傅里叶谱和矩不变法结合的图像阈值分割

针对矩不变法图像分割算法中存在的问题,提出了一种基于傅里叶谱和矩不变法相结合的图像分割方法。首先依据矩不变原理计算待分割图像的累计灰度分布函数值获取初始阈值,然后对图像直方图进行傅里叶变换,并得到傅里叶谱系数,最后利用该系数和累计灰度分布函数值对初始阈值进行调整,由于傅里叶谱能很好地“匹配”矩不变法获取的阈值,从而能自动调整初始阈值,使分割效果达到最佳。分割实验结果表明,该方法不仅运算速度快,而且有较好的分割效果和普适性。     

矩不变调整的二维Shannon嫡图像分割及其快速实现

为了克服二维Shannon熵阈值法的缺陷,提出了一种使用矩不变法来调整二维直方图斜分Shannon熵的阈值分割方法。首先将二维直方图斜分原理运用到两种Shannon熵阈值法中,然后利用矩不变法从两种熵阈值法获取的阈值中选择最佳阈值,并提出二维直方图斜分Shannon熵阈值法的一般递推算法,最后将二维直方图分布特性与这种算法有机结合得到新型快速的递推算法。实验结果表明,提出的方法不仅分割效果优于当前的二维直方图斜分的最大熵阈值法,而且运行速度更快,约快4倍。     

基于图像区域的交互式文本图像阈值分割算法

针对现有局部阈值分割算法因参数过多带来的参数选择问题以及在分割结果中块与块之间不连续性问题,利用用户提供的先验知识或经验,提出了一种基于灰度图像区域的交互式文本图像阈值分割算法.该方法首先粗略地将图像进行分块;利用标准差作为衡量图像块含有信息量(背景信息与目标信息)多少这一度量,接着按标准差大小对所有图像块进行排序;然后由用户输入交互式信息将所有图像块分为3个集合:仅含背景或仅含目标的图像块、含有少量背景或者是含有少量目标的图像块以及背景和目标分布比较均衡的图像块;最后对各个集合中的图像块分别按相应准则进行分割.实验结果表明,对于均匀和非均匀光照条件下的文本图像,与全局分割算法、直接分块分割算法和Chou方法相比,该方法在分割效果上有显著提升,而且执行效率也较高.另外,对于部分非文本图像也同样有效.     

基于梯度的图像分割新方法

针对玉米图像和Lena图像的分割方法进行了讨论与研究,将传统的阈值分割与图像梯度计算结合在一起,提出了一种新的彩色图像分割方法.该方法对玉米图像和Lena图像不但具有较好的分割效果,而且具有计算简单,抗噪声能力强,并且同时适用于灰度与彩色图像的场合,较好地克服了传统阈值分割方法的缺点.实验表明该算法不仅能够较好地分割出图像边界,且具有较好的时间性能和较好的分割效果.     

MSTAR图像的矩特征分析与多阈值分割

图像分割是SAR图像自动目标识别应用中的基础性问题。定义并分析了MSTAR图像的矩特征,进而构造了多阈值处理策略,用于MSTAR图像的分割。首先研究了目标、阴影,以及背景区域统计特性,并确定了相应的数学模型描述,在此基础上给出了矩特征的定义,并分析了其基本特性。通过由图像空间到矩特征空间的转换,显著增强了目标区域与阴影、背景区域的差异性,因此通过构造不同的阈值化规则,实现了MSTAR图像中目标、阴影和背景区域的分割。对MSTAR图像的处理结果表明,与恒虚警率（CFAR）、最大类间方差（OTSU）、模糊C均值（FCM）和马尔可夫随机场（MRF）等典型分割算法相比,本文方法不需进行噪声抑制,但在分割效果和鲁棒性等方面性能更好,同时,对多尺度、多目标MSTAR图像的分割也显示出良好的适应性。     

基于梯度熵的Otsu图像分割算法

当目标和背景的类内方差差距较大时,传统图像分割算法Otsu会将类内方差较大的类中部分像素划分到类内方差较小的类,造成错误分割,针对这种情况,提出一种基于梯度熵的O tsu算法。利用梯度值分析求出目标和背景的分界点;针对目标和背景分别进行有选择性的线性拉伸,使目标和背景满足类内方差差距小的条件;对处理后的图像采用Otsu算法进行分割。实验结果表明,该算法能有效避免传统Otsu阈值偏向方差大的一类的情况发生,从客观和主观角度进行图像分割质量评价,效果良好。     

