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.     

基于遗传神经网络的皮肤癌图像分割

图像分割是医学影像技术中重要的组成部分,分割效果直接影响进一步的诊断和治疗.提出采用遗传神经网络对皮肤癌图像进行分割的方法,该算法充分考虑了医学图像中内容复杂,不确定性大的特点.为了提高神经网络的收敛速度,引入遗传算法优化神经网络的权值和闽值.与采用标准BP神经网络相比,采用的遗传神经网络分割速度明显提高.采用遗传神经网络分割后的皮肤癌图像边缘连续、轮廓清晰,可在定量分析和识别中使用.     

基于遗传神经网络的图像分割

提出一种基于遗传神经网络的图像分割方法.该方法利用遗传算法对BP神经网络的权值和阈值进行优化,设计出误差最小的神经网络,然后用神经网络算法迭代实现图像的分割.通过实验证明:该方法与传统的图像分割方法相比,具有更好的图像分割效果;与BP神经网络相比,训练速度得到很大的提高.     

一种彩色纹理图像的分割方法

纹理分析一直是图像理解和计算机视觉等领域研究的重点和难点,现有的纹理分割方法大多集中于研究灰度纹理图像,文中提出一种基于分形理论的BP神经网络原彩色纹理图像分割方法,该方法将彩色图像由RGB色彩空间转换为HSI色彩空间,根据亮度计算分数维、多重分形广义维数谱q-D（q)和“空隙”等纹理特征,同时加入归一化的色度和饱和度作为另外两个分类特征,采用经过有监督训练的BP神经网络作为分类器,通过对纹理图像的分割实验,结果证实该方法行之有效。     

一种基于纹理特征的超声心动图像分割算法

以马尔可夫随机过程和梯度小波变换为基础提出了梯度小波纹理模型.由梯度小波纹理模型的参数组成描述图像纹理的特征向量,梯度小波纹理模型利用了马尔可夫随机场图像模型的优点和基于该模型的成熟方法,并且引入了多尺度、多分辨率等特性.然后采用Kohonen自组织SOM(Self-Organizing Feature Map)神经网络对纹理特征向量进行无监督学习,最后对超声心动图像进行纹理分割,取得较满意的分割效果.     

基于神经网络的纹理和灰度信息融合方法

文章从信息融合的角度出发,利用神经网络的方法将纹理和灰度信息有机地融合起来,设计并实现了一种基于子区域的区域增长分割算法.并将该方法应用到医学图像的分割问题中,取得了较好的效果.实验表明,该方法针对一类图像能够得到较好的结果.     

融合多特征的均值漂移彩色图像分割方法

针对均值漂移图像分割方法中只考虑图像颜色和空间信息,对纹理丰富的图像不能进行有效分割的情况,提出一种新的融合图像颜色、纹理和空间等低层特征信息的图像分割方法.用极性、各向异性和对比度来表示图像的纹理信息,并结合颜色和空间信息形成图像分割特征;然后用均值漂移进行图像滤波;最后,进行区域合并得到分割结果.实验结果表明,该方法对纹理丰富的自然风景图像有较好的分割效果.     

用于分割双纹理图像的最佳单Gabor小波参数的反馈系统

设计了一个对分割双纹理图像的最佳单Gabor小波参数进行自适应调整的反馈系统。该系统利用Gabor小波的带通特性使某一频率的纹理通过，而另一频率的纹理受到抑制，由RBF神经网络对预处理后的图像参数进行估计，求出最优分割阈值。以分割阈值误差率为反馈量对Gabor小波参数进行自适应调整，从而得到最佳Gabor小波参数。实验证明，该系统对双纹理图像的分割达到了预期的结果。     

基于分形的彩色岩石裂隙分割

纹理分割是图像处理与计算机视觉领域研究的重点和难点.现有的纹理分割方法大多集中于研究灰度纹理图像,该文提出了一种基于分形纹理特征和颜色信息结合的彩色纹理分割算法.该算法将复杂的彩色图像分形维数计算转化为单色图像分形维数的计算,将纹理特征和颜色信息相结合,采用区域生长法来实现分割.通过对彩色岩石裂隙图像的分割实验,结果证实该该方法行之有效.     

结合纹理去除的遥感图像分割

针对包含复杂纹理信息的遥感图像难以进行精准图像分割的问题,提出了一种结合纹理去除的遥感图像分割方法。首先,改进了相对全变差纹理去除方法,通过引入新的范数约束使相对全变差纹理去除方法可以在去除纹理信息的同时凸显图像中的主要结构,达到辅助分割的效果;然后,使用均值漂移算法对经过纹理去除的遥感图像进行无监督聚类,达到分割的目的;最后,提出的遥感图像分割算法在不同遥感图像上进行了测试。实验结果表明,在高分辨遥感图像的分割上,所提算法可以分割出遥感图像中的主要目标,和直接分割或者结合其他纹理去除方法相比取得了更好的分割结果。所提出的分割算法可以降低纹理信息对图像分割的影响,提高遥感图像分割的精度。     

基于神经网络生成图像语义的算法研究

提出一种利用神经网络获取图像语义的算法。通过构建一个RBF神经网络,在图像的颜色、纹理、形状等低层视觉特征和高层语义特征之间建立映射关系。利用遗传算法训练RBF网络,获得RBF网络的隐节点个数、中心、宽度和连接权值等参数值,训练成功后的神经网络能够自动获取图像的语义。实验结果表明,该算法具有较好的基于语义的检索效果,体现了人对图像内容的理解,符合人的思维习惯。     

