边缘和区域多阶段结合的图像分割

基于局部灰度的边缘检测和基于全局灰度统计的阈值分割是两种最要的图像分割方法.针对这两种方法单独使用时得不到理想分割结果的问题,提出一种边缘和区域多阶段结合的策略,利用边缘像素的灰度确定子区域分割阈值,将边缘和区域边界距离评估作为子区域递归分割的终止条件,最后叠加边缘图修订区域分割结果.实验表明,本文方法对于目标灰度不均的细胞图像能获得理想的分割效果.     

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.     

基于均值偏移和边缘置信度的焦炭显微图像分割

针对焦炭显微图像中光学组织的特点,提出了一种结合均值偏移和边缘置信度的焦炭显微图像分割。该方法首先计算图像像素的边缘置信度,利用边缘置信度设计均值偏移算法中的权值函数,对特征空间的采样点进行加权,以提高模式点检测的准确性;然后以扩展的均值偏移向量进行迭代,实现焦炭显微图像的初步分割;由于在初步分割中产生过多的聚类数,导致了相同组分区域的过分割。因此通过空域距离和区域边界像素的置信度平均值设置合并条件,合并相同光学组分的焦炭区域,实现图像的最终分割。实验表明,该方法能够有效地分割出焦炭显微图像中不同光学组织组分区域,为焦炭光学组织的自动识别提供可靠依据。     

基于模糊连接度的交互式活动轮廓模型

由于活动轮廓模型能量函数是非凸的,图像分割的结果易于陷入局部最优.为了克服该问题,提出一种基于凸活动轮廓模型的交互式彩色图像分割方法.该方法的新能量函数不仅充分利用边缘信息和颜色信息,还包含一种新定义的空间位置信息.通过模糊连接度构造空间位置信息,将其自适应地融合到活动轮廓模型中.在数值优化过程中,采用分裂Bregman方法获得新模型的全局最优解.针对多幅彩色自然图像作对比实验,结果表明新方法能够准确、快速地得到理想的分割结果.     

一种基于CB模型的彩色图像分割方法

CB模型是一种把图像分为色度和亮度方面的彩色模型,对图像进行分割去噪时可以很好地保留图像的细节和边缘.首先把一幅含有噪声的彩色图像分割成几何和摆动部分(纹理和噪声),然后利用CB模型分别在色度和亮度两个通道上求几何和摆动部分,再合成图像的几何和摆动部分,其中几何部分即图像去噪后的图像.实验证明CB模型可以快速准确地分割出目标,消除图像的噪声部分,是一种有效的图像分割方法.     

条件随机场像素建模与深度特征融合的目标区域分割算法

针对已有的基于深度神经网络的目标区域分割算法在目标边界分割效果中存在的问题,提出融合图像像素信息与图像语义信息的目标区域分割算法.首先通过加入注意力模块的深度神经网络提取图像语义级别的信息,得到图像语义级别的全局特征;然后利用条件随机场模型对图像局部区域进行像素级别建模,得到图像的局部细节特征;最后综合利用图像的局部细节特征和图像的全局特征,得到目标区域的分割结果.实验结果表明,与已有的算法相比,该算法能够更好地分割出目标的边界区域,抑制边界区域分割粗糙的问题,得到较准确的目标分割区域.     

基于覆盖分割和活动轮廓模型的图像边缘提取算法

针对传统算法对边界模糊的图像分割效果不理想,分割结果多毛刺的问题,提出了一种由粗到细的图像边缘提取方法,主要由像素覆盖分割方法和Chan-Vese模型组成。将改进的覆盖分割方法和活动轮廓模型相结合,首先使用原始覆盖分割算法对图像进行分割,利用多方向模糊形态学边缘检测算法提取不同物体之间的边界;然后采用改进的像素覆盖分割方法给边界像素重新分配覆盖值;最后,运用活动轮廓算法进行细化的图像边界提取;分别进行了分割结果的定性比较,抗噪性测试以及提取的边缘对比实验。实验结果表明,该方法对具有模糊边界的图像,提取边缘结果优于其他可比文献中提出的方法。     

基于解剖学特征的乳腺X线图像胸肌分割

提出了基于解剖学特征(纹理特征和形状特征)的乳腺X线图像胸肌区域分割方法. 融合边缘信息到谱聚类算法得到过分割图像. 根据区域的亮度分布和胸肌的三角形状特征,提出区域聚合算法, 从过分割图像中识别出胸肌边缘.该方法在322幅mini-MIAS (Mammographic image analysis society)乳腺图像和50幅北京大学人民医院乳腺中心乳腺图像上进行验证, 实验结果表明,该方法对不同大小、形状和亮度的胸肌分割具有较强的鲁棒性.     

