基于小波变换的纹理图像分割

基于小波的纹理图像分割方法是把小波变换应用于纹理的特征提取。通过对原始纹理图像进行高阶小波分解，构成每个象素对应一个特征矢量，对所提取的特征利用均值举类算法进行分类，最终获得图像的分割结果。为了提高纹理分割图像的边缘准确性和区域性以及降低分割错误率，提出了利用特征加权来进行后分割的方法。     

融合多特征的纹理图像分割算法

针对传统的只用纹理的一种特征进行纹图像分割时的分割错误率较高的问题,提出了一种融合多特征的纹理图像分割算法.该方法综合考虑纹理的空间特征和频域特征,其中,空间特征提取在支持向量数据域描述的基础上进行;频域特征提取则利用改进的小波框架反映不同尺度间的特征;在此基础上,利用k均值算法对融合后的纹理特征进行聚类从而完成纹理图像的分割.实验结果表明与传统的只利用纹理的一种特征进行分割相比,该方法的错误率明显降低,同时在边缘准确性和区域一致性上都得到了明显的改善     

基于多信息融合的纹理分割新方法

为了提高纹理分割的边缘准确性和区域一致性,该文综合考虑了纹理的统计和随机特征,提出了一种摹于GMRF和Gabor滤波得到的纹理特征进行信息融合后再进行纹理分割的新方法。实验结果表明该算法适应各种不同类型的纹理图像,与传统的只利用纹理的一种特征进行分割方法相比,该方法在边缘准确性以及区域一致性等方面均有明显的改善。     

利用小波变换和FCM算法进行多特征纹理分割

提出了一种基于小波变换和模糊C均值（FCM）算法的两阶段纹理分割方法,各阶段采用不同的纹理特征。而且该特征结合了像素的空域和频域信息。实验表明该方法在分割错误率、边缘准确性及区域一致性方面均有较明显的改善,同时也有较高的分割效率。     

基于非下采样Contourlet和MRF的纹理图像分割

提出了一种基于非下采样Contourlet变换(NSCT)和马尔科夫随机场(MRF)相结合的纹理图像分割算法.算法包括两个步骤,首先通过NSCT实现对图像纹理特征的提取,并使用模糊C-均值完成对图像的初始分割;然后将初始分割结果用 MRF模型表示,通过贝叶斯置信传播得到图像的最终分割结果.实验结果表明,对于纹理图像,该方法在分割错误率、区域一致性以及边缘的准确性方面都比传统小波变换的方法有了明显的改善.     

基于小波变换和kd树聚类的快速纹理分割算法

提出了一种基于小波变换和k均值聚类的快速纹理图像分割算法。该方法包括特征提取、特征平滑、纹理分割三个阶段。其中,特征提取在金字塔结构小波变换的基础上进行;特征平滑利用一种四分法来完成特征图像的噪声平滑和边缘保持;纹理分割则利用kd树作为数据结构来运行k均值聚类算法从而实现纹理图像的快速分割。实验结果表明与直接的k均值聚类算法相比,该方法在运行时间上得到了明显的提高。     

基于对偶树复小波变换的纹理特征提取及分割

对偶树复小波变换具有良好的方向选择性和平移不变性。该文在分析对偶树复小波分解后的6个高频子带所对应的模值子带直方图的基础上,提取一种新的纹理特征——Gamma分布参数与Lognormal分布参数的组合特征。基于该特征进行纹理图像分割,分割过程中使用了边缘保持平滑技术对特征进行平滑,并使用K均值聚类实现无监督分割。实验表明,文中所使用的特征提取方法新颖,分割结果的边缘准确性与区域一致性具有抗噪性,是一种有效的纹理分割方法。     

基于小波和高斯-马尔可夫随机场的纹理分割

为了提高纹理分割的准确性和区域一致性，降低分割的错误率，在文献[5]的基础上，提出了一种基于小波和高斯．马尔可夫随机场(GMRF)的纹理分割方法。该方法首先对图象进行Gabor小波分解，得到一系列分辨率不同的子图象，然后采用基于GMR的K-均值聚类算法从最低分辨率图象进行聚类，一直到最高分辨率为止，这样就得到一个原始图象的初始分割，最后引入特征加权算法^[7]，进行后分割，得到最终分割结果，并对仿真结果与文献[5]的算法进行了比较，表明该算法是比较有效的．     

基于对偶树复小波变换的模糊纹理分割

提出了一种基于对偶树复小波变换的模糊纹理图像分割算法,该方法包括纹理特征提取和纹理分类两个阶段,其中,特征提取在对偶树复小波变换的基础上进行;纹理分类可以直接用模糊C均值算法进行聚类从而完成纹理的分割,但由于该算法中隶属度函数是基于样本到类中心的距离设计的,这对非球形分布数据很不合理,针对该问题,引入样本与样本的紧致度来度量类中各个样本之间的关系从而修正隶属度函数,并将其用于纹理分类。实验结果表明与模糊C均值算法在运行时间上相差不大的情况下,改进的方法在分割精度、边缘准确性和区域一致性上都得到了明显的改善。     

综合颜色及空间特征的图象检索方法

针对目前的CBIR,没能有效地结合图象中对象空间信息的问题,提出了一种新的图象分割方法,该方法以线性加权方式融合颜色、纹理特征采用区域增长法对图象进行分割,避免了传统的由于单独采用颜色或纹理特征分割图象而产生的欠分割或过分割问题.根据分割区域的灰度、形状、位置等特征计算图象间的相似度,提出采用图象的灰度特征代替彩色信息以提高查询速度.     

