几种常用CT图像分割算法分析和探讨

图像分割是数字图像处理的一个经典难题。其分割质量的好坏直接影响到图像处理的后续工作。因而在理论研究和实际应用中受到研究人员的广泛重视。本文在总结了过去的分割方法基础上,就目前常用几种分割方法进行实验研究。主要包括阈值分割、LOG算子分割、FCM聚类分割、分水岭分割,并结合CT图像进行图像分割。文章阐述了各种分割方法的概念及原理,并在此基础上对分割结果进行了分析和探讨,得出各种方法的优点和不足。这些实验结论将为后续研究提供科学依据。     

基于二维Otsu阈值修正的图像分割新方法

首先采用对二维直方图斜分割和查表的方法,解决了传统二维Otsu方法分割图像计算耗时,难以实时实现的缺点。其次基于灰度统计的思想,针对二维Otsu法处理小目标图像难以实现正确分割的缺点,提出了一种在实现过程中采用迭代的阈值修正新方法。最后设计了一种新型滤波器对分割后的图像进行滤波降噪处理。实验结果表明,阈值修正后的二维Otsu改进算法对小目标图像分割效果明显,而且新型滤波器对滤除散布在目标与背景中的噪声非常有效。将阈值修正法和新型滤波器结合使用,不仅快速,而且准确,取得了良好的分割效果。     

基于数据分割的APRIORI改进算法

著名的Apriori算法是一种挖掘关联规则的算法。本文采用数据库分割技术,这有利于提高关联规则算法的时间效率。     

基于图像处理技术的瞳孔和角膜反射中心提取算法

为了提高瞳孔中心的实时提取精度和抗干扰能力,利用基于瞳孔-角膜跟踪法原理和图像处理的眼动跟踪技术,实现瞳孔和角膜反射中心的精确提取.首先在红外光源条件下,用摄像机捕获人眼图像,通过图像自适应二值化阈值确定图像处理区域,以减小处理时间;其次,利用高低2次二值化阈值提取角膜反射中心;然后求取自适应最佳阈值确定瞳孔位置和大小;最后用梯度法提取瞳孔轮廓特征点,并用椭圆拟合瞳孔的方法确定瞳孔中心.实验结果表明,该算法在保证瞳孔和角膜反射中心提取的准确性和稳定性的同时,能满足实时处理要求.     

一种基于数据竞争的高分辨率图像的聚类分割算法

近些年,机器人技术得到了迅猛的发展,应用越来越广泛.随着机器人技术的推广和普及,对机器人使用的要求也越来越高,其中对智能机器人的要求尤显迫切.机器视觉是智能机器人研究领域的一个重要研究方向.在机器人视觉系统中,核心问题是目标提取,对目标实时、准确、快速提取的关键技术是图像分割.由于机器人感知的环境的复杂性及目标的多样性,往往导致机器人感知获得的图像数据量较大且图像本身存在不可预知的复杂性,这就对准确的目标分割和提取处理提出了挑战性问题.本文针对高分辨率图像数据集的分割处理,提出一种新的聚类算法,即根据数据点能量和的大小识别类代表点和类成员点,通过数据点间的竞争识别出最有能力成为簇成员的数据点,并将其与mean shift聚类算法有效地结合应用于彩色图像分割问题中,能够快速高效地实现高分辨率图像的目标分割,并得到较好的图像分割效果.实验结果表明,本文算法在分割效果和分割效率上明显优于传统聚类算法.     

基于DV-HOP WSN改进算法的研究与仿真

节点定位是无线传感器网络应用的关键技术,通过对无线传感器网络中DV-Hop节点定位算法及影响算法定位性能因素的分析与研究,提出的一种新的改进方法,即采用基于角度阈值的锚节点选择策略,有选择性的选取锚节点参与三边定位过程,对平均每跳距离的计算进行改进,并通过引入角度加权因子对其定位结果进行修正。仿真结果表明,改进后的算法有效提高了节点的覆盖率和定位精度。     

基于像素拓展的图形分割与合成的方法研究

提出了一种新的图像分割与合成方法。对于图像的分割,提出了新的分割算法,先是手工将一些明显属于物体和明显属于背景的像素分割出来,然后创建一个小矩形区域进行像素拓展迭代,迭代到图像边界为止。对于图像的合成,采用平均法,设计了新的算法,使物体的基本颜色保持不变的同时,降低了合成图像中从源图像分割的物体与新背景的差异,并使得其饱和度、色度、强度更加自然真实。     

基于网络图像的阿奇姆博多拼图

拼图是使用不同形式的素材进行组装的合成艺术.文中介绍了一种崭新的拼图创作方法,通过挑选主题相关的网络图像的前景抠图来表现一幅输入图像,能够生成奇异的具有阿奇姆博多风格的拼图.鉴于网络图像数据的海量规模,总能够找到合适的前景抠图来匹配输入图像的各个分割部分;通过将挑选的前景抠图按照一定的规则进行组装,使其在整体上可以从形状和颜色表现输入图像,而在局部每个前景抠图仍然可以辨识.实验结果和用户体验表明,采用文中方法可以有效地生成具有娱乐性的阿奇姆博多拼图.     

点云模型的谱聚类分割

为了实现点云模型的有意义分割,提出一种基于谱聚类的分割算法.首先用图G表示点云模型,将分割问题转化为图切割问题;然后根据归一化的非对称Laplacian矩阵构造谱聚类空间;最后通过移除掉多余的特征向量,在一个更低维的空间中找到了分割问题的松弛解.文中还给出了该算法相关定理的证明,并通过实验验证了算法的正确性和有效性.