一种融合聚类与区域生长的彩色图像分割方法

论文提出了一种将聚类和区域生长有机融合的彩色图像分割方法。为了捕获图像的纹理特征,首先将图像划分成16×16子块,然后在块中按照视觉一致性准则进行颜色聚类,对于聚类后的子块,提取其颜色与纹理特征,然后采用符合人类视觉特征的生长规则,进行基于子块的区域生长。该方法充分利用了聚类算法和区域生长算法的各自优点,并符合人类视觉特征的分割策略。利用提出的算法对多幅自然图像进行了分割实验,实验结果证明了算法的有效性。     

一种快速的图像区域分割算法

提出一种新的快速图像区域分割算法.这种方法首先抽取图像所有像素点的颜色、纹理与位置特征,并将图像划分成子块,以子块内像素点特征的平均值作为子块的特征向量,然后运用Mean shift算法进行聚类,获得聚类簇数和初始蔟中心,最后再利用改进的K均值算法进行聚类,实现图像的快速分割.实验结果表明新方法不仅分割速度快,而且得到的分割结果稳定,避免了过度分割.     

基于K均值聚类分割彩色图像算法的改进

基于人类视觉将图像分割成若干个有意义的区域是目标检测和模式识别的基础.应用K均值聚类算法对图像进行分析,分析了图像的空间、色彩以及纹理特征对聚类效果的影响,针对K均值算法的存在的过分割问题提出了一种修正方法,先基于空间、颜色和纹理特征分割图像,再基于色彩及纹理特征进行合并,解决了K均值聚类产生的过分割问题,并在区域合并时引入修正函数,抑制了图像中因场景明暗变化而产生的斑点.实验结果表明提出的聚类算法对图像分割效果有明显提高.     

一种基于区域的彩色图像分割方法

提出一种基于区域的彩色图像分割方法，该方法首先选用适当的彩色空间对图像中的每个像素抽取颜色、纹理及空间位置等综合特征，形成基于像素的综合特征空间；利用模糊C均值聚类方法，在综合特征空间中进行聚类，利用模糊熵的原理获得最佳聚类的簇数目，得到初步的区域分割，最后利用连接原理对图像区域进一步分割。该方法还提供了丰富的区域特征。     

一种基于区域的彩色图像分割方法

针对彩色图像中的目标进行快速、精确的分割问题是计算机视觉和图像分析的重点和难点.为提高图像识别质量,提出了一种基于区域的彩色图像分割方法.首先选择合适的彩色空间,提取出图像中的每个像素点的颜色、纹理、位置等综合特征,形成特征向量空间;在特征空间中,用ISODATA算法求出最佳聚类数目和初始聚类中心,后利用K-均值聚类算法进行聚类和图像区域分割,从中抽取出图像区域的特征,并与相类似的方法进行了比较实验.实验结果表明,图像分割算法速度较快,分割结果较精确.     

低层特征获取高层语义的图像检索

首先采用基于颜色聚类的方法将图像分割成区域,提取每个区域的Gabor小波纹理特征和灰度共生矩阵纹理特征,接着采用信息熵对特征进行选择,使用选择后的特征对图像区域进行聚类,得到每幅图像的语义特征向量;然后提出遗传模糊C均值算法对图像进行聚类。在图像检索时,查询图像和聚类中心比较,在距离最小的类中进行检索。实验表明,提出的方法可以明显提高检索效率,提高了检索的精度。     

基于子块的区域生长的彩色图像分割算法

提出了一种基于图像子块的区域生长算法,应用于彩色图像分割。首先将图像划分成多个不重叠子块,然后利用从CIE L*a*b*颜色空间中提取出的每个子块的颜色和纹理特征,先进行子块内颜色聚类,达到子块分类的目的,再根据生长准则进行基于分类子块的区域生长,实现对自然彩色图像的分割。实验结果证明了算法的有效性,分割结果符合人的主观感知。     

基于改进的ISODATA算法彩色图像分割

如何对彩色图像中的目标进行快速、精确的有效分割是计算机视觉和图像分析的重点和难点。提出了一种基于区域的彩色图像分割方法。该方法首先选择合适的彩色空间,提取出图像中的每个像素点的颜色、纹理、位置等综合特征,形成特征向量空间;在特征空间中,运用改进的ISODATA算法自适应地确定初始聚类数目和聚类中心,然后对图像进行聚类和区域分割,最后抽取出图像区域的特征,并与相类似的方法进行了比较实验。实验结果表明,该方法能够产生较好的分割效果及较快的分割速度,适合于基于图像区域检索系统,具有较好的应用价值。     

纹理图像中重复纹理元素提取方法

提出了一种交互式纹理图像中纹理元素提取算法,该算法能够在用户提供少量交互的情况下较好地实现纹理图像中重复纹理元素的同时提取。首先采用均值漂移聚类算法将纹理图像分割成独立且连通的子块区域,并构建图像子块区域之间的连通关系;然后结合颜色特征与纹理特征定义一个鲁棒的相似性度量公式,从而准确地捕获具有外观相似特征的纹理元素;在此基础上,通过进一步改进优化的图割模型,最终实现高质量的纹理元素提取。该算法针对前/背景颜色相近的纹理图像中纹理元素的提取有较大改善,并且大大提高了现有图像分割算法的时间效率。     

