多尺度图象分割方法及其应用研究

图象分割技术在图象处理中占据重要地位，是计算机视觉和图象理解的最基本问题。多尺度图象分割作为一种新的研究方法，将图象分割与小波变换理论相结合，能够更好地分割、重构图象。本文综述了多尺度分割方法的思想；并分析了多尺度分割方法在SAR图象分割和无损图象压缩中的应用，将其结果与以往提出的分割算法进行了比较，实验表明，效果较好。     

基于K-均值聚类的足球机器人的新型图象分割方法

图象分割是图象处理的关键步骤,也是足球机器人视觉系统中的核心技术。本文结合粗糙集理论和K-均值聚类算法,提出了一种图象分割的方法。将原图象按等价关系进行划分,基于属性约简的概念对不同区域按照不可分辨关系分类。分割结果表明,该方法是一种有效的图象分割方法,具有良好的精确度和鲁棒性。     

一种基于视觉感和特性及IFKCN的图象纹理分割方法

提出了一种基于视觉感知持性及改进的模糊Kohonen聚类网络的图象纹理分割方法,它由2D最佳正交极可分方向滤波器特征提取,特征图象的四叉树平滑,改进的模糊Kohonen聚类网络（IFKCN）特征聚类及边缘确定四部分组成。最后给出了实验结果。     

细胞图象的背景分割方法

对内分泌细胞图象分析的基础上,克服常规背景分割方法的缺陷,提出了采用阈值曲面方法对内分泌细胞图象进行背景分割的技术,获得了令人满意的效果。     

分裂-合并方法在图象分割、目标提取中的应用

提出了一种“分裂－合并－收缩－合并－扩张”的图象大区域的分割方法；可以适用于多灰度级图象；算法引入金塔式的分割思想，对图象进行大区域的粗分割，对目标进行大区域扫描，小区域的分块分割，提取目标区域，依据目标区域的骨架特征对目标进行识别，还提出了一种新的道路识别方法。     

Otsu阈值方法的二种修改形式

Otsu阈值分割是图象分割中受欢迎的一种方法。本文借鉴Otsu法的二种表示方式,给出了两个阈值分割公式。     

基于测地形态学进行细胞 图象分割的新方法

细胞分割提取在计算机病理诊断系统中是一个重要技术，分割结果的优劣直接影响着诊断的效果，也是影响诊断系统能否应用在临床上的一个重要因素。本文使用数学形态学的测地形态学方法，利用细胞图象的灰度图特征，提出一种有效的细胞图象分割方法，对原始图象进行中值滤波预处理后，首先使用水浸分割算法得到单个细胞的分割结果和聚堆细胞的外轮廓，然后使用水线分割算法得到水线图，最后通过寻找细胞外轮廓的凹点，结合水线图，实现了聚堆细胞的分离。实验结果表明方法准确可靠，具有一定的通用性。     

水泥窑生料球图象分割方法的研究

以水泥窑生料球为背景,分析了球形物料图象在灰度空间的特征,对一些经典算法进行了颗粒分割实验,理论分析和实验结果表明,利用局部特征值进行总体象素归属判决将颗粒图象的边界不连续,或边界描述失真,为此提出一种由局部特征值直接提取形物料边界的图象分割方法。     

图象纹理的特征滤波描述与标量积标识

本文提出了图象纹理描述分析与分割标识的一种新方法——特征滤波描述与标量积标识法。该方法优点是不需预先了解图象中纹理结构。文中以纹理图象的理论试例验证了该方法。     

用于图象分割的冗余小波包方法的研究

采用微特征对纹理图象进行分割时涉及局部窗口的选择问题,如果窗口太大会引起边界不清,太小又使得统计性能不稳定,尤其采用传统的小波包分解,随着层数的增加窗口会变得越来越小,为此引入冗余小波分解,分解时各个子图都与原图大小相同,实验结果表明采用冗余小波分解明显改进了分割性能．本文也对能量特征和熵特征做了比较研究。     

一种图像分割算法的选择方法

提出了一种基于模糊联想神经网络图像分割算法的选择方法。通过树型小波变换提取图像特征,再用模糊联想分类神经网络将待分割图像划分为灰度图像或纹理图像,并根据分类结果确定分割算法。     

基于均值距离的图像分割方法

针对医学图像分割中存在的分割类数不易确定的问题,利用常用均值间的不等式关系构造出了一种新的分割类数判据--均值距离函数,并将均值距离函数与模拟退火算法相结合,提出了一种基于均值距离的分割算法。该算法以均值距离函数作为目标函数,采用模拟退火算法进行优化,在整个搜索空间中寻找最优分割阈值,弥补了模糊C均值算法(fuzzy C-means,FCM)分类类数难以确定、搜索过程容易陷入局部极值的缺陷。实验结果表明,算法对含有病灶的医学图像能够进行自动分割,并且分割速度明显高于基于互信息的分割方法。     

