多层前馈网络在图象分割中的应用

本文提出用多层前馈网络进行基于边缘信息的图象分割，讨论了学习样本的提取步骤和网络学习的速度改进方法，实验表明，用多层前馈网络进行图象分割能获得良好的结果。     

子算法评价的分割算法优化思想及其系统实现

本文提出了一种基于算法评价知识的图象分割算法优化思想，并以该思想为基础设计实现了一个分割算法优化专家系统。从实验结果看。这种思想是可行的并用是实用的。     

多层前馈网络在图象分割中的应用

本文提出用多层前馈网络进行基于边缘信息的图象分割,讨论了学习样本的提取步骤和网络学习的速度改进方法。实验表明,用多层前馈网络进行图象分割能获得良好的结果。     

基于算法评价的分割算法优化思想及其系统实现

本文提出了一种基于算法评价知识的图象分割算法优化思想,并以该思想为基础设计实现了一个分割算法优化专家系统。从实验结果看,这种思想是可行的并且是实用的。这也为优化不同的图象处理和分析算法提供了一种有效的方案。     

图象质量的主观评价--兼谈图象清晰度与总的图象质量

图象质量的主观评价按评价方法的单项要素有;色纯,会聚,高度和色度分量间的重合,灰度绝调,几何失真和图象重显度,灰度重现,彩色满意度,图象干扰等,此外还有“清晰度”和总的图象质量”,在其它要素较好的情况下,这两个要素决定了彩电的技术水平,为提高图象质量采用了各种动态调整技术。     

FCM算法用于灰度图象分割的研究

模糊Ｃ均值（ＦＣＭ）算法用于灰度图象分割是一种非监督模糊聚类后再标定的过程，适合灰度图象中存在着模糊和不稳定性的特点，但是这种算法存在着一些不足，如类数目无法自动确定，运算的开销太大等，因而限掉了这种方法的应用，针对这些问题，本文利用直方图分析的方法，自动确定算法的聚类数目和各类的类峰值，并针对ＦＣＭ算法和灰度图象的特点，提出了一种适用于灰度图象分割的快速ＦＣＭ算法（ＱＦＣＭ）使得运算了开销降低，     

专家系统在遥感图象分类中的应用

本文简单回顾了人工智能、专家系统的思想和技术在遥感图象分类中的应用,讨论了在遥感图象分类中人工智能、专家系统的作用。研究了在遥感图象分类专家系统中知识获取、知识表达、推理控制等问题。     

OBJECTIVE IMAGE QUALITY MEASURES AND THEIR APPLICATIONS IN SEGMENTATION EVALUATION

Image segmentation is a critical step of image analysis. Segmentation evaluation is an effective procedure for studying the performance of segmentation techniques, in which quality measure plays an important role. This paper presents a group of new objective quality measures for segmentation evaluation and compares their performances. In addition, to verify the effectiveness of these new measures, an appropriate classification of segmentation is proposed. According to this classification, several representative algorithms from different categories are selected for comparison testing. Some valuable results are obtained and presented.     

基于分形和神经网络理论的多尺度图象分割方法

特征空间聚类分割方法存在的关键问题是有效的特征参数提取和聚类方法的构造。针对这两个问题,本文采用小波变换的多尺度分析方法提取图象的多尺度分形维数作为分割特征参数,用Kohonen自组织特征映射实现特征空间聚类,获得了良好的分割效果。     

一种改进的马尔可夫随机场图象恢复与分割模型

在现有的马尔可夫随机场图象恢复与分割模型中,图象场能量最低组态被看成是原始景物的一种最优估计。但在图象灰度值发生变化的边界上,能量最低组态不对应于原始景物,从而造成恢复(或分割)误差。本文对这类模型作了改进,利用改进的模型给出了一种引入边界信息的松弛算法,并给出了应用该算法对低信噪比图象进行恢复处理的计算机模拟结果。     

用自产生和自组织神经网络对超声医学图像进行自动分割

本文研究用自产生和自组织神经网络方法进行超声心脏图像的自动分割。这种无监督的聚类方法能够自动搜索最佳的网络输出节点数而获取图像中的目标数,从而完成对图像的自动分割。实验结果表明,与自组织特征映射方法相比,本文的方法具有许多重要的优点。     

基于模糊--神经网络混合系统的图象分割方法

本文提出了一种基于模糊-神经网络混合系统(FNNHS)的图象分割方法。它可以利用人的经验知识和神经网络从样本数据中学习知识的能力,得到性能良好的模糊规则,并且可以通过神经网络结构实现模糊推理。分割过程由基于区域生长的预分割和基于FNNHS的区域合并两步构成。实验表明,该方法用于复杂图象分割具有很好的效果。     

基于分水岭-谱聚类的SAR图像分割

由于谱聚类是基于图论的、以相似性为基础的聚类方法,需要计算图像中每对像素点之间的相似性.当图像很大时,计算相似性矩阵和求解相应的特征值、特征向量是很困难和耗时的.为此,针对合成孔径雷达(SAR)图像的特点,提出了一个两阶段的图像分割方法,首先采用分水岭算法对图像进行过分割,然后再用改进的谱聚类算法进行聚类.新方法不仅可以减少噪声对分割结果的影响,很好地保持图像边缘,而且对时间要求较高的应用也具有一定的参考价值.为了验证新方法的有效性,将其用于SAR图像分割,取得了较优的分割结果.     

图像分割中采用自适应3次B样条修饰轮廓线

提出了一种在图像分割中获得连续光滑轮廓线的方法,该方法先以动态京都科像的全局最小累积代价阵,并从累积代价梯度降低最快的方向提取全局最优的轮廓线,然后用一种自适应3次B样条对获得的线进行修饰和平滑处理。该样条可根据轮廓线不同处的曲率变化情况,自适应地调整控制点的分布,在各类图像上的试验表明,该方法能有效地消除轮廓线上的小锯齿,获得较其它方法更平滑的曲线,同时又保留了轮廓线的特征细节。     

边缘检测器性能的客观定量评价

本文提出了一种新的边缘检测器的客观评价方法。该方法既能反映边缘检测器对图像轮廓的检测性能,又能对图像细节处的边缘检测能力进行正确的评价。由于该方法将整个测试图区分成三个不同性质的区域,不同的区域用不同的参数来反映边缘检测器的不同性能。因此,能准确反映噪声对边缘检测器的影响。同时,它将整个边缘检测器的性能分解成边缘提取能力和噪声抑制能力两部分,便于我们全面、准确和客观地评价不同特性的边缘检测器,以适应不同应用场合的需要。