半监督的三维网格模型层次分割

提出一种半监督K均值聚类和带状区域增长的三维网格模型层次分割算法,包括显著性特征点提取、预分割和后分割3个阶段.该算法在多维标度法的基础上进行显著性特征点提取;利用半监督K均值聚类算法来对原始模型进行初步的粗分割,以提高算法的整体效率;根据预分割结果,利用离散高斯曲率逼近,以带状推进的区域增长法进行层次的后分割.与同类算法相比,文中算法得到的分割边界更有意义,具有较高的边缘准确性和分割区域一致性.     

An MLP-based texture segmentation method without selecting a feature set

A texture segmentation technique which employs a multilayer perceptron (MLP) and does not consider the selection of features is presented in this paper. Thus, users can avoid selection and computation of the feature set and hence real-time segmentation may be possible. The technique apparently works in a fashion similar to our visual system whereby we do not consciously compute any feature for texture discrimination. A detailed study has been made for the selection of the network size. A newly proposed variant of the back-propagation algorithm has been used for more efficient training of the network. An edge-preserving noise-smoothing approach has been proposed to remove noise from the segmented image.     

基于小波包框架及主成份分析的纹理图像分割

由于纹理图像的信息主要集中在中频区域,利用小波包框架分解纹理图像得到的子图既与原图的大小相同,同时也保留了中频信息,因此可以从子图中提取特征用于分割。为减少特征维数,在同一子通道中只保留具有最大方差的子图作为初始特征图,再从每一个初始特征图中分别提取多维特征。为去除特征中噪声的同时保持特征中的边缘,提出四分均值滤波器对特征滤波。为进一步减少特征间的冗余信息,降低聚类分析的计算负荷,采用主成份分析法不但保留了原有特征中的主要信息,而且使得特征维数有大幅度的减少。模糊c-均值聚类法实现了对于特征的聚类。利用该文的方法分割Brodatz纹理集中的纹理图组成的测试图,达到了较高的准确率。     

Texture segmentation using wavelet transform

Texture analysis such as segmentation and classification plays a vital role in computer vision and pattern recognition and is widely applied to many areas such as industrial automation, bio-medical image processing and remote sensing. This paper describes a novel technique of feature extraction for characterization and segmentation of texture at multiple scales based on block by block comparison of wavelet co-occurrence features. The performance of this segmentation algorithm is superior to traditional single resolution techniques such as texture spectrum, co-occurrences, local linear transforms, etc. The results of the proposed algorithm are found to be satisfactory.     

Colour,texture, and motion in level set based segmentation and tracking

This paper introduces an approach for the extraction and combination of different cues in a level set based image segmentation framework. Apart from the image grey value or colour, we suggest to add its spatial and temporal variations, which may provide important further characteristics. It often turns out that the combination of colour, texture, and motion permits to distinguish object regions that cannot be separated by one cue alone. We propose a two-step approach. In the first stage, the input features are extracted and enhanced by applying coupled nonlinear diffusion. This ensures coherence between the channels and deals with outliers. We use a nonlinear diffusion technique, closely related to total variation flow, but being strictly edge enhancing. The resulting features are then employed for a vector-valued front propagation based on level sets and statistical region models that approximate the distributions of each feature. The application of this approach to two-phase segmentation is followed by an extension to the tracking of multiple objects in image sequences.     

基于均匀区域分割的图像检索研究

为减少图像分割准确性对基于内容的图像检索效率的影响,提出了一种基于均匀区域分割的图像检索算法。首先对图像进行均匀区域划分,提取其区域直方图颜色特征和Gabor小波纹理特征,再利用与所提取的图像特征相适应的相似性度量实现有效检索。实验结果表明,与SIMPLIcity系统相比,该算法平均检索性能提高了3.6%,具有良好的平均查找率。     

纹理图像的多尺度分割

纹理图像分割最常用的方法就是基于特征的纹理分割,即首先提取出图像的纹理特征,在利用提取出的纹理特征来进行特征划分.通过对纹理特征进行划分来实现纹理图像分割的过程所面对的主要困难可以概括为:效率和效果.纹理图像分割算法大多具有较高的时间复杂度,这一方面是因为纹理特征提取比较费时,另一方面较高的特征维数导致特征划分过程的计算量通常比较大.本文提出基于图像四叉树的多尺度分割算法来实现实时图像的粗分割,实验表明此算法可以在保持分割精度的前提下大大降低时间复杂度.     

基于小波分形特征提取的图象分割方法

提出了一种基于小波分解和分形纹理特征计算的图象分割方法,首先考虑对图象进行小波变换,然后对不同通道的子图象提取纹理的分形特征和能量特征,最后用直方图阈值分割方法实现图象的分割,实验表明,该方法对模拟纹理图象以及多少谱遥感图象的分割都取得了满意的效果。     

Preserving boundaries for image texture segmentation using grey level co-occurring probabilities

Texture analysis has been used extensively in the computer-assisted interpretation of digital imagery. A popular texture feature extraction approach is the grey level co-occurrence probability (GLCP) method. Most investigations consider the use of the GLCP texture features for classification purposes only, and do not address segmentation performance. Specifically, for segmentation, the pixels in an image located near texture boundaries have a tendency to be misclassified. Boundary preservation when using the GLCP texture features for image segmentation is important. An advancement which exploits spatial relationships has been implemented. The generated features are referred to as weighted GLCP (WGLCP) texture features. In addition, an investigation for selecting suitable GLCP parameters for improved boundary preservation is presented. From the tests, WGLCP features provide improved boundary preservation and segmentation accuracy at a computational cost. As well, the GLCP correlation statistical parameter should not be used when segmenting images with high contrast texture boundaries.