基于复杂性指数的图像分割必要性判别技术

考虑到图像分割的复杂性实质上与图像中可分割的区域个数相关,而图像分割的必要性是与图像中可分割的区域大小有关,针对图像分割实际应用中部分图像的内容较少、无明显语义,不必进行图像分割的情况,提出一种基于图像内容语义、图像分割复杂性的图像分割必要性判别测度。进一步基于其测度定义,进行了大量相关实验,实验结果表明,基于复杂性指数的图像分割测度很好地完成了预期的功能,能够成为图像分割必要性有效合理的衡量依据。     

图像分割方法综述

图像分割是图像处理与计算机视觉的基本问题之一 ,是图像处理图像分析的关键步骤。对传统的图像分割方法和近年来出现的一些新方法进行了综述。具体介绍了基于区域的分割方法、基于边界的分割方法 ,基于区域和边界技术相结合的分割方法及基于特定理论的分割方法。     

基于离散平稳小波变换和FCM的纹理图像分割

采用离散平稳小波变换对纹理图像进行分解,以各层小波系数中能量为特征相向量,采用模糊c-均值聚类（FCM）对图像分割,并对分割方法进行了改进,提出采用网格法,将图像分解成若干子图像,对图像进行粗分割,再对边缘部分的网格进行细分的两步分割法。试验结果表明该方法显著提高了分割速度和精度。     

交互式流域算法在医学图像分割中的应用

图像分割是图像处理中的主要问题,而医学图像领域是图像分割的一个重要的应用领域,医学图像具有复杂性,因而医学图像分割一直是图像处理中的一个研究热点和难点,对于一般的图像分割方法很难得到满意的结果.首先介绍了流域算法的基本思想、基本步骤以及流域变换过程中所存在的过度分割问题,然后利用区域中的面积信息和平均灰度信息、结合交互式流域变换,用户有效地选择感兴趣区域分割医学图像,实验结果表明采用该方法分割区域个数明显减少,能有效地解决流域变换中的过度分割问题.     

HSI和区域生长结合的火灾图像分割方法

森林火灾图像分割是火灾特征和识别的重要前提,其分割结果将直接影响到火灾识别的准确率。针对常用的图像分割方法进行了分析,在此基础上提出了HSI模型和区域生长结合的森林火灾图像分割方法。该方法首先将原图像转换到HSI空间,提取图像中H、S、I分量;然后在原图像中选取种子,并对其H、S、I分量图像进行区域生长;最后对各分量区域生长后的图像进行合并,最终得出分割图像。并与常用分割方法仿真结果进行了比较,试验结果表明：该算法对森林火灾分割精度高、抗扰性好且应用范围广泛,对森林火灾分割、识别具有重要意义。     

基于粗糙集理论的图像分割智能决策方法

尽管如今已有多种图像分割算法,但是没有任何一种分割方法能够适用于所有的图像.为了使图像跟踪系统能根据图像特征自适应选取分割算法,给出了一种基于粗糙集理论的图像分割智能决策方法.该方法首先选取若干具代表性的分割算法构成算法库,并用它们对各种样本图像进行分割;然后利用从样本图像中提取出来的各种数值特征,并根据图像分割质量评价标准评判出各样本图像的最优分割算法,用其构成决策信息表;最后应用粗糙集理论来对决策信息表进行离散化处理和属性约简,以生成图像分割算法选取的决策规则.该决策方法解决了图像跟踪系统中分割算法选取的一系列难题.实验证明,该决策方法能比较有效地根据系统所处理图像的特征选取出算法库中最优的分割算法,并可满足车载图像跟踪系统的实时性要求.     

