基于自适应局部阈值的彩色图像分割

使用基于图论的最小生成树方法进行图像分割,能够获得全局的分割效果及良好的运行效率,但是图中边的数目太多,而且使用固定阈值合并的最小生成树不能适用于所有彩色图像。本文针对这一问题,结合分水岭方法,先将分水岭变换产生的初始分割区域转变成图论中的顶点和边,再用最小生成树合并,通过分析局部信息变化,得到自适应局部阈值。实验表明,基于自适应局部阈值的最小生成树分割效果比基于全局阈值最小生成树的分割效果要好。     

基于最小生成树的图像分割方法

图像分割是数字图像处理的重要分支,它研究的是将图像中感兴趣的部分准确、快速分割,以便于后续利用,它是从图像处理到图像分析的关键步骤.图像分割的好坏直接影响图像分析的精确度.由于图像的直观、可视性等特征,图像可以较准确地还原物体,许多领域的研究可以转变为对图像的研究.介绍了图像分割的基本概念及常见的几种图像分割方法,重点介绍了基于最小生成树的图像分割原理,并对最小生成树图像分割的优缺点进行分析,针对其缺点提出了改进的意见,并就图像分割的应用前景进行了简单的阐述.     

结合Ostu阈值法的最小生成树图像分割算法

基于最小生成树的图像分割算法是一种全局最优的算法，然而会出现图像细节的处理不甚理想的问题，即分割结果出现不同程度的过分割和欠分割的现象。针对这一现象，根据图像全局和区域间的最大类间方差（Ostu），将Ostu阈值法与最小生成树（MST）算法相结合，提出了一种基于MST的Ostu阈值法图像分割准则。该图像分割算法是一种MST的优化方法，将区域合并判决条件取决于相互合并的两个区域的Ostu阈值，又考虑到较小的区域包含在较大的目标区域中或者背景区域中，再次使用Ostu阈值进行区域合并。该方法通过实验证明，可以有效地减弱图像的过分割与欠分割比例，减少了误分割率。     

基于Mumford-Shah理论的最小生成树图像分割方法

基于最小生成树的图像分割方法虽然具有较快的分割速度,然而这类方法的结果较为粗糙、冗杂.结合Mumford-Shah理论,提出了一种优化的方法.通过考虑图像中区域间的结合程度以及各区域的几何性质,计算区域间基于结合度的权值并将之加入到最小生成树图像分割方法的区域合并判断公式中,使相互结合较好的区域更易于合并.该方法能够在保留目标区域间较弱边缘的同时,很好地合并目标区域内部结合较好的区域,并得剑简洁平滑的轮廓.     

一种改进的基于图论的图像分割方法

由于传统基于图论的图像分割方法是基于像素级别的,随着像素的增多,其应用也受到了限制,因此,提出一种改进的图像分割方法。该图像分割方法利用Dijkstra算法,将图像的像素点聚集形成超像素;应用Kruskal算法,得到最小生成树,确定并删除最小生成树的不一致边,完成图像分割。实验结果表明,改进方法分割的区域内部特征具有较好的均匀性和一致性。     

基于组件树滤波及快速区域合并的分水岭分割算法

针对分水岭算法存在过分割的问题,提出一种结合组件树滤波及快速区域合并的图像分割算法。该算法在图像预处理阶段利用组件树来表示梯度图像且根据顺序极值计算分水岭的相对势能和属性,并对其进行滤波,从而减少梯度图像中的局部极小值。对滤波后的梯度图像进行分水岭初始分割,然后利用完美场景准则对初始分割结果进行快速区域合并。实验结果表明,采用组件树对梯度图像进行滤波能够减少由于噪声而产生的局部极小值,大大减少了分水岭初始分割区域数量,提高了区域合并的准确性,加快了合并速度。     

基于阈值约束最小生成树算法的区域合并方法

为了解决基于形态学的分水岭分割算法受噪声影响而产生的“过分割”问题,提出了基于阈值约束最小生成树算法的区域合并方法.利用图论中最小生成树算法(prim算法、kruskal算法和boruvka算法),把分割后的区域看作是图的顶点,有相邻关系的区域看作是图的边,相邻区域的特征差异看作是边的权值,通过设置合适的阈值和迭代次数进行区域合并.实验结果表明,该方法保持地物边界的同时能够快速有效地合并“过分割”区域,尤其适用于地物复杂、尺寸较大的遥感图像.     

压缩域中基于自动标记的图像分割

针对传统像素域中图像分割算法计算复杂的缺陷,提出了一种压缩域中快速图像分割算法。对图像分块,提取离散余弦变换（DCT）系数结合颜色矩作为块特征,利用支持向量机（SVM）实现对压缩域中图像块的自动标记,采用提出的阈值最小生成树（TMST）算法对已标记块进行区域生长,应用形态学相关算法对分割出的图像进行修补。通过Corel图像数据库对提出的方法进行验证,结果表明该方法能够更加快速有效地进行图像分割。     

基于图论的图像分割算法仿真研究

研究图像分割优化问题.由于图像可以分割为若干个不同的区域,要求分割边缘清晰,速度快.但传统图像分割算法由于计算复杂等原因,造成图像分割分辨率低,清晰度不高,当图像中的信息量非常大时,分割非常耗时等缺陷,提出了图论的图像分割算法.采用图论的图像分割算法是一种全局的分割算法,首先分析图像在不同FRFT域的能量分布特点,通过归一化剩余误差因子p评估和分析FRFT域的能量积聚性和图像所包含的信息,使用最小生成树方法对图像对区域分别进行分割,并最终合并,采用二值化方法对图像进行仿真.结果表明,改进的算法能有效的分割图像,提高了图像分割的速度,是一种有效的新颖的图像分割算法.     

