一种融合分水岭与ISODATA的岩心图像分割方法

分水岭算法用于图像分割,能获得封闭的和位置准确的轮廓,但容易造成过分割;ISODATA算法能将岩心砾石颗粒聚集成一类,但会使砾石目标边缘位置漂移。为克服以上两种方法的缺点,提出融合分水岭和ISODATA的图像分割方法。该方法首先利用分水岭算法得到过分割图像,ISODATA算法得到聚类图像,然后以ISODATA算法聚类的结果为依据,校正分水岭法的过分割问题。该方法用于砾岩图像的分割,取得了较好的实验效果。     

一种改进的标记分水岭遥感图像分割方法

图像分割是图像分析和模式识别需要解决的首要问题和基本问题,也是图像处理的经典难题。分水岭变换则是一种适用于图像分割的强有力的形态学工具,然而其不足之处在于它的过分割结果。提出一种基于ISODATA聚类和标记分水岭的分割方案,该方案首先通过中值滤波来消除部分噪声;然后用ISODATA方法进行聚类,获得更明显的特征差异;接着采用Sobel算子进行梯度重建,得到具有边缘信息的简化图像;在此基础上再进行基于标记的分水岭变换。实验结果表明,该方法分割精度达到80%以上,能够较好地抑制过分割。     

一种改进的标记分水岭遥感图像分割方法

图像分割是图像分析和模式识别需要解决的首要问题和基本问题,也是图像处理的经典难题。分水岭变换则是一种适用于图像分割的强有力的形态学工具,然而其不足之处在于它的过分割结果。提出一种基于ISODATA聚类和标记分水岭的分割方案,该方案首先通过中值滤波来消除部分噪声;然后用ISODATA方法进行聚类,获得更明显的特征差异;接着采用Sobel算子进行梯度重建,得到具有边缘信息的简化图像;在此基础上再进行基于标记的分水岭变换。实验结果表明,该方法分割精度达到80%以上,能够较好地抑制过分割。     

一种改进的Canny图像分割算法

针对目前图像分割算法普遍存在噪音鲁棒性差、易发生细小边界信息缺失以及适用范围较窄的缺点,改进Canny边缘提取算法中的问题阈值并与原色特征提取加权融合。首先针对Canny算子阈值的自适应性问题,通过计算图像背景与目标之间的类方差来减少错分概率来决定阈值。然后,在具有丰富信息的彩色图像上提出R、G、B这3种原色特征,通过原色特征提取的分割图像与阈值分割提取的图像加权融合形成全新的分割图像。该算法不仅克服了传统分割提取算法边缘信息丢失、鲁棒性差的问题,而且提高了细节点的单位精度,实验结果表明了本文改进Canny边缘算法的有效性。     

融合边缘流和模糊区域聚类的岩心图像分割

提出一种融合边缘流和模糊区域聚类的图像分割方法。选用高精度的灰度边缘流对图像进行分割,得到边缘流的矢量方向和边缘能量,通过曲线演化得到初始分割图像;在初始分割产生的小区域上,综合小区域的色彩空间特征和图像空间特征,进行了模糊区域聚类;将聚类结果用于修正初始分割图像,去除过分割。实验表明,在对岩心图像的分割中,该方法能取得良好的效果。     

基于改进Canny算子与图像形态学融合的边缘检测方法

传统Canny算法采用高斯滤波会造成图像的过度光滑,容易导致缓变边缘的丢失,而且梯度幅值的计算方法没有充分考虑到3x3邻域内周围像素对中心像素的影响.针对上述存在的问题与不足,结合小波融合技术的优势,提出了一种基于改进Canny算子与图像形态学融合的边缘检测方法,利用改进的Canny算子和图像形态学分别对图像进行边缘检测,然后应用小波融合技术把两种方法检测出来的边缘进行图像融合,得到最终的图像边缘.仿真结果表明,该算法具有较好的抗噪能力,有效地提高了边缘检测的准确性和完整性.     