复杂网络理论在彩色图像分割中的应用研究

图像分割在许多图像处理应用中具有重要作用。为提高彩色图像分割效果,更好的表示图像信息,利用复杂网络理论对彩色图像分割进行研究,从网络社团结构模型的角度分析图像,提出一种更为清晰的彩色图像分割表述方法。根据彩色图像中各像素点之间的相似性构造图像的网络社团结构图,实现对图像数据的建模,之后利用谱聚类社团划分算法对较好的网络社团结构图进行社团检测,进而实现对图像相似像素的聚类,最后得到图像分割结果。在BSDS300图像库上随机选取不同的彩色图像进行实验,通过对图像分割结果的分析研究,结果表明提出的算法在精度方面优于传统彩色图像分割算法,可以实现更好的分割结果,同时验证了社团划分算法进行彩色图像分割的可行性和有效性。     

基于模糊技术的彩色图像分割方法

由于彩色图像提供了比灰度图像更为丰富的信息,因此彩色图像处理正受到人们越来越多的关注。彩色图像分割是彩色图像处理的重要问题,目前对彩色图像的分割已提出了许多种算法,在这些算法中由于模糊技术能很好地表达和处理不确定性问题,因此在彩色图像分割领域会有更广阔的应用前景。本文主要介绍了基于模糊技术的模糊阈值分割法、模糊聚类分割法和模糊连接度分割法。     

一种改进的One-Cut交互式图像分割算法

GrabCut算法作为一种典型的交互式彩色图像分割算法,是计算机图像领域中的重要技术手段。然而随着大数据时代的到来,图像数据种类和数量都呈指数级增长,显著地增加了图像分割的任务量,对图像分割效率提出了更高的要求。针对GrabCut算法图像分割效率及精度低的问题,提出了一种改进的One Cut交互式图像分割算法。首先采用One Cut的L1距离项构建能量函数避免GrabCut算法所面临的NP hard问题。然后改进能量函数中表观重叠惩罚项,并结合颜色直方图加速技术,优化网络图结构,显著降低网络图的复杂度,从而提高图像分割的效率及精度。实验结果表明,改进后的One Cut图像分割算法显著提升了图像分割效率,提高了分割精度,得到了较好分割结果。     

基于稀疏主成分分析和自适应阈值选择的图像分割算法

图像分割是机器视觉中的基础问题,基于阈值的图像分割算法依赖于参数调整,但参数调整容易受到局部最小值的影响且需要耗费大量时间,从而降低了分割算法的质量和效率。为了实现图像分割过程中的自适应阈值选择,提出了一种基于稀疏主成分分析和自适应阈值选择的图像分割算法。该算法首先利用稀疏主成分分析感知图像的噪声水平以自适应去噪,其次通过二维直方图感知图像的主干区域内容以自适应获得全局分割阈值,然后通过移动平均法的局部阈值分割算法对图像进行分割,最后将全局阈值分割和局部阈值分割图像结合,从而获得最佳的分割图像结果。在伯克利数据集上的仿真实验结果表明:相比传统的阈值分割算法,该算法在分割边缘的准确性和对噪声的鲁棒性上具有一定的优势,在主客观上均具有较好的分割效果,基于稀疏主成分分析的自适应阈值选择方法提高了图像的分割质量。     

一种基于遗传算法的彩色图像分割改进算法

图像分割是进行图像理解的基础,也是图像工程技术中一个重要的问题.近几年来关于图像的分割方法层出不穷,但随着多媒体技术和Internet技术的发展,彩色图像分割处理的准确性和实时性要求也越来越高.为此提出了一种基于遗传算法的彩色图像分割改进算法.经过大量的对比实验表明,用这种方法分割目标和背景区域差别较大的彩色图像具有分割效果好、实时性、鲁棒性强的特点,是一种较为理想的分割方法.     

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。     

图像分割算法研究综述

图像分割是图像处理中的一个经典难题,也是图像处理和计算机视觉领域中的基本技术。目前,广大研究者在图像分割领域里已提出了上百种分割方法,每种分割方法只局限特定的分割对象,至今没有一种通用的方法。本文综述了近年在图像分割技术上出现的常用图像分割算法以及它们的优缺点,展望了图像分割的前景和面临的挑战。     

小波融合技术在图像分割算法中的应用研究

针对图像分割出现一些重要信息丢失与过分割的问题,提出了将小波融合技术应用到图像分割算法中,并对其进行实验验证。首先将图像分别进行Canny分割与迭代阈值分割;然后将这两种分割后的图像进行小波融合,得到融合图像。实验验证结果表明,与传统的Canny分割、迭代阈值分割相比,该算法能结合这两种分割算法的优点,互相弥补各自的一些不足之处并具有一定的抗噪声能力。     

