复合指纹分割算法,改进了指纹图像分割效果,提高了指纹图像分割的精确度。对FVC2000、FVC2002和FVC2004数据库的实验结果表明,该算法能有效地对指纹图像进行自动分割,具有较快的速度和较好的鲁棒性。     

二值图像分割的数学形态学方法

本文提出一种利用数学形态学的分割方法，对二值化的有重迭的颗粒图像进行分割，从而对颗粒目标进行统计分析。并将此方法用于海底锰结核成像的分析，结果较为满意。     

纸病图像的数学形态学分割方法

提出了采用数学形态学操作从纸病图像中分割强噪声背景和纸病的方法。图像噪声和纸病的两个明显的区别是它们的密度和尺寸大小，利用噪声和纸病这些明显区别的特性，采用形态学的腐蚀、膨胀、开运算及闭运算等操作分两次去除图像噪声、检测图像边缘，结合阈值增强方法和传统边缘检测得到纸病检测和分割结果。     

基于改进SLIC与CNN的细胞显微图像分割与计数

针对细胞显微图像分割与计数问题,提出了一种基于改进SLIC(Simple Linear Iteration Clustering)超像素与卷积神经网络(Convolutional Neural Networks,CNN)的细胞显微图像分割和技术的方法.首先对细胞显微图像进行预处理,然后对图像进行改进后的SLIC超像素分...     

基于二维特征和Fisher准则函数车牌图像分割

以车牌图像的灰度和邻域均值构成二维特征,此二维特征的直方图具有如下的特点：车牌图像中的字符目标区域与背景区域集中在二维特征直方图中的对角线附近。可方便的运用Fisher准则函数在二维特征直方图的对角线找到最佳分割点。实验表明,相对于直接在二维灰度直方图上进行向量分割的方法,不仅能降低误判率,还可将二维问题转化为一维问题,可大大减少可计算量。     

基于颜色特征的植物根系图像分割方法

良好的图像分析系统可快速确定各种各样的植物根系参数.一般说来,在进行植物根系图像的测量处理之前还应对其做特别的准备.图像分割是计算机视觉低层处理的重要步骤.由于植物根系彩色图像有比其灰度图像更多的视觉信息,所以它们在根系图像特征的提取处理过程中更为有用.论文对现有几种彩色图像分割方法进行了比较分析,提出了一种基于颜色特征的图像分割法,并将其应用于扫描和数码相机拍摄植物根系图像的分割处理.     

基于MR图像的软骨特征自动分割方法

图像分割是关节软骨精确检测和评估的首要前提.针对股骨头软骨MR图像提出基于边缘的自动分割技术.利用Hough变换和髋关节的解剖学结构约束提取股骨头中心和图像的目标位置,确定出粗略分割图像的范围,并结合自适应阈值的Canny边缘检测算子确定被分割图像的边界,按照股骨头软骨边界的像素特点对检测结果进行逐一排查,以去除噪声获得精确的软骨内外边缘.提取内侧与外侧边缘之间的图像信息作为最后的分割结果.实验表明,分割方法可以实现对MR图像中髋关节股骨头软骨快速准确的自动分割.     

基于颜色模型和纹理特征的彩色水果图像分割方法

介绍了RGB和HIS两种颜色模型,采用色调值H和色差值R-G两个特征值,通过Otsu方法自动获取阈值对自然场景下彩色水果图像进行了分割,并对实验结果进行了对比.然后,利用灰度共生矩阵分析了果实和背景的纹理特征,找到了区别果实和背景的纹理特征参数,对果实和背景颜色相似的图像进行分割.实验结果证明,纹理特征和颜色特征两者相辅相成,优势互补,对于包含复杂背景的青苹果图像分割效果比较好.     

基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络.该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上.应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征.提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合.所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.     

基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络. 该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上. 应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征. 提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合. 所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.     

基于多重分割捆绑特征的目标图像检索

针对基于目标的图像检索（OBIR）领域中,传统的视觉关键词方法忽略了局部特征之间的空间关系信息,导致检索准确度不高的问题,提出一种基于多重分割捆绑特征的目标图像检索方法.通过对图像进行多重分割,各分割区块用它所包含的尺度不变特征变换(SIFT)特征集合来描述,生成包含空间关系信息的捆绑特征;根据视觉关键词词库匹配捆绑特征,并提出一种改进的相似性度量方法计算捆绑特征相似度,再将该相似度作为权重融入到视觉关键词方法的向量空间模型中,计算图像相似度并进行排序.结果表明,该方法能够有效利用局部特征之间的空间关系信息,在保证检索效率的同时,显著提高检索准确度.     

基于塔形小波和特征加权的墙地砖纹理图像分割方法

目的基于小波变换的图像分割方法对随机纹理图像进行分割.方法通过墙地砖表面的原始纹理特征,改进原有的图像分割算法,对原始纹理图像进行高阶小波分解.结果图像整体中的背景纹理边缘被有效去除,降低了图像纹理带来的干扰,在有效提取近似信息的基础上提高了系统的实时性.结论根据墙地砖的纹理特征,采用基于塔形小波的改进分割方法,对墙地砖的原始图像进行处理,提高了边缘准确性和区域性,降低了分割错误率.     

基于图像分割和SVD的数字水印算法

利用图像分割法,提出了基于图像分割和SVD的数字水印算法。该算法将原始图像划分为许多不同的区域,对于不同的区域,分别采用同一区域块用统一的量化步长和同一区域用基于统计特性的自适应量化步长等两种形式对其进行分析。水印的提取不需要原始图像,并受到密钥的控制,不知道密钥就无法正确恢复水印。     

基于灰度特征聚类的图像自动分割方法

脉冲耦合神经网络是一种新型神经网络,该网络无需训练,根据脉冲耦合神经网络相邻神经元同步点火特性,提出了一种基于灰度特征聚类的脉冲耦合神经网络图像分割方法,利用脉冲耦合神经网络点火捕获特性,实现了对特征的自组织聚类,克服了以往基于统计方法对于相邻灰度影响的考虑,弥补了空间不连贯灰度区域分割成离散块的缺点.针对目前对网络参数的选取还主要停留在人工调整和确定阶段,对参数的选取进行了分析,并对迭代终止条件进行了研究.通过实验,证明分析结果是有效的.     

基于多层级特征自适应融合的图像分割算法

为了解决传统算法对医学图像分割时精度较低的问题,提出基于多层级特征自适应融合的新型FRUnet图像分割算法.在编码器阶段,设计采样加权模块替代传统卷积层,对图像空间信息进行逐层提取和特征融合,获得相邻像素之间的相关性和不同层次的语义信息.在解码器阶段,设计多层级自适应融合模块,通过非线性跳跃连接逐层提取图像通道信息,自适应地融合邻近连接层的上下文信息,使各层专注不同特征信息的提取.FR-Unet在模型参数量上大幅度减少,让网络在场景部署上得到更好的支持.实验结果表明,该网络在动物细胞分割、肝脏器官分割、皮肤病变分割等众多任务中均表现突出.