小波变换和Canny算子相结合的图像边缘检测算法

提出一种基于小波变换和Canny算子相结合的图像边缘检测算法.由于传统Canny算子在进行边缘检测时,会丢失边缘细节信息,产生伪边缘,因此,论文提出在进行Canny算子边缘检测前,首先使用二维最大类间方差算法将图像分为四幅子图,然后对各子图分别进行小波阈值去噪,对去噪图像进行图像融合后,使用Canny算子检测边缘,最后进行边缘连接,得到连续边缘线.实验结果表明,该算法可以在去除噪声的同时有效保留边缘细节,达到较好的检测效果.     

Lab空间的改进Canny边缘检测方法

针对传统RGB图像不能进行亮度分离的问题,提出了一种基于Lab颜色空间的改进Canny算子边缘检测方法。该方法将图像由RGB模式转换到Lab色彩空间,将亮度与色度信息分离,进一步使用基于组合滤波和自适应阈值的Canny算法,分别对Lab色彩模式下的三个通道分量进行边缘检测,实现三个通道的边缘融合确定。仿真实验结果表明,该方法可以有效提取图像中的边缘。     

基于改进的JSEG算法的图像分割

针对JSEG算法在图像分割中出现的明显过分割现象,提出一种基于边缘信息的JSEG[1]改进方法。该方法首先将图像的颜色空间转换为LUV颜色空间,用PGF（Peer Group Filtering）[2]算法对图像进行平滑去噪,用分裂算法确定图像的类数,用GLA（Generalized Lloyd Algorithm）[3]算法完成量化,生成＂类图＂。然后计算每个像素的J值,并利用Canny算子检测的边缘信息,对J值进行修正,计算每个像素的局部相似程度,并在不同的尺寸下构建J图像,这样就能反映出最有可能的边界位置。最后在J图像上进行种子区域增长,直到获得最终的分割结果。实验结果表明该方法可以有效地改善JSEG算法在图像分割中存在的过分割现象。     

一种图像边缘检测算法的改进和实现

边缘检测是图像分割和模式识别的必要工作。首先分析了传统的导数算子Sobel和Canny的检测原理及其优缺点。然后针对图像边缘检测的特点,从模糊聚类角度出发,提出一种改进的蚁群算法。根据图像灰度和梯度特征设置初始聚类中心,改进启发式函数,将蚁群算法得到的聚类中心作为模糊C均值聚类的初始中心,再进行FCM聚类,实现基于目标函数的模糊聚类。最后对文中提到的各种算法的实验结果进行比较与分析,结果表明文中改进算法是有效的。     

基于分水岭和重叠率衡量的多级彩色图像分割

由于分水岭方法进行图像分割时经常是在梯度图像上进行,并经常产生过分割的结果,因此为克服图像过分割问题和提高分割的准确性,提出了一种基于分水岭和重叠率衡量分层融合策略的彩色图像分割新算法——HWO。该算法首先将RGB颜色空间转化到Lab颜色空间,并根据a、b维来提取统计2维直方图,同时在直方图上运用分水岭分割方法,通过对峰进行填充来得到图像的初步分割结果;然后将与填充对应的分割区域样本与高斯分布结合起来,对图像进行高斯混合模型假设下的参数估计;最后对模型与模型间进行重叠率衡量及分层区域融合,以得到最终的图像分割结果。实验中,首先采用训练图像集对算法涉及的两个参数进行确定,然后对测试图像集的分割效果和分割时间性能进行评估,评估是以标准的人工分割图像库为基准的。实验结果表明,该算法可解决过分割问题,其评估所得分准率及分全率综合衡量系数为0.609,而人工分割综合衡量系数为0.79,同时新方法的分割时间仅为传统方法的1/3,分割速度有了较大提高。     

