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。     

基于塔形小波和特征加权的墙地砖纹理图像分割方法

目的基于小波变换的图像分割方法对随机纹理图像进行分割.方法通过墙地砖表面的原始纹理特征,改进原有的图像分割算法,对原始纹理图像进行高阶小波分解.结果图像整体中的背景纹理边缘被有效去除,降低了图像纹理带来的干扰,在有效提取近似信息的基础上提高了系统的实时性.结论根据墙地砖的纹理特征,采用基于塔形小波的改进分割方法,对墙地砖的原始图像进行处理,提高了边缘准确性和区域性,降低了分割错误率.     

纹理模糊的图像分割

中文摘要:传统活动轮廓分割算法对纹理丰富的图像存在过分割和欠分割现象,为了抑制纹理对图像分割的影响,分析了各向同性和异性扩散的机理,设计了保边纹理模糊函数,以图像梯度为变量建立了全变分图像纹理模糊模型。根据对象轮廓与边缘之间的关系利用固定点迭代算法提取相应的卡通分量,对卡通分量运用水平集算法对图像进行分割。实验结果表明,所设计的模糊平滑了图像纹理,保护了对象轮廓。相对于传统CV分割算法,提出的分割算法抑制了纹理对图像分割的影响,弥补了传统CV的不足。     

纹理模糊的图像分割

传统活动轮廓分割算法对纹理丰富的图像存在过分割和欠分割现象,为了抑制纹理对图像分割的影响,本文分析了各向同性和异性扩散的机理,设计了保边纹理模糊函数,以图像梯度为变量建立了全变分图像纹理模糊模型。根据对象轮廓与边缘之间的关系利用固定点迭代算法分析相应的卡通分量,对卡通分量运用水平集算法对图像进行分割。实验结果表明,本文设计的模糊函数模糊了图像纹理,保护了对象轮廓。相对于传统CV分割算法,本文分割算法抑制了纹理对图像分割的影响,弥补了传统CV的不足。     

基于Circular_Mellin变换的纹理图像分割算法

介绍一种比较新颖的算法——旋转及伸缩不变的纹理分割算法,其核心是利用圆周变换和Mellin变换产生一个Circular_Mellin操作数(CMO),将CMO与图像进行卷积,以达到旋转及伸缩不变纹理分割的目的．实验结果表明,这种算法是相当有效的．     

EM算法在纹理织物图像分割中的应用

提出了一种基于多特征值高斯混合模型（Gaussian Mixture Model）期望最大化（Expectation Maximization,EM）聚类的图像分割算法.该算法采用YCbCr彩色空间提取每个像素点的颜色特征,选择像素点邻近的一个方块计算每个像素点的纹理特征,然后采用基于高斯混合模型的EM算法对图像每个像素进行聚类,根据聚类结果进行区域合并得到纹理织物图像分割的最终结果.通过和其他分割算法进行对比,此算法具有较好的分割效果.     

基于羽毛图像纹理分割的毛杆提取方法

为了有效地从羽毛图像中提取毛杆,在对比各种分割方法的基础上,提出基于小波纹理分割方法．考虑羽毛的特点,为去噪和加深纹理特征,对图像进行恢复和增强．经过二层小波分解后提取各细节子图的特征,形成特征向量,并由聚类法进行分类分割．实验结果表明,该方法能较好地提取毛杆．     

基于颜色模型和纹理特征的彩色水果图像分割方法

介绍了RGB和HIS两种颜色模型,采用色调值H和色差值R-G两个特征值,通过Otsu方法自动获取阈值对自然场景下彩色水果图像进行了分割,并对实验结果进行了对比.然后,利用灰度共生矩阵分析了果实和背景的纹理特征,找到了区别果实和背景的纹理特征参数,对果实和背景颜色相似的图像进行分割.实验结果证明,纹理特征和颜色特征两者相辅相成,优势互补,对于包含复杂背景的青苹果图像分割效果比较好.     

基于空间频率域的纹理分割算法

本文基于空间频率域,通过定义局部功率谱的熵,提出一种新的纹理分割方法,和以往基于频域特征的纹理分割方法不同,本文提出的方法所用到的熵有别于传统频域熵概念,而且分割过程是在熵图上采用简单的阈值处理实现的。最后,还对几种不同的纹理结构及其组合进行计算机模拟,实验结果令人满意。     

SAR图像双Markov-EAR模型的纹理无监督分割

单视SAR图像保留了最大的分辨率和场景可观测的全部纹理信息,根据单视SAR图像的统计性质,在双M arkov模型的框架下,对低层M arkov随机场提出了指数自回归EAR纹理模型,并对纹理含噪情形下的高层M arkov随机场模型给出了一种参数估计方法及相应的无监督分割算法。实验结果表明,与以往的有监督GAR模型和不考虑纹理的模型相比,无监督的双M arkov-EAR模型能大量降低分割时的错分率。     

