基于支持向量机的多光谱显微细胞图像分割

文章根据多光谱图像数据维数高的特点,以像素各个波段的灰度值为特征,采用支持向量机(SVM)方法为核心来分割多光谱显微细胞图像。为提高计算速度,在亮度和色度分量上利用阈值分割法进行预处理;同时,对SVM分割后的图像,采用基于区域灰度差的生长准则进行后处理,获得了更好的分割效果。最后把支持向量机(SVM)方法与径向基神经网络(RBFNN)方法进行比较,实验结果表明,SVM分割效果优于RBFNN,是一种精度高、速度快的多光谱显微细胞图像分割方法。     

分割虚拟人切片数据的SVM多类分割方法*

针对虚拟人切片数据量大、解剖结构复杂等特点,对分割虚拟人切片图像的基于二叉树SVM多类分割方法进行研究.基于二叉树的SVM多类分割方法较其他SVM多分类方法更符合人们分割虚拟人切片图像的习惯,而且能获得较高的分割性能和质量.通过对该方法的性能分析,为组织高效的二叉树SVM多类分割方法提供了理论支持.     

基于训练样本自动选取的SVM彩色图像分割方法

图像分割是模式识别、图像理解、计算机视觉等领域的重要研究内容。基于支持向量机((Support Vcctor Ma- chine, SVM)的方法现已广泛应用于图像分割,但其在训练样本的选取上大多是人工选择,这降低了图像分割的自适 应性,且影响了SVM的分类性能。提出一种基于训练样本自动选取的SVM彩色图像分割方法,算法首先使用模糊 C均值(Fuzzy C-Mcans, FCM)聚类算法自动获取训练样本,然后分别提取图像颜色特征和纹理特征,将其作为SVM 模型训练样本的特征属性进行训练,最后用训练好的分类器对图像进行分割。实验结果表明,提出的方法可取得很好 的分割结果。     

EM聚类和SVM自动学习的白细胞图像分割算法

白细胞图像分割是白细胞自动识别的关键环节,其分割效果直接影响后续步骤.为提高光照、颜色不稳定情况下的分割精度,提出一种基于期望最大化(Expectation maximization,EM)聚类和支持向量机(Support vector machine,SVM)自动采样-学习的彩色白细胞图像分割方法.首先采用EM算法对CIELUV颜色空间的L分量聚类得到细胞核区域.在细胞浆分割阶段,先利用EM过分割和膨胀的细胞核区域获取正负样本候选区域;接着用基于EM的分层抽样得到正负样本;再提取颜色特征自动对正负样本训练获得SVM模型;最后科用SVM分类模型得到整个细胞区域.与传统的白细胞图像分割算法相比,本文方法更能适应图像光照和颜色的变化;与同类的分割算法相比,本文方法提高了分割精度.相关实验结果表明,本文算法具有良好的精度和鲁棒性.     

基于窄带水平集的带标记线左心室核磁共振图像的自动分割

提出了一种全自动分割带标记线左心室核磁共振图像的方法.它主要由两部分组成:先采用支持向量机(SVM)进行左心室定位,从而给出初始轮廓线;然后用改进的窄带水平集(Level Set)方法演化曲线得到最终分割结果.该方法改进了窄带生成方法,减少了窄带生成时间.针对带标记线左心室核磁共振图像的成像特点,引入了块像素变差和灰度相似性的思想对水平集方法的速度项进行了改进.实验结果表明,该方法能全自动、快速、准确地实现左心室的分割.     

基于多特征融合和SVM分类器的植物病虫害检测方法

针对农业领域植物病虫害检测问题,提出一种基于高清视频图像融合特征的支持向量机(SVM)的检测方法,实现农业生产中植物病虫害的快速检测。对每幅植物叶片图像的颜色、HSV、纹理和方向梯度直方图四种特征采用基于特征包的多特征融合方法,形成特征向量,并利用SVM分类器进行训练分类。对单特征与融合特征的SVM分类器性能进行试验比较,所提出的方法具有较高的准确率。     

基于K均值聚类和粒子群优化的多核SVM图像分割

图像分割是图像理解和计算机视觉的重要内容.针对单核SVM在进行图像分割过程中不能兼顾分割精度高和泛化性能好的问题,提出一种基于K均值聚类和优化多核SVM的图像分割算法.该算法首先运用K均值聚类算法自动选取训练样本,然后提取其颜色特征和纹理特征作为训练样本的特征属性,并使用其对构造的多核SVM分割模型进行训练,最后用粒子群优化算法对多核核参数、惩罚因子以及核权重系数联合寻优,使生成的多核SVM具有更好的分割性能.实验结果表明,本文方法在有效提取图像目标细节的同时,获得了更高的分割精度,与基于单核的SVM分割模型相比,具有更强的泛化能力.     

基于Curvelet的彩色癌细胞分割新方法

针对彩色图像分割问题,将Curvelet变换与SVM理论相结合,形成了有效的彩色图像分割新方法.通过曲波变换将彩色图像分解到各通道,用Mean Shift找到各通道上特征图像的模式点,再用模式点周围的样本训练SVM,用训练好的SVM对各通道样本进行精确分类,把所有通道滤波后的图像进行重构,使癌细胞凸显并二值化.该方法可以快速,精确地定位到多目标物边界.通过MATLAB进行仿真实验,表明了该方法的有效性.     

