基于分割的图像超分辨率重构算法

鉴于当前算法不能很好解决重构效果和算法复杂度之间的矛盾,提出了一种基于分割的图像超分辨率重构算法.首先提出了一种基于纹理的图像分割方法,将图像分为纹理较多和较少两个区域,然后针对纹理较少区域提出了改进型小波多尺度插值方法,纹理较多区域提出了固定训练集神经网络方法.本算法综合了小波方法的简单性和神经网络方法的精确性.实验结果表明,新算法重构效果良好,复杂度较低,操作性好.     

图像分割算法研究

图像分割是数字图像处理中的关键技术之一,研究了边缘检测和阈值分割方法实现图象分割。归纳总结了多种分割算法,包括极小值法,求导法,直方图变换法,迭代法,平均法,大律法和边缘检测法。     

复杂背景下的条码类图像提取与校正

本文研究了复杂背景下的条码类图像分割和校正方法。针对条码类图像的特点,文章提出改进的区域生长算法进行背景滤除,使用极坐标遍历像素的方法来探测特征点,成功地解决了条码类图像的分割问题。对分割出的图像,采用双线性变换函数来实现目标的校正。通过实验分析,该方法具有目标分割准确、校正效果理想并且运算速度快,实现精度高的特点。     

细胞图像分割方法的研究与实现

提出了多种分割策略对一幅给定的细胞原图的细胞核和细胞浆进行分离。运用3种图像分割方法（边缘提取、最佳阈值法和分水岭）实现图像分割,并且对三种方法的优缺点做了比较。理论分析和实验结果表明采用这种方法基本上能把细胞核提取出来,并保持它的形状不变,其中用最佳阈值法可取得较好的效果。     

对图像分割技术的研究与实例图像测试

图像分割是图像处理中最基本和最重要的技术,是任何理解系统和自动物体识别系统必不可少的一个重要环节,其目的是把图像空间分割成一些有意义的区域。文中主要对图像分割的两大类方法———基于边缘检测的方法和基于区域生成的方法做了详细介绍,提出并实现了基于新判别式的区域生长的改进算法。最后分别用这两种方法对实例图像进行了测试,取得了理想的区域分割效果。     

CT图像分割几种算法

图像分割在许多图像分析和图像识别过程中都是必需的步骤。目前,借助图像分割技术来进行医学影像处理正成为当今医学界的一个发展方向。本文正是在这一背景下对医学影像处理中的几种分割算法进行了研究,主要包括FastMarching分割算法、LiveWire分割算法、区域增长分割算法和阈值分割算法;同时,结合脑部CT片进行了实验研究,为这些算法在医学影像处理上的应用提供了一定的科学依据。     

基于改进的JSEG算法的图像分割

针对JSEG算法在图像分割中出现的明显过分割现象,提出一种基于边缘信息的JSEG[1]改进方法。该方法首先将图像的颜色空间转换为LUV颜色空间,用PGF（Peer Group Filtering）[2]算法对图像进行平滑去噪,用分裂算法确定图像的类数,用GLA（Generalized Lloyd Algorithm）[3]算法完成量化,生成＂类图＂。然后计算每个像素的J值,并利用Canny算子检测的边缘信息,对J值进行修正,计算每个像素的局部相似程度,并在不同的尺寸下构建J图像,这样就能反映出最有可能的边界位置。最后在J图像上进行种子区域增长,直到获得最终的分割结果。实验结果表明该方法可以有效地改善JSEG算法在图像分割中存在的过分割现象。     

薄雾天气下图像的复原与边缘检测研究

在薄雾天气下拍摄的图像用常规的复原方法达不到较好的复原效果,从而导致图像的边缘检测效率低下．首先通过物理方法分析这种图像的成像原理,提出基于景点深度检测的物理复原方法;然后用三次B-样条函数作为光滑函数定义小波函数,通过小波变换对复原后的图像进行边缘检测．实验结果表明,在同样的薄雾天气条件下,文中方法比基于滤波的图像复原方法更有效．对采用这两种方法复原后的图像分别做边缘检测实验,结果表明文中方法的边缘检测效果明显优于基于滤波的图像复原方法．     

图象分割中阈值选取方法的研究及其算法实现

在数字图象处理中,图像分割是其中的一个重要问题,也是一个经典难题。基于阈值选取方法的图象分割,计算简单,具有较高的运算效率;其方法多种多样,但是方法选取直接影响到图象分割的质量,本文针对常见阈值选取方法的具体使用情况进行了比较研究,并提出了具体算法实现,以便对从事图象处理的科研人员提供一定的借鉴作用。     

基于综合特征的图像分割

文章提出了一种有效的基于颜色和纹理综合特征的图像分割方法。将图像以块为单位进行划分,在YUV空间,提取块的颜色特征和纹理特征,在这种综合特征基础上,采用改进的K均值聚类法进行图像分割。该方法能自适应确定聚类中的参数,且兼顾点的位置连通关系,从而达到了较好的分割效果。     