基于局部进化的Hopfield神经网络的优化计算方法

提出一种基于局部进化的Hopfield神经网络优化计算方法，该方法将遗传算法和Hopfield神经网络结合在一起，克服了Hopfield神经网络易收敛到局部最优值的缺点，以及遗传算法收敛速度慢的缺点。该方法首先由Hopfield神经网络进行状态方程的迭代计算降低网络能量，收敛后的Hopfield神经网络在局部范围内进行遗传算法寻优，以跳出可能的局部最优值陷阱，再由Hopfield神经网络进一步迭代优化。这种局部进化的Hopfield神经网络优化计算方法尤其适合于大规模的优化问题，对图像分割问题和规模较大的200城市旅行商问题的优化计算结果表明，其全局收敛率和收敛速度明显提高。     

残差密集空间金字塔网络的城市遥感图像分割

目的 遥感图像语义分割是根据土地覆盖类型对图像中每个像素进行分类,是遥感图像处理领域的一个重要研究方向。由于遥感图像包含的地物尺度差别大、地物边界复杂等原因,准确提取遥感图像特征具有一定难度,使得精确分割遥感图像比较困难。卷积神经网络因其自主分层提取图像特征的特点逐步成为图像处理领域的主流算法,本文将基于残差密集空间金字塔的卷积神经网络应用于城市地区遥感图像分割,以提升高分辨率城市地区遥感影像语义分割的精度。方法 模型将带孔卷积引入残差网络,代替网络中的下采样操作,在扩大特征图感受野的同时能够保持特征图尺寸不变;模型基于密集连接机制级联空间金字塔结构各分支,每个分支的输出都有更加密集的感受野信息;模型利用跳线连接跨层融合网络特征,结合网络中的高层语义特征和低层纹理特征恢复空间信息。结果 基于ISPRS （International Society for Photogrammetry and Remote Sensing） Vaihingen地区遥感数据集展开充分的实验研究,实验结果表明,本文模型在6种不同的地物分类上的平均交并比和平均F₁值分别达到69.88%和81.39%,性能在数学指标和视觉效果上均优于SegNet、pix2pix、Res-shuffling-Net以及SDFCN （symmetrical dense-shortcut fully convolutional network）算法。结论 将密集连接改进空间金字塔池化网络应用于高分辨率遥感图像语义分割,该模型利用了遥感图像不同尺度下的特征、高层语义信息和低层纹理信息,有效提升了城市地区遥感图像分割精度。     

Consistency features and fuzzy-based segmentation for shadow and reflection detection in digital image forgery

Advances in photo editing software have made it possible to generate visually convincing photo-graphic forgeries which have been increased tremendously in recent years. In order to alleviate the problem of image forgery, a handful of techniques have been presented in the literature to detect forgery either in shadow or reflection. This paper aims to develop a technique to detect the image forgery either in shadow or reflection using features enabled neural network. The proposed technique of image forgery detection contains three important steps, like segmentation, feature extraction and detection. In segmentation, shadow points and reflection points are identified using map-based segmentation and FCM clustering. Then, feature points from the shadow points and reflective parts are extracted by considering texture consistency and strength consistency using LVP operator. The final step of forgery detection is performed using the feed forward neural network, where a new algorithm called ABCLM is developed for training of neural network weights. The performance is analyzed with four existing algorithms using measures such as accuracy and MSE. From the analysis, we understand that the proposed technique obtained the maximum accuracy of 80.49%.     

遗传神经网络在图像分割中应用研究

针对图像分割的复杂性,利用遗传算法对BP神经网络的权值和阈值进行优化,设计出误差最小的神经网络,然后再对图像的像素进行分类识别,实现并提高了图像分割性能。仿真实验表明,与传统的图像分割方法相比,取得了比传统方法更好的图像分割效果。     

Image segmentation with the SOLNN unsupervised logic neural network

In this article, an image segmentation method based on the SOLNN self-organising logic neural network is studied. The input image is initially processed using the TCS texture-highlighting technique and is then presented to the SOLNN network which segments it. The SOLNN is characterised by a variable sensitivity which enables it to be fine-tuned to detect different sub-textures within each texture to the desired degree of detail. The experimental results reported here illustrate the fact that the SOLNN indeed clusters accurately the textural information so that each cluster represents a single texture even for images which are objectively very difficult to segment. Thus, it is supported that the proposed approach leads to the design of an effective texture-based image-segmentation system.     

Learning texture discrimination masks

A neural network texture classification method is proposed in this paper. The approach is introduced as a generalization of the multichannel filtering method. Instead of using a general filter bank, a neural network is trained to find a minimal set of specific filters, so that both the feature extraction and classification tasks are performed by the same unified network. The authors compute the error rates for different network parameters, and show the convergence speed of training and node pruning algorithms. The proposed method is demonstrated in several texture classification experiments. It is successfully applied in the tasks of locating barcodes in the images and segmenting a printed page into text, graphics, and background. Compared with the traditional multichannel filtering method, the neural network approach allows one to perform the same texture classification or segmentation task more efficiently. Extensions of the method, as well as its limitations, are discussed in the paper