利用小波和分层聚类进行彩色图像分割

提出了一种有效的基于颜色和位置相关信息的图像分割方法。图像以块为单位进行划分，在YUV空间，提取块的颜色特征，并对每小块进行小波变换，获得其小波能量特征。将颜色特征和能量特征作为每小块的特征向量，采用分层聚类的方法进行区域的合并。该方法在聚类过程中考虑了小块的位置关系，并能最终自动确定聚类的类别数。     

一种自适应特征分块加权的图像检索方法

文中提出了一种自适应特征加权的图像检索方法。首先提取图像的颜色直方图以及梯度直方图,根据图像的特点,用不同的方法进行分割。然后将已分割图像分成4×4小块,按照其颜色和纹理的分布情况,计算每小块的特征加权值。最后,以分块加权的一维颜色矢量直方图为特征,进行相似度匹配,欧氏距离较小的图像为检索结果。实验结果表明,综合利用颜色和边缘特征比单独用一个特征进行图像检索的效果要好,自适应特征加权后的检索准确率更高,对于拥有较明显的目标与背景差异的图像,该方法特别有效。     

Color texture segmentation based on image pixel classification

Image segmentation partitions an image into nonoverlapping regions, which ideally should be meaningful for a certain purpose. Thus, image segmentation plays an important role in many multimedia applications. In recent years, many image segmentation algorithms have been developed, but they are often very complex and some undesired results occur frequently. By combination of Fuzzy Support Vector Machine (FSVM) and Fuzzy C-Means (FCM), a color texture segmentation based on image pixel classification is proposed in this paper. Specifically, we first extract the pixel-level color feature and texture feature of the image via the local spatial similarity measure model and localized Fourier transform, which is used as input of FSVM model (classifier). We then train the FSVM model (classifier) by using FCM with the extracted pixel-level features. Color image segmentation can be then performed through the trained FSVM model (classifier). Compared with three other segmentation algorithms, the results show that the proposed algorithm is more effective in color image segmentation.     

Color image segmentation using automatic pixel classification with support vector machine

Automatic segmentation of images is a very challenging fundamental task in computer vision and one of the most crucial steps toward image understanding. In this paper, we present a color image segmentation using automatic pixel classification with support vector machine (SVM). First, the pixel-level color feature is extracted in consideration of human visual sensitivity for color pattern variations, and the image pixel's texture feature is represented via steerable filter. Both the pixel-level color feature and texture feature are used as input of SVM model (classifier). Then, the SVM model (classifier) is trained by using fuzzy c-means clustering (FCM) with the extracted pixel-level features. Finally, the color image is segmented with the trained SVM model (classifier). This image segmentation not only can fully take advantage of the local information of color image, but also the ability of SVM classifier. Experimental evidence shows that the proposed method has a very effective segmentation results and computational behavior, and decreases the time and increases the quality of color image segmentation in compare with the state-of-the-art segmentation methods recently proposed in the literature.     

基于滤波器阵列与图割的彩色纹理分割

图割法因无法体现像素点的纹理区域特性而难以应用于纹理分割。针对该问题,提出一种基于滤波器阵列与图割的彩色纹理分割算法。利用构建的滤波器阵列提取图像的纹理特征,并加入图像的H、S、I分量值组成纹理-色彩特征向量,采用texton直方图作为彩色纹理的统计模型对纹理-色彩特征向量进行统计计算,通过直方图差计算像素点间的纹理相似度,再应用图割法中的规范割准则对彩色纹理进行分割。实验结果证明,该算法具有较高的分割准确性。     

融合颜色与纹理的复杂场景下的服装图像分割算法

针对复杂场景下拍摄到的服装图像的分割问题,提出一种基于先验知识的融合颜色和纹理特征的无监督分割算法。首先利用块截断编码思想将传统的三维颜色空间截断成为六维空间,得到更为精细的颜色特征,并结合改进的局部二值模式纹理特征实现对图像的特征描述;然后根据目标区域和背景区域在图像中出现的统计规律,提出了一种基于先验知识的两分法来对图像进行分割。由于对图像做了分块处理,因此在子图像块的基础上进行的图像分割将更加高效。实验表明,设计的算法能快速有效地将目标区域从各类不同的复杂场景中分割出来,且整个过程无须人工设定任何参数,对后续的图像理解和图像检索具有重要意义。     

Color image segmentation using pixel wise support vector machine classification

Image segmentation is an important tool in image processing and can serve as an efficient front end to sophisticated algorithms and thereby simplify subsequent processing. In this paper, we present a color image segmentation using pixel wise support vector machine (SVM) classification. Firstly, the pixel-level color feature and texture feature of the image, which is used as input of SVM model (classifier), are extracted via the local homogeneity model and Gabor filter. Then, the SVM model (classifier) is trained by using FCM with the extracted pixel-level features. Finally, the color image is segmented with the trained SVM model (classifier). This image segmentation not only can fully take advantage of the local information of color image, but also the ability of SVM classifier. Experimental evidence shows that the proposed method has a very effective segmentation results and computational behavior, and decreases the time and increases the quality of color image segmentation in comparison with the state-of-the-art segmentation methods recently proposed in the literature.     

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。