基于视觉注意机制的彩色图像显著性区域提取

图像显著性区域提取是计算机视觉处理的重要步骤。结合人类视觉心理、生理模型, 提出一种基于视觉注意机制的彩色图像显著性区域提取模型。通过改进的分水岭算法对彩色图像进行预分割, 从而将原图像分成若干子区域, 在此基础上运用提出的区域化空间注意力模型对各个子区域进行显著图计算, 得到最终的显著性区域提取结果。实验结果表明, 提出的显著性区域提取算法可以很好地从彩色图像中得到与视觉注意机制相一致的结果, 且满足实时性要求, 与传统方法相比, 算法提取的区域更完整、更准确。     

基于改进区域生长的图像显著区域的提取方法

提出一种改进的区域生长方法来进行显著区域的提取。与以往基于像素或基于简单的NxN区域的方法不同．首先采用分水岭算法对原图像进行初始分割,利用显著图和区域的相对位置进行种子区域的自动选取,在生长过程中,将基于区域的相对边界强度,连接紧密程度与传统的区域颜色均值差异度准则相结合．构成新的区域可生长度评价函数。实验结果表明．该方法与现有算法相比,有效提高图像感兴趣区域提取的准确性。     

目标自适应图像分块与小目标提取

针对传统二维直方图方法的难点,提出了采用基于分水岭变换的图像自适应分块的解决方法,新方法能使得每个小目标都被分割在同一个图像区域内,克服了传统图像分块方法采用固定分块,易造成将同一目标分到多个区域的缺点。方法中首先采用了基于标记点的灰度图像重建方法对图像进行预处理,在自适应增强目标的同时也克服了分水岭变换易造成过度分割的影响,在此基础上进一步地对图像采取了基于分水岭变换的图像分块,接着在每一个分块区域中采用引入目标分布信息阈值选取方法,得到二值化的结果。实验表明该方法目标分割结果稳定,适合于小目标的分割提取。     

基于改进分水岭算法的硅片缺陷提取方法

为了提取硅片表面的缺陷,对其缺陷的提取技术进行了研究,提出了改进水分岭算法进行缺陷提取.该方法首先利用形态滤波对缺陷图像进行滤波,并对滤波后梯度图像进行平滑,在去除噪声的同时很好的保持物体轮廓和细节;为了克服分水岭算法的过度分割问题,利用区域强度准则和边界强度准则对过分割区域合并,很好的解决了过分割问题.实验表明,该方法可以提取精确且封闭的缺陷边缘轮廓,为进一步的缺陷特征量的提取奠定了基础.     

基于梯度修正和区域合并的分水岭分割算法

分水岭是一种有效的图像分割方法,但存在过分割现象,为此提出了一种改进的分水岭分割方法,该方法首先利用形态学算子得到梯度图像,然后利用形态学混合开闭重构算子进行梯度修正,去除了易造成过分割的区域细节和噪声,接着采用基于标记的分水岭算法进行分割,有效地克服了过分割现象.为了得到更好的分割效果,提出了基于区域一致性和边界曲率光滑性相结合的区域合并准则,对分割后的图像进行有效的合并,该方法能够很好的解决过分割现象,并且产生更有意义的分割效果.通过多组实验,并且和传统的分水岭算法进行对比,得到了满意的效果,结果表明了该方法的有效性.     

应用混合算法实现卫星图像分割的分析

文章分析了基于应用混合算法实现卫星图像的分割,主要探讨了目前比较成熟的分水岭图像分割方法、基于模糊理论的图像分割方法,和比较前沿的基于神经网络的图像分割方法、基于支持向量机的图像分割方法等算法。文章探讨了根据图像的不同特性,混合使用两种或者多种算法来增加图像分割的准确度。     

三种图像分割算法的对比及图像分割方法的改进

通过研究图像分割算法的原理和实验对比,可以发现标记分水岭分割方法是以边缘特性为基础,通过设置光谱特征标记来分割图像,其分割结果边缘精度高,但是仍然存在较为严重的过分割和欠分割情况。而mean shift分割方法和eCognition分割方法是以光谱特征为分割依据的分割方法,虽然它们分割结果的过分割和欠分割情况较少,但是分割对象的边缘精度较差。分析以上存在的问题后,通过融合边缘特征和区域特征,并且依据一定的特征来选择种子点,尽量避免种子点选择在边缘区,从而实现提高图像分割的效果。通过实验取得了好的分割效果,说明改进的图像分割方法是可行的。     

基于分水岭变换和FCM的图像分割

针对分水岭变换算法对噪声敏感和易于产生过分割的问题,提出了一种基于分水岭变换和模糊C均值聚类(FCM)的图像分割算法。该算法不仅解决了分水岭变换算法的过分割问题,而且同时解决了FCM算法初始值难以确定的不足。实验结果显示,该算法可以快速准确地分割出目标,是一种有效的方法。     

基于偏微分方程和分水岭算法的图像分割

提出一种基于偏微分方程构造、具有良好分水岭结构梯度幅值图像来改进分割性能的方法,首先,对原始图像进行边界检测,得到梯度幅值图像,利用1维梯度向量流偏微分方程对梯度幅值图像作用、扩散边界信息和去除噪音,使其具有良好的分水岭结构,然后检测梯度图像的局部最小值点,通过形态学膨胀运算自动合并相近的局部最小值点,使图像更有利于分水岭算法的分割,最后用分水岭算法分割处理后的图像,实验结果表明,该方法降低分水岭算法的过分割现象,为后续处理提供较为可靠的基础.     

基于分水岭算法的虹膜区域分割

在论文中使用了分水岭分割算法与区域合并相结合的方法,有效地对虹膜图像进行分割,并减少过度分割现象。首先对原图像做平滑处理,使用sobel梯度算子得到原图像的梯度图,然后使用分水岭算法对梯度图进行区域分割,最后将分割图像的过度分割部分进行区域合并。实验证明这种方法可以应用于分割带有噪声的图像,也能够减少过度分割现象。仿真结果表明,把这种方法用于虹膜区域分割中,可以得到精确的、封闭的虹膜边缘。