基于区域生长的彩色图像分割算法

针对传统种子区域生长算法在分割具有复杂纹理的彩色图像中存在的问题,提出一种改进的种子区域生长算法,该算法在YCbCr颜色空间中进行,采用离散余弦变换提取图像纹理特征值,进行自动种子及种子区域的生长,并用区域合并改善过度分割。实验结果表明,该算法能有效提高图像分割的精确性。     

基于色调直方图和区域合并的彩色图像分割算法

近年来随着机器视觉、模式识别和基于内容的图像检索等技术的不断提高以及彩色图像的大量使用,图像分割特别是彩色图像的分割显示出越来越重要的地位。为此提出了一种快速有效的彩色图像分割方法,主要包括三个步骤：首先将RGB颜色空间转换成HSV空间,把图像中的像素点根据饱和度和亮度划分为奇异点和非奇异点;然后对非奇异点和奇异点分别采用基于色调和灰度直方图进行分割;最后综合这两种分割结果,采用区域合并技术进行合并。实验结果表明,该方法对彩色图像能够有效地提取目标物体,具有一定的鲁棒性。     

一种基于区域分级合并的彩色图像分割方法

在区域合并过程中,手工设置颜色相似性和边界距离的权重极大地影响了分割的精度和自动化.针对这一问题,提出了一种新的基于区域分级合并的彩色图像分割算法.该方法能够根据邻接区域的边界特点设置权重因子,从而自适应地融合区域的颜色相似性和边界距离.使用均值漂移算法对图像进行初始分割,将原图像分割为具有较好边界的同质区域;通过计算区域相似度对区域进行分级合并.多幅彩色图像的分割实验结果证明,所提算法优于传统的基于区域合并的方法.     

基于K均值聚类与区域合并的彩色图像分割算法

提出一种基于K均值聚类与区域合并的彩色图像分割算法。首先,对图像运用mean shift算法进行滤波,在对图像进行平滑的同时保持图像的边缘;然后,运用K均值算法对图像在颜色空间进行聚类,得到初始分割的结果;最后,给出了一种区域合并策略,对初始分割获得的区域进行合并,得到最终的分割结果。仿真结果表明,算法的分割结果和人的主观视觉感知具有良好的一致性。     

基于改进区域生长算法的彩色图像分割

本文提出一种改进的区域生长算法.该算法利用颜色分类结果和连续图像的相似性,改进了种子搜索方法,与全局搜索种子的方法相比减少了种子搜索的时间,并且实现简单有效.实验结果表明改进的区域增长算法应用于RoboCup中型组足球机器人的全景彩色图像分割具有良好的时效性.     

融合mean shift和区域显著性的彩色图像分割算法

提出了一种无监督的提取图像中显著区域的彩色图像分割算法。首先;运用mean shift算法对图像进行分割;得到初始的分割结果;然后;根据给出的区域显著性的定义和区域合并策略;对初始分割结果进行合并;得到最终的分割结果。仿真结果表明;对于大多数测试图像;该算法都能获得很好的分割结果;并且具有较高的运行效率。     

融合颜色和区域信息的彩色图像分割新方法

结合了均值漂移算法和区域合并算法,取长补短,提出了一种融合颜色和区域信息的彩色图像分割方法。该算法首先利用均值漂移求取各个局部极值(聚类中心),在带宽求取和权重设置上使用了自适应法则,使算法更具有适用性;然后使用一个基于阀值的区域合并算法,解决了均值漂移对纹理和关照变化的过分割。实验证明,该算法是有效的。     

融合区域合并和Graph Cuts的彩色图像分割方法

针对使用Graph Cuts方法对图像进行分割极大影响分割精度这一问题,提出了一种新的融合区域分级合并和Graph Cuts的彩色图像分割算法。该算法首先使用均值漂移算法对图像进行初始分割,将原图像分割为具有较好边界的同质区域;然后,通过计算区域相似度对区域进行分级合并,之后构建精简的加权图,并使用Graph Cuts进行分割。多幅彩色图像的分割实验结果证明,所提算法具有较好的分割效果。     