基于C-V模型的医学图像血管钙化分割算法

为了准确分割出医学图像中血管的钙化点,设计并实现了一种基于C-V模型的水平集图像分割方法。首先进行去噪和对比度增强预处理,接下来分割出图像中感兴趣的血管和钙化点区域,然后利用C-V模型水平集分割方法分割血管壁上的钙化点目标,最后采用形态学方法消除分割结果中孤立的噪声和孔洞。针对大量的临床血管钙化图像进行了算法的测试,实验结果表明:能有效分割出血管中的钙化灶,准确检测出血管中钙化的位置、大小、形态等。将C-V模型分割方法与OTSU阈值分割、登山法分割方法进行比较,结果表明C-V模型分割方法对于钙化点的分割更准确,边缘更平滑,更清晰,方便对钙化点进行进一步的测量和诊断。     

基于分割与镶嵌的纹理图形生成

计算机生成纹理图的研究是计算机图形学的一个重要课题。研究计算机生成纹理的实用价值就在于能够发现和找到生成某类自然纹理的特殊算法。并以此生成出符合实际需要的纹理图。本文介绍一种计算机生成纹理图的方法,即分割与镶嵌的方法。这种方法生成的图形能用于陶瓷、砖石及织物表面的图案及质感的模拟,同时也可用于计算机艺术创作。     

基于小波框架分解和模糊软聚类的纹理图像分割方法

提出了一种新的纹理图像分割方法．该方法利用小波框架分解提取纹理图像的特征参量,利用模糊软聚类方法在特征空间中进行纹理边界的粗划分,然后应用细化算法确定纹理边界区域的精确边界．文末给出了算法的一个典型实验．     

基于颜色特征的植物根系图像分割方法

良好的图像分析系统可快速确定各种各样的植物根系参数.一般说来,在进行植物根系图像的测量处理之前还应对其做特别的准备.图像分割是计算机视觉低层处理的重要步骤.由于植物根系彩色图像有比其灰度图像更多的视觉信息,所以它们在根系图像特征的提取处理过程中更为有用.论文对现有几种彩色图像分割方法进行了比较分析,提出了一种基于颜色特征的图像分割法,并将其应用于扫描和数码相机拍摄植物根系图像的分割处理.     

局部熵驱动的主动轮廓线纹理图像分割

该文通过对主动轮廓线技术发展的回顾和从纹理图像分割的实际问题出发,提出一种基于局部熵驱动的主动轮廓线纹理图像分割模型。该模型的能量泛涵包含一个惩罚区域弧长的几何正则项和一个使用纹理模式区分不同区域的数据拟合项,特别是数据拟合项用到了局部熵来提取图像纹理并且采用L1范数作为熵的相似性度量。然后将该能量泛涵嵌入到变分的水平集公式中,通过求解能量最小化问题,得到相应的曲线演化方程。最后,采用Berkeley图像分割库中图像实验验证了该方法的有效性。     

利用模糊特征改进Snakes模型的图像分割

利用模糊特征自适应地控制曲线法向力场改进参数主动轮廓模型,改进后的模型可以对弱边缘、无边缘区域和纹理图像进行分割。曲线法向力场加速了曲线收敛到目标区域边界,改进了抓取范围和提取凹区域的能力。对弱边缘图像、医学图像和纹理的分割实验表明,新方法具有良好的性能。     

一种基于信息融合的图像分割方法

轮廓提取是计算机视觉的基础步骤之一,是图像分析的基础,国内外在此方面都有一定研究,但轮廓的提取由于受到诸如光源、目标形状、成像原理等原因的影响,特别是光源的影响,算法的通用性一般很差。针对以往算法的局限性,本文从色度、纹理入手并结合数学形态学,提出了一种基于信息融合的图像分割方法。经实验证明,在光源变化不大的情况下,该法对不同材质的轮廓提取有较好的通用性。     

一种面向弱纹理图像的特征点描述子

现有的大多数特征点提取算法适用于处理纹理丰富的图像,而对于弱纹理图像则无法提取有效的特征点. 对此,提出了多邻域结构张量特征(MNSTF)算法. 基于一系列固定的邻域和图像结构张量,通过表达局部图像的结构和纹理信息,解决了弱纹理和无纹理场景下特征点提取和匹配等相关问题;同时,通过计算邻域之间的相对方向,实现了MNSTF算法特征描述子的旋转不变性. 实验结果表明,MNSTF算法在经过旋转的弱纹理图像测试集上的特征点匹配准确率达到了99.9%以上,验证了其良好的适用性、旋转不变性和鲁棒性.     

一种新的用于图像分割的活动轮廓模型

为了从灰度异质图像中更好地提取目标,本文提出了一种新的图像分割方法,采用测地时间函数作为局部二值拟合模型的核函数,并结合图像区域的局部灰度信息和全局灰度信息建立能量泛函.同时,符号函数惩罚项的引入避免了符号函数的重新初始化,而曲线长度调整项则保证了曲线演化的连续性和光滑性.通过变分水平集方法最小化新的能量泛函,得到曲线演化的梯度下降流.通过对医学CT图像进行分割实验,证明了该方法的可行性和优越性.     

基于底层纹理特征的图像检索

讨论了统计法中的灰度共现矩阵法和频谱法中的小波变换法来提取图像底层纹理特征,并对此进行了比较和分析,实验表明,基于小波变换的纹理特征提取方法可以有效描述图像底层纹理并取得较好检索结果。