一种基于边缘检测及纹理分析的水坝图像分割算法

针对边缘检测算法的局限性及灰度水坝图像的特点,提出了一种基于边缘检测及纹理分析相结合的灰度图像分割算法,首先利用边缘检测算法对待处理图像进行边缘检测得到图像的粗分割,然后在原灰度图像中对得到的边缘位置点进行纹理分析,去除检测到的非目标对象的边缘从而得到分割图像,即细分割。将该算法应用到河坝监测系统中,实验证明该算法达到了很好的分割效果。     

模糊聚类和边缘检测结合的彩色图像分割算法

提出模糊聚类和边缘检测结合的彩色图像分割方法,以色彩图像直方图中自适应搜索到的峰值作为聚类中心,对图像进行模糊聚类。然后对模糊聚类后的图像进行边缘检测,检测出面积较大的区域的边缘,首先在区域内部进行融合,然后在区域边界和面积较小色彩相似的区域融合。实验表明,本方法不需预先确定聚类数目、聚类中心初始化,在区域融合后,可得到较好的分割效果。     

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.     

一种视频序列图像中运动目标的分割算法

提出了一种新的用于检测视频序列图像中运动目标的算法。该算法通过对差帧图像进行模板检测及形态学滤波,并结合Canny算子边缘检测获得运动目标的分割掩模,提取出运动目标。实验结果表明,该方法能够有效分割运动物体,具有较强的鲁棒性。     

基于相对熵和边缘检测的图象分割算法

利用相对熵选择阈值和检测提出一种图象分割算法。其主要思想是通过相对熵来选择最佳阈值，然后用任何一种边缘检测对图象进行分割。将所提出的算法和基于局部熵的算法分别用于现场颗粒物料图象的分割，实验结果表明，该算法优于基于局部熵的图象分割算法。     

基于量子行为的微粒群优化算法的图像分割

在图像处理中提出的图像颜色分割是一个重要性和具有挑战性的难题。当一幅图像中包含相似的和(或者)非固定的纹理区域时,难以计算出精确的纹理区域和分割区域的最优的数目。在这篇文章中,寻找出了一种实用而广泛的图像分割方法——基于量子行为的微粒群优化算法(QPSO)的图像颜色分割方法,把图像分割问题看作一个最优化问题,并且采用QPSO的进化策略聚类颜色特征空间中的区域。QPSO不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛。文中给出了三幅图像的分割效果,证明了QPSO算法在自动的和无监督的颜色分割上具有很好的效能。     

改进匹配追踪算法及其在图像压缩中的应用

压缩传感,是近年来新出现的一种采样定理。它的特点是对信号进行采样所需要的条件远远小于Nyquist采样速率。这种采样定理要求信号是稀疏的或者是可压缩的,并能在采样时对信号数据进行压缩,然后通过非线性重建算法完美重建信号。它突破了Nyquist采样定理,因此具有广阔的发展前景。重建算法中有一类称为匹配追踪算法,文中围绕改进的匹配追踪算法在图像压缩中的应用展开了研究,对OMP算法、ROMP算法进行了实现,并对算法本身以及其重构效果做出了比较;针对按列处理速度较慢的缺点,使用了分块处理的方法,降低运算时测量矩阵的规模,实验表明,分块处理确实能够加快运算速度。由于自然信号进行稀疏变换后,稀疏度不确定,造成重构时迭代次数不够合理。针对这个现象,文中提出了如何确定合适的迭代次数的方法,提高重建的精确度。这个方法本身会消耗时间,可以在权衡了重构精确度要求和时间要求后确定是否使用。     

基于遗传算法的最优直方图阈值图像分割算法

为了保证遗传算法能够尽快收敛到全局最优解,避免早熟现象发生,提出了适应度标定公式,保证适应度函数值总为正值。新的适应度函数能够正确引导群体的发展方向,提高选择压力;提出了相似度概念,保留相似性差的个体,剔除相似性个体。在不增加群体规模的前提下,增加了群体的多样性。为了有效地对图像进行分割,提出基于改进遗传算法的图像分割方法,采用Otsu公式,找出分割图像最优阈值。给出不同改进遗传算法计算实例比较和不同图像分割方法效果图。     

一种综合有效的癌细胞图象分割方法

该文综合两种常用的分割算法,即阈值法和边缘检测法的优点,介绍了一种针对食管癌细胞的形状提取方法。对该方法提出一种基于直方图势函数的多阈值分割方法,分割时细胞及细胞核部分不变而将它们以外的部分设为背景,保留了核的区域性质同时去除了噪声,以便于边缘检测;采用Canny算子,结合预分割结果进行边缘检测,以获得细胞尤其是细胞核的边缘形状特征,为癌细胞的诊断工作提供好的依据。将该分割方法应用于实际的医学图象分割的实验中,证明了该方法的有效性。     

基于遗传算法的自适应聚类图像阈值分割方法

文中针对复杂背景条件下的红外图像分割问题,将遗传算法引入最大类间方差法中,同时结合人类视觉感知原理,探讨了一种新的多阈值图像分割方法即基于遗传算法的图像阈值分割方法,该算法引入了一个自动判别且时空可变的目标背景条件和调整最佳分割区域的步骤,提高了分割算法的质量及鲁棒性,克服了传统阈值方法在图像分割中的局限性。通过计算机仿真实验,验证了该方法的有效性。