图像阈值自动选取算法的C＋＋实现

图像分割是运动目标检测与跟踪技术必须要解决的问题,在很多时候它涉及到图像阈值的选取。文章采用的算法首先计算图像中不同区域的灰度均值,结合最小差值条件,反复修订由计算所得的阈值,从而达到自动选优的目的。在此基础上,文章进一步给出了用C＋＋语言实现算法的关键代码。测试表明此方法选择阈值简便实用,图像的二值化效果良好。     

基于径向基函数的曲面重建算法

针对基于传统径向基函数的数据插值方法在重建大量数据点云曲面时的困难,提出将数据点先分割再分别重建的方法.将点云的包围盒沿坐标轴分割,两两合并相邻的方块,使得方块相互重叠且覆盖整个包围盒.对每个包围盒内的点用径向基函数方法插值,利用窗口函数将每个函数限制在各小方盒内求和得到最终的整体插值曲面.借助MC（marching cubes）方法得到三角网格曲面.每个方块内点云的重建过程可以并行实现,因此该方法非常适用于对重建效率要求较高的场合.     

基于高斯混合模型和帧间梯度信息的运动目标视频分割算法

视频序列的运动分割是运动分析和运动跟踪的基础,本研究基于高斯混合模型和帧间梯度信息提出了一种新的运动目标分割算法。在利用亮度信息对背景建立自适应高斯混合模型的基础上,进行前景的粗分割;针对由于视频信号的亮度和色彩分量随光照突变有较大的改变,导致大片背景的高斯模型产生错误匹配,误判为前景的问题,为了提高高斯模型分割算法的鲁棒性,结合结构梯度互相关函数对分割结果进一步校正,使之能适应剧烈的光照变化;最后,利用数学形态学进行后处理,消除影子和孤立的噪声点。通过不同场景的运动分割实验,表明该算法在复杂背景和剧烈光照变化条件下具有较强的鲁棒性和较高的分割精度。     

P型画面分割在平面设计构图中的应用

分割是设计的重要手段之一。平面设计大多是在P型画面即姨2矩形中构图,P型画面的分割对平面设计的构图有重要意义。分析了P型画面的特性和常用的分割方法,着重研究了平面设计中P型画面的应用,揭示了P型画面的分割在确定平面设计构图中的重要作用和指导意义。     

利用.NET组件技术实现刀具图像的检测

为了实现刀具图像的轮廓跟踪,提取轮廓点,采用Matlab.NET component与Mi-crosoft Visual Studio C Sharp混和编程技术,并运用模糊C均值聚类（Fuzzy C Mean cluste-ring,FCM）算法对图像进行处理,返回分割阈值,实现对灰度图像的分割.同时为避免出现轮廓断点,引入编码技术,再经过8邻域搜索目标轮廓,最终完成刀具图像轮廓跟踪.与微分算子的边缘检测对比,本文算法利用FCM分割图像,又引入编码技术,实现轮廓连续的跟踪检测,该方法分割效果较好,界面编写简单,运行简便.     

多支持向量机的乳腺肿瘤识别

针对乳腺肿块具有大小不固定和个体差异等特性,提出了一种多支持向量机对乳腺肿块的识别方法.选择八个方向上的支持向量生成分类器,选取高斯核函数作为核函数,其中取σ=30时分割正确率达到97.3%.表明多支持向量机应用于乳腺肿块识别可以获得较好的识别效果,为进一步的医学诊断提供可靠的依据.     

手背静脉图像的降噪和分割研究

手背静脉识别是一种新兴的生物特征识别技术。根据手背静脉图像的特点,对静脉图像预处理进行了研究。静脉图像预处理分为图像的降噪和静脉图像的分割两部分。提出了一种混合噪声滤除算法,在判断出的脉冲噪声基础上,根据连通性去掉被误判成脉冲噪声的边缘,有效地滤除了静脉图像中的脉冲噪声和高斯噪声,且较好地保护了静脉图像的细节特征;采用了局部动态阈值算法NIBlack算法对图像进行分割。很好的提取出了手背静脉。     

基于改进型类间方差分割的红外目标提取算法

文章对最大类间方差法进行了改进,利用计算图像类间方差的约束条件,通过构造罚函数,把求最大类间方差问题转换为求带约束条件的函数最优解问题,再用迭代法对图像进行分割,从而有效地弥补了最大类间方差法对图像噪音和目标大小敏感不足。仿真实验结果表明,该方法效果良好。     

基于视觉注意力模型的红外人体图像兴趣区域提取*

由于红外人体图像所处背景的复杂性,使用阈值分割定位红外人体图像往往把大量的非人体图像一起分离出来,这给后续工作带来了巨大的计算量.研究了红外人体图像的典型特点和人眼视觉判断人体轮廓图像的敏感特征,使用该特征建立了简单的人眼视觉对人体的注意力模型,并构建特征判别概率函数,对待定目标进行概率的估算,最终使用该模型快速地剔除非人体红外图像的干扰,并准确地定位人体兴趣区域.     

基于Legendre正交多项式非参数混合模型的图像分割

针对有限混合模型中参数估计方法对先验假设存在过分依赖的问题,提出了一种非参数的Legendre正交多项式图像混合模型分割方法。首先,设计了一种基于Legendre正交多项式的图像非参数混合模型,并用最小均方差(MISE)估计每一个模型的平滑参数;其次,利用EM算法求解正交多项式系数和模型的混合比。此方法不需要对模型作任何假设,可以有效克服模型失配问题。通过图像的分割实验表明,该方法比其他非参数混合模型分割效果更好。