基于水平集的并行融合图像分割

针对复杂背景和多目标空中运动物体的定位和跟踪问题,研究了基于小波变换阈值去噪方法、数学形态学去噪方法与水平集方法结合的图像分割方法,提出了基于小波变换阈值去噪与水平集结合方法以及基于小波变换阈值去噪、数学形态学去噪与水平集结合方法的并行融合图像分割方法,对运动目标进行边缘检测。实验结果说明,基于小波变换、数学形态学与水平集方法结合的并行融合图像分割方法能够有效地提取目标物体的轮廓,抑制背景噪声。     

基于小波变换和形态学分水岭的血细胞图像分割

医学图像处理提取细胞中使用分水岭方法时,容易产生过分割现象且对噪声的干扰极为敏感,为了解决此缺点,提出一种基于小波变换和形态学分水岭的细胞图像分割新方法。首先采用小波变换多分辨率分析对图像进行分解,选取合适的小波基和改进去噪阈值函数对图像进行小波去噪,然后对去噪后小波重构的细胞图像应用数学形态学距离变换、灰度重建等技术产生的区域标记进行分水岭变换,最终得到分割结果。实验结果表明,该算法能稳定、准确地提取细胞和实现粘连细胞的自动分割,同时具有很好的鲁棒性和普适性。     

一种新的肝肿瘤CT图像分割方法

传统的分割方法难以实现医学图像准确地分割,提出了基于最大信息熵原理的医学图像分割方法。该方法集成了阈值分割、边界跟踪和数学形态学,提高了分割的精度和速度。分析和实验结果表明,采用该方法对肝肿瘤CT图像进行分割时,能自动准确地提取出医生感兴趣的区域。     

基于形态学和小波变换的烟叶病斑分割

烟叶病虫害分割是提高烟叶质量的重要保证。针对传统分割方法的分割精度和效 率不够理想的问题,提出了一种结合形态学和小波变换的 Otsu 算法用于烟叶病斑的分割。首先 对背景区域进行数学形态学处理,获得烟叶的叶面图像;然后选择小波系数分解叶面图像,再 将分解后的图像进行低频重构,去除噪声的影响;最后应用 Otsu 算法对叶面图像进行二次分割 得到病斑。由于形态学的开、闭运算分别能提取图像中的明暗细节特征,所以该分割方法能有 效减少背景对病斑区域的干扰,从而提高分割精度和效率;通过小波多分辨率分解,可以克服 冗余信息和噪声的影响,进一步提高了分割的精度。采用不同种类的烟叶病斑图像进行实验, 结果表明,该方法能够有效地分割出烟叶病斑,并且也适合于分割其他作物的病害。     

基于数学形态学的医学图像分割方法研究

文章介绍了医学图像处理中的医学图像分割的有关概念和数学形态学进行图像分析的基本步骤,重点论述了几种医学图像分割方法和基于数学形态学的分水岭分割算法,并给出了该算法的优点。     

低质量指纹图像分割算法研究

针对低质量指纹图像的特点,提出了一种基于Canny算子和数学形态学的分割算法.首先研究了两种传统的指纹图像分割方法:基于D-S证据理论的指纹图像分割方法和结合遗传算法与方向图法的指纹图像分割方法.然后介绍了一种新的利用边缘提取和数学形态学相结合的指纹图像分割方法.该方法利用Canny算子进行粗分割,再用数学形态学的原理修正边界和去除噪声.实验结果表明,该方法对于低质量指纹图像的分割效果明显优于传统的分割方法.     

基于Morphology和SVM对细胞组织的分析

随着计算机技术、成像技术、图像处理技术、医学形态学研究的发展,计算机辅助图像处理成为了医学研究的得力工具。论文利用数学形态学(Morphology)和小波变换(Wavelet)对细胞图像进行分析和识别,充分发挥形态学善于处理图像形态的优势和小波变换系数反映细节的特点,通过图像预处理、分割和特征提取,最后通过支持向量机分类器(SVM)来完成细胞状态的自动分类和识别,试验表明该方法具有较高的准确率和可靠性。     

基于数学形态学的细胞图像分割方法研究及实现

图像分割是数字图像处理的一项重要技术。本文结合边缘检测和数学形态学提出一种新的图像分割方法,并应用到细胞图像中,借助Matlab平台,验证该方法的有效性。在检测细胞边缘的过程中运用数学形态学的相关知识,对图像进行膨胀、填充等处理,有效地弥补了单一分割算法存在的分割边缘不够精细、细胞内部孔洞较多等缺点。在显示阶段对图像进行腐蚀操作,使得细胞边缘更加光滑,分割结果更加自然,大大提高了分割图像的可读性。     

基于光流场的动态目标分割

采用光流法结合基于小波变换的像素级图像融合算法,研究了一种动态目标分割方法。光流场可以看作是带有灰度的像素点在图像平面运动产生的瞬时速度场,算法先以光流法计算出的动态目标瞬时速度场的水平速度分量和垂直速度分量作为初始信息,再利用基于小波变换的融合算法获得动态目标的初始分割,最后对初始分割结果进行图像去噪和图像增强,并最终获得清楚的分割图。实验证明,该方法能够产生良好的目标分割效果。     

多窗口局部分形特征的目标分割方法研究

提出了新的图像多窗口局部分形特征计算方法,并结合传统的图像分割方法,给出了一种新的复杂背景下人造目标分割算法。用指数小波滤波器在一个尺度上对图像进行滤波,突出图像的边缘信息。根据滤波后图像像素点的亮度大小,对原始图像进行多窗口几何度量空间变化率的计算,在此基础上,运用区域生长实现目标分割。对分割得到的图像进行数学形态学处理,提取出图像的目标。实验表明,该算法能够有效地实现复杂背景中的目标分割,并且计算复杂度低。     