基于自适应阈值的网格图像行分割算法

针对网格图像文字自动识别受网格横线影响的问题,提出将网格图像按照网格横线进行行分割的自适应阈值算法。在对网格图像行分割过程中,首先对灰度图像使用类别方差自动门限法(OSTU算法)取得图像二值化的阈值,将此阈值作为全局阈值对图像进行二值化操作。然后针对图像的二值化数据进行了水平投影,利用统计法取得行分隔的阈值,并结合行分隔阈值实现了网格图像行分割的算法。最后将算法在Matlab中进行了验证和分析。     

基于矩和自适应阈值的迭代分割算法研究

基于自适应阈值的图像分割算法具有算法简单、易于实现且计算量小等优点.但对于有较复杂背景的小目标图像,单一运用此方法不能将目标从背景中分割出来.为了解决这个问题,提出了一种基于矩特征、角点特征以及自适应阈值的迭代分割方法.首先利用角点特征和矩特征选择目标区域,进而在该区域内计算自适应阈值,利用迭代的思想克服先前图像分割算法中阈值只选取一次的问题,从而得到较为满意的图像分割效果.仿真结果证明,提出的算法在飞机图像分割方面的优越性.     

遥感图像林区自动阈值分割算法及性能比较

选取了几种经典的自动阈值选取算法对高分辨率遥感图像林区目标进行分割实验,并引入错分类误差、形状测度、均匀测度、最终测量精度和运算速度作为算法评判准则,客观、定量地比较了各种算法对高分辨率遥感图像林区目标的分割性能,所得结论对林区目标分割方法的选取具有一定的指导作用。     

一种基于梯度的直方图阈值图像分割改进方法

图像分割就是把图像分成一些具有不同特征而有意义的区域,以便进一步的图像分析和理解;图像增强就是从主观方面突出图像中有用的,感兴趣的细节部分,或是从客观方面改善图像质量,尽可能地逼近真实图像。分析了基于经典的灰度阈值图像分割在细节分割上的不足,结合图像增强中的微分梯度,对原有图像的细节进行锐化增强,从而达到改善分割后图像细节的效果。     

自动面积梯度分割算法及其在耳形图像中的应用

提出一种实现抗噪保形的自动面积梯度分割算法。这种算法首先通过将图像分层并且利用最大熵原理确定面积阈值,然后在每一层进行面积开或闭运算,同时运用梯度算子,最后合并所有层。将这种分割算法应用到耳形图像的分割,外耳形状的特征点和特征线明显的分割出来,非常利于识别;在其它类型图像中也可取得满意效果。     

自动图像阈值分割算法

该文提出了一种新的图像阈值分割算法。该算法通过求取最大模糊熵准则下,灰度均值直方图的最佳模糊划分参数来确定两个模糊集A和B,图像分割阈值即选取为两个模糊集的交点。该算法用Zadth的模糊熵定义适应度函数,采用改进的遗传算法寻求最佳模糊参数。该文对遗传算法的改进包括,给出了缩短染色体码长的编码方法和性能良好的改进的单点交叉算子和均匀变异算子。实验结果表明,该算法的分割效果与二维模糊熵算法接近,而计算时间还没有用到二维模糊熵算法的一半。     

最优进化图像阈值分割算法

针对图像阈值分割问题,根据遗传算法理论提出最优进化图像阈值分割算法.将图像中每个像素点看作一个染色体,阈值看作进化方向,假设最优进化方向存在,建立进化方向更新模型;然后定义了染色体编码规则,通过简单随机采样进行种群初始化,重新定义了适值函数和选择机制,在适当的交叉率和变异率下得到最优阈值;同时分析了假设和模型的合理性.实验结果表明,文中的假设和进化方向更新模型合理,该算法是稳定、有效的图像阈值分割算法.     