基于HSV颜色模型的广义梯度矢量流图像分割方法

采用广义梯度矢量流（Generalized gradient vector flow, GGVF）作为势能函数的Snake算法在处理灰度图像分割时具有较好的性能.但当处理彩色图像时, GGVF模型往往将彩色图像转化为灰度图像进行处理,此过程造成颜色信息丢失,因而容易受到阴影等伪边界灰度变化的干扰.本文提出了基于HSV颜色模型的GGVF,充分利用了图像的色彩信息进行图像分割.实验结果表明,该方法能够有效地区分彩色图像的真实边界与由阴影产生的伪边界,并取得较好的分割结果.     

Unit-Linking PCNN和图像熵的彩色图像分割与边缘检测

在RGB空间中,将最大香农熵准则和最小交叉熵准则两种评价准则与大概率合并和小概率合并两种合并策略相结合,提出基于Unit-Linking PCNN的四种彩色图像分割方案,并在各分量分割结果基础上利用Unit-Linking PCNN实施边缘检测,合并得到彩色图像的边缘检测结果。分析了各评价准则和合并策略的优劣,比较了各分割方案条件下的图像分割和边缘检测效果。与HSV空间中得到的相关结果进行分析比较,该文分割和边缘检测结果体现了图像的更多的细节,说明了在RGB空间中进行彩色图像分割和边缘检测的合理性。与相关文献结果相比,该方法的模型参数对图像分割结果的影响较不敏感。计算机仿真结果表明,该方法具有较好的彩色图像分割和边缘检测效果,具有较强适用性。     

结合显著性检测和中心分割算法的文本检测方法

针对复杂背景下的文本检测问题,提出了显著性检测与中心分割算法相结合的文本检测技术。对于输入的图像,首先分别使用前景与背景作为标准的显著性检测方法,背景检测时将图像的四边分别作为基准,前景检测时将背景检测中得到的非背景区域作为基准,最终可得到较准确的备选文本区。然后使用中心分割算法,得到精确的边缘图。由于显著性图备选区域准确边缘细节缺失,而边缘图边缘精确但无法得出备选文本区,因此将两者进行融合处理,得到最终文本区域。实验表明,所提出的方法有较好的检测效果。     

基于最大类间方差的最大熵图像分割

最大熵分割算法对于目标与背景之间界限模糊的图像分割效果较好,但该算法对图像边缘的处理能力较差。最大类间方差分割算法对图像边缘的识别能力较强,但该算法对于目标和背景之间界限模糊的图像分割效果不好。针对上述问题,提出了一种基于最大类间方差的最大熵图像分割算法,该算法既能很好地对目标与背景之间界限模糊的图像进行分割,又能有效地识别图像的边缘。实验结果表明,本文所提算法对目标与背景之间界限模糊的图像的分割效果以及对图像边缘的识别能力均优于传统的最大类间方差算法和最大熵算法,且具有更好的有效性和鲁棒性。     

基于Snake模型的图像分割新算法

针对目前基于Snake模型的图像分割算法普遍存在噪声鲁棒性差、适用范围受限、易发生弱边缘泄露以及轮廓曲线难以收敛到细小深凹边界的缺陷,提出了一种基于Snake模型的图像分割新算法。首先,选取新的扩散项代替具有各向同性光滑作用的拉普拉斯算子;其次,引入p-拉普拉斯泛函到平滑能量项中强化法线方向外力;最后,利用边缘保护项使外力场方向与边缘方向一致,以防止弱边缘泄漏并促使轮廓线收敛到细小深凹边界。实验结果表明,所提模型不仅克服了现有基于Snake模型的图像分割算法的缺陷,具有更好的分割效果,明显提高了抗噪性能和角点定位精度,而且耗时更少,适用于噪声图像、医学图像以及含有很多弱边缘的自然图像分割。     