融合均值漂移和区域合并的彩色图像分割方法

彩色图像分割是从图像处理到分析的关键步骤之一。结合了均值漂移和区域合并算法,在HSV空间,提出一种融合颜色和空间信息的彩色图像分割方法。该算法先由改进的均值漂移（Mean shift）算法求取各局部极值（聚类中心）,并利用全局信息,改进了现有的带宽求取和权重设置自适应法则;针对均值漂移带来的纹理和光影的过分割,使用改进的fisher距离进行区域合并,取散度作为停止度量。实验证明,此算法是有效的。     

一种改进的基于区域生长的彩色图像分割方法

提出一种改进的基于区域生长的彩色图像分割方法.首先,将图像从RGB颜色空间转换到YCbCr颜色空间.其次,自动选取种子点,利用区域生长法进行分割.最后,使用改进区域合并算法合并相似的、小尺寸的区域.对网上随机抽取的图像进行了测试,实验结果证明了提出方法的有效性.     

视频序列中运动目标自动提取的研究

本文提出了一种从彩色视频序列中,有效分割运动目标的算法。首先将当前帧图像和背景参考图像在YUV彩色空间中进行距离差分得到距离差分图像,然后根据差分图像直方图的单峰聚集特性,提出了基于直方图的自适应聚类分割算法;对分割后的二值图像采用图像形态学方法去除无用的噪声斑点,并根据得到运动模板,提出了背景参考图像的更新策略。实验结果表明这是一种简单、有效的运动目标提取方法。     

视频序列中运动目标自动提取的研究

本文提出了一种从彩色视频序列中,有效分割运动目标的算法。首先将当前帧图像和背景参考图像在YUV彩色空间中进行距离差分得到距离差分图像,然后根据差分图像直方图的单峰聚集特性,提出了基于直方图的自适应聚类分割算法;对分割后的二值图像采用图像形态学方法去除无用的噪声斑点,并根据得到运动模板,提出了背景参考图像的更新策略。实验结果表明这是一种简单、有效的运动目标提取方法。     

Learning to Combine Bottom-Up and Top-Down Segmentation

Bottom-up segmentation based only on low-level cues is a notoriously difficult problem. This difficulty has lead to recent top-down segmentation algorithms that are based on class-specific image information. Despite the success of top-down algorithms, they often give coarse segmentations that can be significantly refined using low-level cues. This raises the question of how to combine both top-down and bottom-up cues in a principled manner. In this paper we approach this problem using supervised learning. Given a training set of ground truth segmentations we train a fragment-based segmentation algorithm which takes into account both bottom-up and top-down cues simultaneously, in contrast to most existing algorithms which train top-down and bottom-up modules separately. We formulate the problem in the framework of Conditional Random Fields (CRF) and derive a feature induction algorithm for CRF, which allows us to efficiently search over thousands of candidate fragments. Whereas pure top-down algorithms often require hundreds of fragments, our simultaneous learning procedure yields algorithms with a handful of fragments that are combined with low-level cues to efficiently compute high quality segmentations.     

基于区域合并的图像显著性检测

为了提高自然图像显著性检测准确度,提出一种基于区域合并的图像显著性检测算法.该算法直接通过区域合并的方式逐渐将图像从初始状态下的多个区域合并为显著性对象和背景2个区域.在合并过程的不同阶段采用了不同的合并策略,首先利用超像素分割方法将图像分为若干初始区域,在第一阶段仅合并相似且相邻的区域,使得属于同一对象的像素合并到同一区域;然后,处理上述过程中产生的空洞以及因遮挡造成的属于同一对象的区域不相邻的情况;再在区域显著分析的引导下,不断将显著性最差的区域合并到背景区域,而不是尝试将显著性区域合并到一起.最后利用合并过程中得到的多个候选显著性区域加权得到最终的显著性区域结果.在2个公开测试集上进行了测试并与其他算法进行了对比,实验结果证明了文中算法的有效性;特别是在难度更大的ECSSD数据集中,该算法的准确度要优于同类算法.     