图像分割中算法的应用研究

研究图像优化分割问题,最佳阈值选取直接影响到图像分割的清晰度质量。传统采用经验法进行分割,难以获得最佳阈值,导致分割准确率低,易产生图像误分割。为了提高图象分割准确率,提出一种基于遗传算法的Otsu图像分割。首先对图像进行去噪处理并绘制直方图;然后直方图信息选取适当灰度值作为遗传算法中的初始种群,最优阈值作为目标函数,最后通过选择、交叉和变异等遗传操作得到图像分割最优阈值,并进行图像分割。实验结果表明,遗传算法的Otsu图像分割加快了速度,减少了计算量,提高了图像分割准确率,证明适应于图像实时处理。     

基于边缘信息的图像阈值化分割方法

针对现有几种利用边缘信息来进行图像闽值分割的方法存在的对噪声高度敏感,梯度阈值难以选取,且不具有自适应性的特点,提出一种抗噪声影响的形态学梯度算子和一种基于梯度直方图统计特征的梯度闽值自适应选取算法,得出了一套完整的基于边缘信息的图像闽值化分割算法。     

一种基于有效梯度信息的复杂图像分割方法

论文以集装箱号码图像为例,在分析比较几种流行的图像分割算法后,提出一种新的基于有效梯度信息的图像分割算法,即直接针对梯度图,对目标与背景边界部分的梯度信息进行统计分析,并在此基础上直接得到图像的阈值,完成分割。实验表明,对于类似集装箱号码的复杂图像,论文方法能得到较其他方法更好的分割效果。此外,论文方法有较好的实用性,能广泛应用于多种图像分割领域。     

基于遗传算法的最优直方图阈值图像分割算法

为了保证遗传算法能够尽快收敛到全局最优解,避免早熟现象发生,提出了适应度标定公式,保证适应度函数值总为正值。新的适应度函数能够正确引导群体的发展方向,提高选择压力;提出了相似度概念,保留相似性差的个体,剔除相似性个体。在不增加群体规模的前提下,增加了群体的多样性。为了有效地对图像进行分割,提出基于改进遗传算法的图像分割方法,采用Otsu公式,找出分割图像最优阈值。给出不同改进遗传算法计算实例比较和不同图像分割方法效果图。     

基于道路图像的阈值分割算法的研究

在众多的图像分割技术中,阈值化技术是基于区域的图像分割技术,是图像分割中最重要而有效的技术之一.本文给出了几种常用图像阈值分割方法,并提出了一种基于道路图像序列的改进的逐行最优阙值分割算法,其内容是:相邻两帧图像的对应行的亮度、对比度等近似不变,因此它们对应的分割阈值也有近似不变性,运用迭代的方法控制相邻两帧图像对应行的阈值,从而减少运算量,提高算法的实时性.对比仿真结果表明,改进的分割算法具有较高的精度和较好的实时性、鲁棒性.     

基于灰色系统理论的阈值自动选取算法

针对阈值方法常需要人工干预的问题,提出了一种基于灰色系统理论的阈值自动选取算法。首先利用降低灰度级后的直方图检测峰值,然后自动采集峰间内侧附近的样本作为灰色预测的种子点。通过灰色理论GM（1,1）模型预测种子点发展走向,并计算模拟交汇点,得到最优阈值。利用该算法与经典的Otsu,Kapur 算法以及文献[3]和[4]中的方法对15 组不同复杂度图像进行对比阈值分割,并采用AER进行分割评估,实验表明新算法平均分割误差为19.37%,低于上述四种方法。     

基于遗传算法的灰度-梯度熵多阈值图像分割

一些基于熵的阈值图像分割技术考虑了空间信息,从而能够提高阈值分割的性能,但是仍然不能较好地区分边缘和噪声。尽管灰度-梯度（gray-level & gradient-magnitude,GLGM）熵算法能有效地解决以上问题,但是针对多目标和复杂图像却不能有效地分割。为此,提出了一种基于遗传算法（genetic algorithm,GA）的GLGM熵多阈值快速分割方法。该方法应用积分图思想将GLGM熵算法阈值搜索空间从O(9′ L)降到O(L),并将GLGM熵算法从单阈值拓展到多阈值。最后应用基于实数编码的遗传算法搜索GLGM熵多阈值的最佳阈值。仿真结果表明,该方法能够实现图像的快速多阈值分割,适合复杂图像分割。