融合深度和颜色信息的图像物体分割算法

讨论立体图对的图像分割问题,提出一种基于深度和颜色信息的图像物体分割算法。该算法首先利用基于聚类的Mean-shift分割算法对目标图像进行适度的过分割,同时借助双目立体视觉算法获取立体图对的稠密深度图,并依据深度不连续性从过分割结果中选取用于继续进行“精致”分割的种子点集,接着对未分配种子标签的区域用图割算法分配标签,并对彼此之间没有深度不连续边界但具有不同标签的相邻区域进行融合。相比于传统图像分割算法,该算法可有效克服过分割和欠分割问题,获取具有一定语义的图像分割结果。相关的对比实验结果验证了该算法的有效性。     

基于区域的烟尘图像分割方法

烟尘图像分割是图像分割方法的一个较新的应用方向。高效、准确的烟尘图像分割技术对于大气污染监控、森林火灾预警以及军事情报获取等方面都有重要的意义。将阈值分割、区域生长、区域分裂与合并等基于区域的方法用于烟尘图像分割,并对三种分割方法在烟尘图像分割中的性能表现进行了分析。研究结果对烟尘图像分割中算法的选型具有一定的参考价值。     

利用Fisher线性判别细化K-均值聚类算法的灰度图像分割

聚类是图像分割的一种通用方法,K-均值法聚类图像分割具有一定的自适应性,但结果易受聚类中心和几何形状的影响。本文引入Fisher线性判别对K-均值分割的结果进行不断的迭代改进。实验结果表明该方法可以提高分割的精度和准确度。     

基于Generalized Region Loss的代价函数及在图像分割中的应用

针对图像分割中的困难样本,提出了一种对像素区域细分计算的Generalized Region Loss的新的代价函数;首先通过引入一项参数,改变了以往代价函数主要通过设置权重或Focal等关注困难样本的方法,其次通过对标签图像和预测图像进行区域划分,并且对划分四区域的困难样本分类关注,最后分别计算其四区域绝对损失,进而进行加权组合;为验证算法性能,使用CamVid数据集作为实验数据,该代价函数在FCN和U-Net两种图像分割网络上得到验证,同当前图像分割领域常用的12种代价函相比,IoU指标分别提高1.93%和2.99%,由此证明此代价函数优于大多数图像分割代价函数;最终实验结果表明,提出的基于像素区域细分计算的代价函数能够有效提高图像分割精度,为图像分割的研究提供借鉴。     

基于多源融合FCN的图像分割

图像分割任务中,传统的基于人工设计特征方法工作量大、复杂度高、分割割精度较低,现有的基于全卷积神经网络(Fully Convolutional Networks,FCN)的方法在分割边缘上不够精细。为了提高图像分割算法的分割精度,提出基于多源融合的全卷积神级网络模型,输入图片经过Sobel算子提取边缘特征获得特征矩阵,与RGB和灰度图像一起作为输入,将传统全卷积网络拓展成具有多种输入源的分割模型。在PASCAL VOC 2012图像分割数据集上进行实验验证,结果显示该模型提高了图像分割的精度,具有良好的实时性和鲁棒性。     

基于改进粗糙集概率模型的鲁棒医学图像分割算法*

基于参数化模型的图像分割算法对复杂的医学图像分割精度较低,对此提出一种基于改进粗糙集概率模型的鲁棒医学图像分割算法。首先,将粗糙集的上下逼近与概率边界区引入最大期望算法中,表征每个类簇;然后,将图像的灰度分布建模为一个有限数量的混合粗糙集概率分布;最终,通过马尔可夫随机场引入图像的空间信息,提高图像分割算法的鲁棒性。基于合成脑部MR(核磁共振)图像库与真实脑部MR图像库的分割实验结果显示,本算法的分割精度与鲁棒性均优于其他参数化模型的分割算法及其他专门的脑部MR图像分割算法。