基于方差和数学形态学的指纹分割算法

比较分析了檑纹分割的两种主要方法：方差法、方向法,针对这两种方法的不足之处,本文提出了一种基于方差和数学形态学的指纹分割算法。这种方法在方差法的基础上,再对得到的指纹图像进行数学形态学的开、闭运算。实验结果表明：这种方法时各种质量的图像指纹分割效果良好,平且运算速度快,尤其适用于需实时处理的指纹识别系统。     

一种指纹图像的局部阈值分割算法

指纹图像分割是指纹识别预处理中重要的一步。在灰度方差法的基础上,针对人为选择阈值的困难和不准确性,以及因噪声带来的误分割,提出了一种灰度方差和灰度梯度结合的局部阈值分割方法。在实验中,通过和其他典型指纹分割方法的比较,该方法可以高效快速的对指纹图像进行分割,对噪声比较大的低质量指纹图像分割较好,特别对一些用全局阈值不易分割的指纹图像有较好的效果。     

基于灰度均衡的指纹图像分割算法

针对MBF200芯片指纹采集器采集的指纹图像的特点,提出了一种新的指纹图像分割方法。该方法简单实用,能快速而有效的分割指纹图像,符合指纹识别系统的实时性要求。首先对指纹图像进行灰度均衡处理,然后根据图像的灰度特征对指纹图像进行分块分割,最后应用数学形态学修复指纹图像的前景边缘。使用该方法对研究室自行设计的MBF200半导体指纹采集器采集到的指纹图像,进行大量的测试。实验结果表明,该方法对这种类型的指纹图像分割是有效的。     

PCNN在指纹图像分割中的应用

提出了采用新型的有生物学依据的人工神经网络-脉冲耦合神经网络（PCNN桺ulse Coupled Neural Network）来实现指纹图像分割的方法,选取低灰度值背景、高灰度值背景指纹图像以及带阴影的指纹图像进行分割实验,有效的实现了指纹图像有效区和背景区的分离,并与传统的标准差阈值跟踪法进行了比较,试验表明这种方法具有更好的效果。     

流域变换算法中过度分割的平滑解决方法

流域变换是数学形态学中用于图像分割的经典方法,应用十分广泛,但其过度分割问题一直未得到很好的解决。本文首先介绍了流域变换算法的思想,以及引起过渡分割的原因;然后,提出一种解决过度分割问题的快速方法--平滑算子,并通过理论手段证明了该方法的有效性。实验结果表明,该方法是解决流域分割中过渡分割问题的有效方法法。     

基于方向特性的指纹图像预处理

以图像块的灰度均值与标准偏差的比值为判定标准对指纹图像进行分割,本文提出了改进的点方向图计算方法,针对指纹图像方向性强的特点,构造了间隔22．5°的八方向的滤波模板对指纹图像进行方向性滤波,并采用数学形态学的方法进行图像平滑,以自适应阈值法对图像进行二值化。实验结果证明,用该方法进行图像预处理,能大大减少指纹图像中的伪结构,有利于后续的指纹特征抽取和识别,有较高的使用价值。     

指纹图像分割算法的研究

指纹图像分割作为指纹识别的重要部分,是正确进行指纹识别的的基础,只有选择合适的指纹分割方法,有效地分离出指纹图像的前景和背景两部分,才能进行后续的处理,才能对指纹进行有效的识别;否则由于背景区域对前景区域影响会增加许多虚假特征,影响最终匹配,不能有效地对指纹进行识别;在指纹图像分割方面,分析了指纹的方差和方向一致性问题,设计了一种具有光滑轮廓线的指纹分割算法,仿真结果表明,该算法能够从指纹背景中准确提取指纹图像,并且能够除去边缘非正常中断端点,保证有效指纹区得到完整保留。     

量子遗传算法在指纹图像分割中的应用

提出了一种基于量子遗传算法(QGA)的指纹图像分割改进方法.这种方法利用量子遗传算法种群多样性好,收敛速度快的特点,将基于量子遗传算法的阈值分割方法与方向图法相结合对指纹图像进行分割.实验结果表明,QGA在指纹图像阈值分割中的速度和精度优于改进的自适应遗传算法和其它一些传统算法,是一种有效的图像分割方法.     

基于线性支持向量机的指纹图像分割方法*

针对现有指纹分割方法存在的不足,提出了一种基于线性支持向量机的指纹图像分割方法。该方法首先选择指纹图像子块的傅里叶频谱能量比和灰度对比度构成特征向量,利用线性支持向量机对这些特征向量进行分类,再运用二值图像形态学操作最终实现指纹图像分割。实验结果表明,与现有的一些典型方法相比,该方法对于指纹图像分割更为准确、可靠。     

基于Harris角点能量的指纹图像分割算法

指纹图像分割是自动指纹识别系统预处理过程中的一个重要环节。提出了一种基于Harris角点检测器的指纹图像自适应分割算法。首先利用Harris算子计算待分割图像的角点能量,然后使用一种自适应的方法设定阈值完成初分割;采用形态学方法进行后处理以减少分割错误,最后通过面积参数去除分离的残留噪声区域。在FVC2004数据库上的实验结果表明,该分割算法能够准确提取指纹有效区域,并且对低质量指纹图像具有很好的鲁棒性。