融合深度和颜色信息的图像物体分割算法

讨论立体图对的图像分割问题,提出一种基于深度和颜色信息的图像物体分割算法。该算法首先利用基于聚类的Mean-shift分割算法对目标图像进行适度的过分割,同时借助双目立体视觉算法获取立体图对的稠密深度图,并依据深度不连续性从过分割结果中选取用于继续进行“精致”分割的种子点集,接着对未分配种子标签的区域用图割算法分配标签,并对彼此之间没有深度不连续边界但具有不同标签的相邻区域进行融合。相比于传统图像分割算法,该算法可有效克服过分割和欠分割问题,获取具有一定语义的图像分割结果。相关的对比实验结果验证了该算法的有效性。     

基于IC芯片的彩色图像分割方法研究与实现

以IC芯片彩色图像为研究对象,分析了迭代阈值法,松弛迭代算法,颜色空间聚类算法在此类图像分割中的不足,并改进迭代阈值法,对原始图像进行颜色空间转换,由RGB空间转化到CIE Lab空间;同时利用八叉树算法对图像进行8位量化,对得到的灰度图像进行迭代阈值分割得到最佳阈值,从而提出了专门针对彩色图像背景分割的彩色迭代阙值法.最后基于Visual Studio6.0平台实现上述4种方法,并通过对比实验证明本文所采用的方法的可行性和实用性.     

基于水平集和迭代自组织算法的图像分割

提出了基于水平集和迭代自组织数据分析的岩心砾石图像分割方法,既可克服水平集算法伴生的图像过分割问题,也可解决迭代自组织算法产生的图像边缘飘移问题。该方法首先运用水平集算法获取目标颗粒的准确边界,运用迭代自组织算法提取目标颗粒的整体;其次将两种方法提取的图像给以迭加综合处理,克服水平集算法伴生的图像过分割和迭代自组织算法产生的边缘飘移的缺陷,进而得到既完整又边界准确的目标颗粒。该方法运用于岩心砾石图像的分割,取得了良好的效果。     

基于颜色量化和密度峰聚类的彩色图像分割

彩色图像分割是簇绒地毯数字化制造的关键技术,图像的分割质量直接影响到后续的图像处理。为解决地毯的彩色图像分割问题,针对人眼在RGB颜色空间中感知不均匀的特性,提出了一种基于颜色量化和密度峰聚类的彩色图像分割算法。基于Lab颜色空间进行颜色量化,在HVC颜色空间中用NBS距离来衡量人眼对颜色差异的感知程度,采用改进的密度峰聚类算法自动确定聚类中心,从而分割地毯图案。实验结果表明,该算法能在不影响人眼感知的前提下得到颜色种类少且边缘清晰的地毯分割图像。     

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。     

相对颜色空间下梯度分层重构的分水岭分割

为了改善传统分水岭算法中的过分割现象,考虑到反射亮光对图像的干扰,提出了一种相对颜色空间下的梯度分层重构的分水岭分割算法。首先将彩色图像由RGB空间转换到与反射亮光无关的相对颜色空间;其次结合图像信息熵获得彩色图像的梯度图像;然后根据梯度直方图的分布信息,对梯度图像进行分层重构;随后采用形态学极小值标定技术对合并后的梯度图像进行强制标定;最后对修正后的图像进行分水岭分割。对不同类型的图像进行分割实验,实验结果显示该算法相比其他3种典型的分水岭算法在分割区域个数、运行时间及区域间差异性指标(DIR)上的表现都较为突出。该算法更符合人眼对图像的感知,分割效果和性能较好,具有较高的鲁棒性和实用性。     

基于改进分水岭算法的熏烤肉图像分割

针对传统分水岭算法容易产生过度分割的问题,提出一种改进分水岭算法,并用来分割熏烤肉表面颜色。算法先对熏烤肉原始图像作滤波预处理,然后作传统分水岭变换,对产生的过度分割区域,在RGB颜色空间中进行自动种子选取及种子区域生长,最后对剩余小区域进行合并得到分割图像。实验表明,该方法减少了过度分割现象,成功地分割熏烤肉表面颜色,为之后的分析工作奠定了基础。