融合边界信息的高分辨率遥感影像分割优化算法

目的 针对目前区域分割算法获取的区域边界与真实地物边界不一致问题,利用高分辨率遥感影像地物内具有均质性和地物间边缘信息突出的特点,提出一种融合边界信息的高分辨率遥感影像分割优化算法。方法 首先采用Canny算法对遥感影像进行边缘提取并进行边缘连接处理,产生闭合边界;然后将边界与初始分割结果进行融合处理,获得新的分割结果;最后在闭合边界约束下,基于灰度相似性准则对新的分割结果进行区域合并,获得优化后的最终分割结果。结果 采用本文提出的分割优化算法对Mean Shift算法和eCognition软件获得的分割结果进行优化处理,优化后的分割结果与初始分割结果相比正确分割率（RR）平均提高了4%,验证了本文算法的有效性。结论 该优化算法适用性广,可优化基于区域、基于边界和基于聚类等多种分割方法,同时该算法既能保持高分辨率遥感影像分割的区域完整性,又能保持地物边缘细节特征,提高了分割精度。     

Complementary texture and intensity gradient estimation and fusion for watershed segmentation

In this paper, we identify two current challenges associated with watershed segmentation algorithms which attempt to fuse the visual cues of texture and intensity. The first challenge is that most existing techniques use a competing gradient set which does not allow boundaries to be defined in terms of both visual cues. The second challenge is that these techniques fail to account for the spatial uncertainty inherent in texture gradients. We present a watershed segmentation algorithm which provides a suitable solution to both these challenges and minimises the spatial uncertainty in boundary localisation. This is achieved by a novel fusion algorithm which uses morphological dilation to integrate intensity and texture gradients. A quantitative and qualitative evaluation of results is provided demonstrating that our algorithm outperforms three existing watershed algorithms.     

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T节点线索的图像物体分割

目的 图像分割是计算机视觉、数字图像处理等应用领域首要解决的关键问题。针对现有的单幅图像物体分割算法广泛存在的过分割和过合并现象,提出基于图像T型节点线索的图像物体分割算法。方法 首先,利用L0梯度最小化方法平滑目标图像,剔除细小纹理的干扰;其次,基于Graph-based分割算法对平滑后图像进行适度分割,得到粗糙分割结果;最后,借助于图像中广泛存在的T型节点线索对初始分割块进行区域合并得到最终优化分割结果。结果 将本文算法分别与Grabcut算法及Graph-based算法在不同场景类型下进行了实验与对比。实验结果显示,Grabcut算法需要人工定位边界且一次只能分割单个物体,Graph-based算法综合类内相似度和类间差异性,可以有效保持图像边界,但无法有效控制分割块数量,且分割结果对阈值参数过分依赖,极易导致过分割和过合并现象。本文方法在降低过分割和过合并现象、边界定位精确性和分割准确率方面获得明显改进,几组不同类型的图片分割准确率平均值达到91.16%,明显由于其他算法。处理图像尺寸800×600像素的图像平均耗时3.5 s,较之其他算法略有增加。结论 与各种算法对比结果表明,该算法可有效解决过分割和过合并问题,对比实验结果验证了该方法的有效性,能够取得具有一定语义的图像物体分割结果。     

融合Snake模型与拓扑路线的图像分割算法

为了能够提高图像边缘检测的准确度,提出一种新型图像处理算法.该算法是基于主动轮廓方法和拓扑路线相结合的方法,目的是提高图像检测过程的精确度.该算法提出了新型技术来整合拓扑路线和主动轮廓方法各自的优点.将基于拓扑路线的初始分割边界作为Snake模型输入信号,并逐步演化成为最终对象的分割边界.实验结果表明,该算法可以处理低对比度图像,同时可以提高针对弱图像边界进行分割的准确度,取得了更好的图像分割和边缘检测效果,说明该算法有改进低对比度和自动图像分割系统的处理能力.     

Unsupervised multi-class segmentation of SAR images using triplet Markov fields models based on edge penalty

Non-Gaussian triplet Markov random fields (TMF) model is suitable for dealing with multi-class segmentation of nonstationary and non-Gaussian synthetic aperture radar (SAR) images. However, the segmentation of SAR images utilizing this model still fails to resolve the misclassifications due to the inaccuracy of edge location. In this paper, we propose a new unsupervised multi-class segmentation algorithm by fusing the traditional energy function of TMF model with the principle of edge penalty. Through the introduction of the penalty function based on local edge strength information, the new energy function could prevent segment from smoothing across boundaries. Then we optimize the objective function that stems from the new energy function to obtain an iterative multi-region merging Bayesian maximum posterior mode (MPM) segmentation equation for the new segmentation algorithm. The effectiveness of the proposed algorithm is demonstrated by application to simulated data and real SAR images.