基于神经网络与遗传算法的纹理图像分割

运用两维自动回归模型、分形维数、均值和方差从每一小区域的数据中抽取纹理特征，把纹理特征作为自组织特征映射神经网络的输入层进行训练确定最优的纹理区域分割数，最后运用遗传算法优化图像分割。实验结果证明神经网络和遗传算法相结合能有效地分割纹理图像。     

基于神经网络的图像分割方法及其在颗粒检测中的应用研究

随着计算机速度的不断提高,数字图像处理技术的发展越来越快。而基于数字图像处理的颗粒检测技术在国计民生中的应用也越来越广,提高颗粒检测技术的速度与准确性显得越来越重要。本文详细介绍了采用模糊竞争Hopfield神经网络对图像灰度级进行聚类,也就是需在某种目标函数最小化的条件下,实现灰度特征集的最优模糊划分,得到最优的阈值,实现图像的分割,并在此基础之上建立了一套对颗粒进行特征参数测量的图像测量系统,可以有效地实现对大量颗粒的测量和表征。     

自适应控制下图像分割及并行挖掘算法

针对海量图像数据中目标的分割及识别问题,提出了一种自适应控制下图像分割及并行挖掘算法.采用隶属度函数窗口宽度在图像直方图控制下自适应调整模糊阈值图像分割方法对图像进行分割,提取出感兴趣的潜在目标区域,基于共轭梯度法改进的BP神经网络算法对潜在的目标区域进行训练和识别,识别算法基于OpenMP并行处理模型开发来提高执行效率.结果表明:本文算法相对于基于偏移场的模糊C均值、灰度波动变换自适应阈值和自适应最小误差阈值具有更高的分割准确率,与传统神经网络算法的识别结果相比,平均识别率提高了8%,运行时间减少了2. 5 s.     

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.     

一种从航空图片中自动检测桥梁的方法

如何自动、正确且快速地从遥感或航拍图片中检测战略目标，是导弹能否准确击中目标的关键，在军事领域具有重要意义。提出了一种从航片中对桥梁自动检测的算法。该方法从河流的识别入手，利用小波变换的闲值分割法和高斯一拉普拉斯变换的分割法，将河流部分提取出来并二值化。然后对其进行多步噪声滤除从而使河流的提取更加完整。最后沿着河流搜索有无桥梁存在。实验结果表明，对于航空图片中存在的桥梁，该算法均能正确地加以检测。     

Adaptive fuzzy classifier with a fixed number of fuzzy rules

The adaptive fuzzy system has many advantages over the neural network. It can be used to design a fuzzy classifier. However, there is the “Dimension Calamity” with the number of inputs increasing in the adaptive fuzzy system. In this paper, an adaptive fuzzy classifier with a fixed number of fuzzy rules is proposed. This classifier is combined by several fuzzy reasoning machines so that one fuzzy reasoning machine recognizes only one class. Every fuzzy reasoning machine includes two “If-Then” fuzzy rules. The total fuzzy rules number of the classifier is confirmed by the number of classes of the patterns being classified. The classifier uses the “Error Back-Propagation Training” arithmetic as the learning arithmetic. Compared with the BP neural network classifier, the new classifier and BP neural network classifier are both tested by the famous iris dataset and Ripley's synthetic dataset. It is proved that the new classifier has a good classification ability and learning ability even if the data have been polluted.     

粗糙集神经网络在图像分割中的应用

提出了粗糙集神经网络用于图像分割的方法.该方法利用粗糙集约简理论对分割后的图像区域特征进行约简,以降低特征向量维数,抽取出规则,然后根据这些规则构造神经网络隐含层的神经元个数,从而确定粗糙集神经网络的结构.粗糙集神经网络中每个神经单元的输入为区域值,输出为决策分类值,此时权值预设为各规则粗糙隶属度值,然后用BP算法迭代,最终实现图像的分割.试验证明,该方法大大缩短了训练时间,提高了精度,并且得到优于常规的分割图像以及满足图像处理的实时性要求.     

遗传算法优化模糊神经网络的入侵检测模型

针对目前大多数的入侵检测系统存在的局限性,依据通用入侵检测框架CIDF,提出了一种利用遗传算法优化网络参数的基于模糊神经网络的入侵检测模型,分析了入侵模糊特征、模糊神经网络的学习优化问题,给出了此模型中模糊神经网络模块的训练算法．仿真实验结果表明,该检测算法可以有效地进行入侵检测,检测效率达到95％以上．