一种基于最大相似子阵的彩色图像检索算法

颜色是图像的重要特征之一,被广泛用于图像检索。传统的颜色直方图检索算法丢弃了色彩的空间位置信息,影响了算法的检索精度。针对这一问题,提出了一种基于最大相似子阵的彩色图像检索算法,即采用奇数方阵分割图像以捕捉颜色的空间分布特征,从而得到颜色矩阵,通过求解两个颜色矩阵的最大相似子阵实现相似度计算。研究结果表明,所提算法能够准确描述图像的颜色特征,相似度计算非常有效,相比全局直方图有较好的检索精度。     

基于图像颜色纹理的均值漂移分割算法

针对传统均值漂移算法对图像纹理特征不敏感的不足,利用图像纹理特征的独特性,提出了一种基于颜色纹理的均值漂移分割算法.结合欧式距离和高斯函数计算当前像素点与其周围像素点的颜色相似度,再使用Gabor变换提取图像不同方向、尺度上的纹理特征,结合颜色的相似度,对该像素点均值漂移的过程加权.该算法充分考虑了图像纹理的周期性、尺度性以及图像颜色的关联性.实验结果表明,算法对色彩信息不明显的纹理图像有良好的分割效果,也会提高彩色图像分割结果的准确性.分割算法用于大型水上桥梁识别,能够提高桥梁识别率.     

结合巴氏系数和灰度共生矩阵的遥感影像分割

针对遥感影像纹理信息丰富的特点,以及传统分水岭变换用于遥感影像分割容易出现过分割的问题,提出了一种基于巴氏系数和灰度共生矩阵的区域合并方法改进分水岭算法的分割结果。首先,利用数学形态学的方法提取原始影像的梯度图像,并且从梯度图像中获取标记;其次,在标记的梯度图像上进行分水岭变换,得到初始分割图像;最后,利用所提出的结合巴氏系数和灰度共生矩阵的区域合并方法对过分割区域进行合并,得到最终分割结果。实验结果表明,该算法既能得到连通,封闭的分割轮廓,还能有效解决分水岭分割算法的过分割问题,得到了较为准确的分割结果。     

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.     

基于特征模糊推理的形态学颗粒分割算法

针对粘连或重叠颗粒图像的分割问题,提出了一种基于特征模糊推理的局部形态学重构参数计算方法,对传统的距离变换结合分水岭的算法进行了改进。在传统距离变换结合分水岭方法的基础上,将颗粒图像划分成若干连通区域,每个连通区域单独处理,使用形态学局部重构的方法抑制分水岭的过分割现象。通过对距离图像连通区域极大值进行统计分析,提取该连通区域的颗粒形态特征。将颗粒形态特征作为模糊输入,重构参数特征作为模糊输出,使用模糊推理方法自适应地计算重构参数,解决了重构参数选取的不确定性问题。最后对重构图像进行分水岭变换得到颗粒分割图像。实验结果表明,该方法对各种粘连状态的颗粒分割效果良好,克服了传统方法的过分割与参数自适应选择的问题。     

一种融合颜色和空间信息的区域生长算法

该文提出了一种基于图像颜色和局部空间信息的种子区域生长算法,并用于彩色图像分割。该算法首先根据相对欧式距离使用均值聚类算法对图像进行颜色量化,形成图像的初始分割结果,然后通过计算局部颜色散度,进行分级区域合并,最后,利用形态学相关算法对分割区域的边缘进行平滑。实验表明,该算法能得到与人类视觉判断相一致的有意义区域的分割。     

基于SC特征的叶片图像识别研究

提出一种基于改进SC形状上下文描述子的叶片图像特征提取方法.利用颜色聚类分割图像,使用Ostu算子实现二值化处理,提取图像边缘轮廓,结合形状上下文(SC)描述子提取图像轮廓特征,计算匹配代价矩阵,利用匈牙利算法获得最小匹配代价.结果表明该算法具有较高的识别准确度.     

一种新的融合颜色和空间信息的目标提取方法

对于目标中带孔或目标局部区域颜色与背景相似的图像,单独利用颜色特征或空间信息易产生过分割和欠分割问题。提出一种颜色和空间信息相结合的目标提取算法。首先对原彩色图像进行并行处理,一方面通过颜色特征提取目标的大致区域;另一方面利用灰度信息提取连续边缘。然后,利用空间信息进行目标轮廓匹配。最后,对初始提取的目标区域进行区域合并,得到最终的目标区域。测试结果证明了该算法的正确性和高效性,具有实用价值。     

融合颜色和深度信息的图像物体分割算法*

当图像中存在阴影、低对比度边缘和模糊区域时,传统算法仅利用外观信息难以准确提取物体轮廓,而深度不连续性为辨识物体边界提供有用信息。文中提出基于颜色和深度信息的图像物体分割算法,首先利用mean-shift算法对图像进行适度的过分割,然后融合颜色和深度信息充分描述过分割区域的特性,根据深度信息自动选取目标和背景的种子区域,最后基于最大相似度进行区域合并,得到图像物体分割结果。在Middlebury和NYU-V2数据库上的实验表明,相比当前通用算法,文中算法简单有效,能提高分割的准确性,改善分割图像的视觉效果。     

一种局部纹理特征在区域生长中的应用*

为克服现有算法不能自动选择种子且没有很好地利用纹理信息的局限性,提出了一种基于局部纹理特征的区域生长算法。算法分为两个阶段,即颜色量化和区域生长。先利用Mean Shift算法对颜色聚类,对图像预分割,用该局部量化纹理算法提取量化结果的纹理特征,由该纹理特征自动选择种子并分级合并区域。与经典的JSEG算法相比,该算法能够得到相似的分割结果,且计算复杂度低。