HSI颜色模型在有核骨髓细胞图像分割中的应用

对经染色得到的有核骨髓细胞图像进行分割可以为白血病形态学诊断提供依据。颜色模型的选择对于彩色图像中颜色信息的充分利用、图像分割效果的好坏起着重要作用。HSI颜色模型符合人类的视觉习惯与视觉心理,有利于程序对图像颜色信息的利用,在本文中采用它作为表达有核骨髓细胞图像颜色信息的模型,根据不同系列细胞在颜色上的不同表现,分别使用H分量、S分量作为阈值条件分割细胞的核区域和浆区域。     

基于改进分水岭及区域合并的图像分割方法

改进了基于地形学距离的分水岭算法,提出了一种结合了图像灰度、边缘信息与信息熵的图像分割方法。首先利用改进的分水岭算法将图像分成多个小区域,根据各个区域之间的临接关系,建立RAG;其次,利用提出的区域相似度合并区域;最后根据最大熵准则停止合并过程,获取最终的分割结果。实验结果表明,与改进前的分水岭算法相比,该方法边缘定位更加准确。与k-mean和基于边缘的分割方法相比,能够较好地分割出图像的细节,同时分割结果也更加符合人的视觉特性。     

Color image segmentation—an innovative approach

In this paper we describe a color image segmentation system that performs color clustering in a color space and then color region segmentation in the image domain. For color segmentation, we developed a fuzzy clustering algorithm that iteratively generates color clusters using a uniquely defined fuzzy membership function and an objective function for clustering optimization. The fuzzy membership function represents belief value of a color belonging to a color cluster and the mutual interference of neighboring clusters. The region segmentation algorithm merges clusters in the image domain based on color similarity and spatial adjacency. We developed three different methods for merging regions in the image domain. Unlike many existing clustering algorithms, the image segmentation system does not require the knowledge about the number of the color clusters to be generated at each stage and the resolution of the color regions can be controlled by one single parameter, the radius of a cluster. The color image segmentation system has been implemented and tested on a variety of color images including satellite images, car and face images. The experiment results are presented and the performance of each algorithm in the segmentation system is analyzed. The system has shown to be both effective and efficient.     

一种基于目标区域的彩色图像检索算法

提出了一种基于目标区域的彩色图像检索算法。首先,获取彩色图像HSV颜色空间中各个分量图像,然后计算各分量图像的二值边缘图像。根据边缘图像的连通性提取彩色图像的目标区域。在图像检索时,抽取彩色图像目标区域所对应的子图像特征,代替全局图像特征进行图像相似性匹配。实验表明,基于目标区域的彩色图像检索算法优于基于全局图像的检索算法。     

基于改进快速分水岭变换的图像区域融合

提出一种改进的快速分水岭变换算法,可在只增加很小算法复杂度的情况下获得梯度图像的多尺度信息;进而构造了一个新的区域相似性函数,该函数综合考虑了灰度差异、边界强度、融合进度、边界复杂度、纹理信息等多方面因素,并将改进分水岭变换中获得的多尺度信息用作评价边界强度的指标．实验证明,该算法有很好的鲁棒性和适应性．     

一种改进的医学图像分水岭分割算法

为了提高医学图像分割的准确性, 针对分水岭分割算法中的过分割问题, 提出了一种改进的医学图像分水岭分割算法。该算法首先在分水岭变换前进行预处理初步分割, 主要包括多尺度形态学滤波、多尺度梯度算子计算、自适应标记提取以及分水岭变换; 然后在初步分割变换后, 通过基于邻接图的区域灰度相似性与边界相似性相结合的合并准则, 对分割后的区域进一步合并。实验结果表明, 新算法有效地解决了分水岭算法的过分割问题, 具有较强的抗噪性能和边缘定位能力, 能够满足医学图像的分割要求。