基于Ncut分割和SVM分类器的医学图像分类算法

为解决医疗诊断中由于疲劳和主观因素影响导致的诊断错误,本文提出了基于Ncut分割方法的医学CT图像的分割、特征提取和诊断的新方案.将Ncut分割方法应用于脑CT图像.先进行图像分割,提取感兴趣区域,再从边缘、灰度,纹理三方面提取特征,最后利用支持向量机(SVM)对图像进行分类,为医生的诊断提供参考.从表格化的分类结果看,所提方案有较大的应用价值.     

基于视觉注意和改进隶属度的FSVM彩色图像分割

针对SVM进行图像分割时存在对噪声和孤立点较敏感导致分割结果不佳和抗造性能低下等问题,提出一种基于视觉注意和改进隶属度的FSVM (Modified fuzzy SVM,MFSVM)彩色图像分割方法.该方法在考虑人类视觉显著性检测机制因素的同时,对标准的模糊SVM算法进行改进,新的隶属度函数综合考虑了样本点距离类中心的远近以及样本点的疏密程度,从而有效惩罚噪声点并增强了支持向量的作用.通过彩色图像分割进行验证,结果显示与标准的SVM及基于样本疏密程度隶属度的FSVM分割方法相比,本文方法能够对复杂场景下的彩色进行有效分割,同时呈现出良好的抗噪能力.     

结合支持向量机与C均值聚类的图像分割

针对支持向量机进行图像分割时需要用户设定训练样本问题,提出一种根据图像特征使用C均值聚类算法自动获取支持向量机训练样本的方法。首先将图像分成几个区域,对每个区域利用小波分解去掉含有图像边缘的区域,然后对剩余的平滑区域计算能量均值作为特征值,使用C均值聚类算法对平滑区域分类,将特征值与类别标记作为支持向量机的训练样本,最后用训练后的分类器对图像进行分割。实验结果表明提出的方法取得了很好的分割结果,同时用一幅有代表性的图像进行支持向量机训练,所产生的分类器可以应用于所有该类图像,因此可以很容易应用到体数据的分割中。     

基于微粒群优化的模糊C-均值聚类彩色图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题。为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心。由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度。实验表明,这种方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割。     

模糊C均值聚类与硬聚类的性能比较及改进

本文以灰度值的图像分割为基础,对模糊C均值聚类算法(Fuzzy C-means,FCM)[1]和硬聚类进行了详尽的讨论,在此基础上对两者进行了比较,包括两者的迭代速度比较和两者的分割效果比较,聚类中心的初始化对迭代速度和分割效果的影响,并以此为基础对FCM聚类算法进行了改进。实验表明,改进的FCM聚类算法在迭代速度和分割效果方面都明显优于原始的FCM聚类算法。     

基于改进的模糊C均值算法的MR图像分割

在利用模糊C均值算法(FCM)对磁共振图像进行分割的基础上,提出了一种改进的模糊分割技术。实验结果表明,该方法与FCM算法相比,不仅能够更为准确地分割出人脑组织中的各个部分,同时运行速度也有明显提高。     

湿地遥感图像分割算法设计及实现

提出了一种结合熵和模糊C均值的聚类分割方法。模糊C均值（FCM）聚类算法广泛用于图像的自动分割,但是传统的FCM算法没有考虑像素的空间信息,因而对噪声十分敏感,基于二维直方图的模糊C均值聚类算法除了考虑像素点的灰度信息外还考虑了像素点邻域的空间信息,可有效地抑制噪声;在目标函数中引入熵项则能更好地抑制噪声和外围点对类中心估计的影响。实验分析结果表明,算法对湿地遥感图像的分割效果优于FCM算法。     

基于模糊聚类和Fisher判据的图像分割算法

提出了基于模糊聚类和fisher判据的图像分割算法。首先用模糊C均值聚类算法对图像进行预分割。在此基础上,用Fisher判据对每个聚类结果自动确定出一个同组。然后,再用置信度来判定这一同组是否有效,从而消除过分割,实现图像的精确分割。最后,给出了上述算法的计算机实现方法,并进行了计算机仿真研究。     

基于微粒群优化的模糊C-均值聚类图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题.为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心:由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度.实验结果表明,该方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割.     

基于二阶模糊聚类算法的雷达目标距离像识别

针对于模糊C-均值(FCM)算法敏感于聚类中心初始值的缺点,提出一种基于二阶模糊聚类方法。该方法利用传递闭包(TC)算法无初始化的优点,先对样本集按一定分类水平进行划分,选取若干类,求得这些类的样本均值作为FCM算法的初始聚类中心。一方面能够获得理想的聚类中心初始值,同时还能通过分类水平值来优化聚类中心数和聚类中心,避免局部最优,克服一致性聚类。利用该算法对三类飞机目标的实测一维距离像数据进行了识别实验,实验结果表明,基于二阶模糊聚类方法的识别率比FCM有了明显的改善。