一种基于逐点阈值分割的图像边缘检测方法

提出一种对图像中每个点逐一取阈值进行分类的一种新的阈值分割算法.该算法利用图像中像素邻域的灰度值均值统计信息作为该点阈值设置的标准,并引入该点邻域内像素灰度值方差作为附加判断条件,使提取出来的日标点是图像的边缘点.事实上该阈值分割算法起到了边缘提取的效果.实验证明,本文算法起到了良好的边缘检测效果,并且验证了本算法对于以邻域统计信息作为阈值估计标准的合理性.     

基于梯度幅值的自适应边缘检测算法

提出了一种新的边缘检测算法.根据所提出的梯度幅值计算方法求出整幅图像的梯度幅值均值和图像中所有像素点的梯度幅值相对与均值的方差.由图像的梯度幅值均值和方差计算出图像的最佳阈值.然后根据提出的噪声剔除方法对由最佳阈值判定的初始边缘中的噪声进行剔除.实验结果表明所提出的算法在精确定位边缘的同时也较好地抑制了噪声.     

基于细节保留的椒盐噪声自适应滤波算法

针对灰度图像中椒盐噪声的特点,提出了一种更加精确的噪声检测方法:该方法利用滤波窗口内像素点灰度值的不同,将受椒盐噪声污染的图像中像素点划分为噪声点,疑似噪声点和信号点.通过设定阈值,并参考相邻像素点的相关性来进一步区分疑似噪声点,最终建立噪声标记矩阵.对于被标记的噪声点,采用自适应滤波算法,保留更多的图像细节.仿真结果表明,该算法在除去噪声点的同时,对于边缘细节也有非常好的保护作用.     

Otsu准则下分割阈值的快速计算

传统Otsu法在确定阈值时需要穷举计算图像中每个灰度值为阈值时的类间方差.文中利用Otsu阈值的性质,提出了一个新算法以快速计算Otsu阈值.新算法搜寻出与两类类内均值的平均值的整数部分相等的阈值,从中确定一个符合Otsu准则的阈值.传统Otsu法在对梯度图像中的小目标分割时分割性能不佳,文中提出了一个Otsu阈值的改进算法,该算法使用快速计算Otsu阈值的新算法递归求解分割阈值.实验结果表明,与传统Otsu算法相比,计算Otsu阈值的快速算法速度更快,而阈值的改进算法对梯度图像中的小目标分割效果更好.     

三维最小误差阈值法及其快速递推算法

针对现有算法无法有效解决混合噪声图像的阈值分割的问题,该文提出3维最小误差阈值法。该方法充分考虑图像像元点的灰度分布信息及像元点之间的灰度相关信息,结合图像灰度、均值和中值信息,构造出3维观测空间。然后基于相对熵定义出3维最佳阈值判别式。为了提高该算法的处理速度,给出相应的快速递推算法,其时间复杂度为O(L3)。实验结果表明,在不同噪声环境及非均匀光照条件下,尤其对混合噪声图像,与现有方法相比,文中算法均取得了更好的分割效果。     

基于量子最大熵多阈值算法的图像分割研究

针对图像分割中的问题,采取量子多阈值最大熵算法.首先确定图像信息最大熵的概率密度函数,求解出熵最大化验前密度;接着把图像用灰度值分成背景和物体两个区域,统计不同的灰度等级内像素的量子比特值,由所占的比例得出像素点的最佳分割阈值;最后给出了算法步骤.实验仿真给出了不同算法的图像分割结果,本文算法对噪声的抑制能力较强,得到较高精度的图像,并且保留了边缘的重要信息.     

基于平方距离的对称共生矩阵阈值法

基于图像共生矩阵的阈值法是图像分割的一种基本方法,本文基于“灰度—灰度”对称共生矩阵,通过定义目标区域和背景区域的均值,提出了一个阈值分割方法.该方法和常见的基于对称共生矩阵阈值法相比,对图像的适应性更强,仿真实验验证了本文方法的有效性.     

基于小概率策略的Otsu图像分割方法

Otsu自适应阈值法是一种经典的图像阈值分割方法,在其基础上发展起来的2维Otsu法及其改进算法由于存在计算(或空间)复杂度较高、抗噪能力差、难以扩展到多阈值等不足而制约了其应用。该文针对2维Otsu法的不足,将噪声点的出现视为小概率事件,用噪声点的邻域均值代替其灰度值,将噪声点转换为目标(或背景)像素,减少了图像中的噪声点数量;继而直接采用1维Otsu法进行分割,以较小的代价获得良好的分割效果。算法分析及测试实验表明：与现有2维Otsu法相比,该算法在复杂度、抗噪性、多阈值扩展性等方面都有明显改善。     

基于多阈值分割的红外图像伪彩增强算法

针对现有图像增强中的彩虹编码采用固定阈值分割方法,导致增强后的图像缺乏层次感、视觉效果模糊的问题,提出一种基于多阈值分割的红外图像伪彩色增强算法.该算法通过建立伪彩映射模型,采用多阈值分割手段,将不同灰度值映射成丰富的颜色值,以突出图像边缘的细节信息.实验结果表明,该算法处理后的红外图像具有目标轮廓清晰、视觉效果理想的优点.     