基于生成对抗网络的眼底图像生成方法

提出一种带出血病症的眼底图像生成方法,该方法可以丰富眼底图像样本,提升眼底出血检测系统的准确率。该方法用图像分割技术从现有图像中分割出血管树和出血块,利用GAN生成大量血管树和出血块,并经过预处理合并,把合并后的图片和真实眼底图片一起输入到改进的CycleGAN中,生成大量眼底图片。其中对CycleGAN进行改进：改进模型结构,引入Wassertein距离,并加入同一映射损失和感知损失。实验表明,用该方法生成图像的PSNR值比现有技术提高9.82%,SSIM值提高4.17%且收敛速度更快。把生成图像添加到出血检测系统的训练集中,系统的AUC值提升3.51%,证明该方法优于现有技术。     

基于图论的彩色图像快速分割方法研究

基于图论的图像分割方法作为一种全局的分割方法,当图像的信息量增大时,问题求解将非常耗时.提出一种基于图论的彩色图像快速分割方法,该方法首先用区域生长法将彩色图像划分为内部相似的一些区域,再用最小支撑树MST(Minimum spanning tree)方法在这些区域之间进行分割,产生最终的分割图像.以彩色图像作为研究对象,实验结果表明,相对于传统的MST图论分割方法,该方法在取得较好分割效果的同时,提高了分割速度.     

Salient object detection using color spatial distribution and minimum spanning tree weight

Salient object detection is very useful in many computer vision applications such as image segmentation, content-based image editing and object recognition. In this paper, we present a salient object detection algorithm by using color spatial distribution (CSD) and minimum spanning tree weight (MSTW). We first use a segmentation algorithm to decompose an image into superpixel-level elements, then use these elements as nodes to construct a minimum spanning tree (MST), each connected edge weight is the mean color difference between two nodes. CSD of each element can be computed by integrating color, spatial distance and MSTW. Note that if the color of one element is the most widely distributed over the entire image, it should have the biggest CSD value, we regard this element as a background node (BG Node). Then we use the MSTW between other element and BG node to generate a MSTW map. The superpixel-level saliency map can be obtained by combining the CSD map and MSTW map. Finally, we use a guided filter to get the pixel-level saliency map. Experimental results on two databases demonstrate that our proposed method outperforms other previous state-of-the-art approaches.     

基于最小生成树的图像融合算法

研究遥感图像融合精度问题。图像融合存在含有冗余和互补信息,造成清晰度降低。针对传统的图像配准算法精度较低,为了提高遥感图像融合的准确度,提出了一种最小生成树遥感图像配准算法,将最小生成树算法应用到图像融合的优化过程中,算法首先提取均匀子采样点集,并在此基础上构造最小生成树,然后使用最小生成树来估计熵,对遥感图像进行配准,最后将图像间的边缘梯度信息融入到融合框架中。算法有效地克服了传统图像融合算法的缺点,仿真结果表明,改进算法有效地提高了图像融合的精确度,并为遥感图像融合提出了有效依据。     

一种基于图的颜色纹理区域分割方法

针对传统基于图论的图像分割方法在分割纹理图像或有突变边缘的图像时,分割效果不理想的问题,提出了一种新的基于图论的颜色一纹理区域分割方法,该方法采用分块的小波能量直方图与三阶颜色矩组成块特征向量生成图顶点的集合,同时根据块间距离进行加权,计算块间的相似度,作为图的边权值,再利用最小生成树的方法进行图像分割,方法有效地弥补了传统基于图论的分割方法中的两个问题.实验结果表明,该算法具有良好的分割准确性与鲁棒性.     

基于图像轮廓分析的室内窗户检测

针对室内窗户检测的问题，提出一种基于图像轮廓分析的室内窗户检测方法。对预处理后的图像进行阈值分割和形态学处理；然后采用基于拓扑结构分析的边界跟踪算法，提取边界轮廓的一系列坐标点，根据窗户轮廓特点筛选出符合条件的轮廓，求各轮廓的最小外接矩形，计算两两最小外接矩形间的距离；最后利用最小生成树对各个矩形分类合并，确定窗户区域。实验结果表明，所提出的方法能有效地实现不同室内场景中窗户的检测。     

采用高斯混合模型及树结构的立体匹配算法

针对传统立体匹配算法无法同时为图像边缘和低纹理区域提供一个合适大小的聚合窗口而导致匹配精度较低的难题,提出一种结合高斯混合模型及最小生成树结构的立体匹配算法。通过图像初始视差、像素颜色及距离信息将图像分为初始若干区域及待分割候选像素;基于高斯混合模型并行迭代更新各区域参数,得到最终的分割;在各分割上建立最小生成树计算聚合值求取视差;通过邻域内的有效视差修正误匹配点,获取精度较高的稠密视差图。与其他算法相比,该算法能有效降低误匹配率,尤其在深度不连续区域的匹配效果显著改善。     

基于最小路由代价树的大规模显微图像拼接方法

为了对大规模显微图像进行高质量的拼接,首先提出拼接图的概念及获得高质量全景图像的3个原则,然后采用分块-空间聚类算法配准相邻图像,同时评估配准质量,并计算拼接图的边的权值;最后在此基础上,提出了一种基于最小路由代价生成树的图像拼接方法,该方法通过计算拼接图的最小路由代价生成树来确定所有图像的全局位置,并用来生成全景图像。实验结果表明,该方法可获得高质量的全景图像。