一种简单有效的自动多阈值分割算法

本文提出了一种自动多阈值分割算法,通过直接对图像的灰度直方图曲线进行分析,判断极小值所在的灰度级,再对所有极小值点进行相应的分类合并来最终确定阈值的位置,避免出现过分割的现象.在预处理阶段本文采用了基于各向异性扩散的平滑方法对图像进行滤波,以消除噪声,同时还可以使图像的灰度直方图曲线更为连续,从而加速算法的执行效率.     

基于新遗传算法的Otsu图像阈值分割方法

最大类间方差（Otsu）图像分割法是常用的一种基于统计原理的图像阈值分割方法。为了改善Otsu耗时较多、分割的精度低、易产生图像误分割等不足,将猴王遗传算法与Otsu算法结合,运用猴王遗传算法的原理,寻找图像灰度的最大类间方差,即最佳阈值。结果表明,结合后的方法不仅提高了图像的分割质量、缩短了运算时间,而且非常适合图像的实时处理。     

一种基于综合集成和数学形态学的图像分割方法

图像分割是图像处理的重要步骤,是计算机视觉的基础,是模式识别与图像理解的重要组成部分。由于光照不均匀而形成的灰度图像,采取单一的分割方法不能获得良好的分割结果,为此,采用综合集成的方法对此类图像进行分割,并用数学形态学的运算对分割结果进行处理,改善了分割效果。试验结果表明,基于综合集成和数学形态学的分割方法能有效地分割这一类图像,获得良好的分割结果。     

基于自适应TV的Chan—Vese图像分割方法

自适应整体变分(Total Variation,TV)图像平滑模型能有效去除噪声,具有较强的图像保征能力.基于多相水平集的Chan-Vese图像分割模型能有效地实现多质图像的分割.将自适应TV图像平滑方法和Chan-Vese图像分割方法有机整合,提出了自适应TV的Chan-Vese图像分割方法.实验表明,该方法能得到较好的分割结果.     

基于彩色空间的二维OSTU的图像分割算法

图像分割的研究一直是图像处理研究的热点问题,尤其是对彩色图像的分割研究更为重要,虽然对彩色图像分割的研究提出很多分割算法,但是很多算法仍存在缺陷,本文针对解决二维OSTU分割算法分割图像时计算复杂和易受噪声干扰的问题,提出将Lab彩色空间应用到二维OSTU算法中,首先将色彩图像从RGB空间转到Lab空间,然后联合利用L通道、a通道、b通道图像信息进行粗分割,最后针对其中某个通道的图像信息进行二维OSTU细分割.通过试验表明,该方法对彩色图像有较好的分割效果.     

一种基于图像平滑的阈值分割方法

阈值分割是图像分割技术中一类广泛使用的方法,Otsu法是其典型代表。针对Otsu法不能准确分割低对比度或低信噪比的图像的缺点,提出了一种新的动态阈值分割方法：先用平滑滤波器平滑得到原始图像的动态背景图像,原始图像与动态背景图像相减得到差图像,在差图像上通过设定阈值来实现原始图像的分割。仿真实验表明,该方法具有较低的算法...     

一种基于DFC聚类算法的图像分割方法

图像分割是一种重要的图像技术,在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类很多,有些分割运算可直接应用于任何图像,而另一些只能适用于特殊类别的图像。目前,图像分割的方法层出不穷。其中,最具代表性的图像分割算法是基于FCM聚类算法的图像分割方法。然而FCM聚类算法从理论上来说存在着聚类数目无法自动确定及运算的开销太大的缺点,因而限制了这种方法的应用。针对其不足,本文将FCM聚类算法引入到图像分割方法中。数值实验结果显示：新方法分割图像的效果是良好的。     

基于红外图像帧关联的自动阈值分割方法

针对目前单帧图像阈值分割中分割易受突变影响、目 标背景分割不明显以及分割效果较差等问题,提出了一种基于红外图像帧关 联的自动阈值分割方法。该方法利用自动阈值分割法简单分割单帧图像,然 后根据图像帧关联信息对图像进行分组处理,再对每帧图像进行权重分配,最 终确定每帧图像的分割阈值,以提高分割的抗干扰性,改善分割效果。通过理 论分析和实验仿真验证了该算法的有效性和可行性,并将其与其他算法进行了 对比实验。实验结果表明,本文提出的分割算法的抗干扰性较强,能够将目标 图像从背景中清晰地分割出来,具有更好的分割效果和更强的应用性。     

一种边界引导的多尺度高分辨率遥感图像分割方法

针对高分辨率遥感图像分割过程中区域合并复杂性问题,提出了一种基于边界引导的多尺度遥感图像分割算法.一方面应用SUSAN算子提取高分辨率遥感图像中地物的边界用于限制区域增长过程;另一方面进行两阶段增长,首先应用基于图的分割算法进行基于像素的区域生长,然后进行考虑对象特征信息的区域合并.对宜昌城区某处融合后的QuickBird彩色图像进行了实验,并分别与无边界引导分割以及eCognition平台下图像分割效果进行了对比.结果表明,该方法可以有效抑制传统图像分割算法在低对比度区的区域融合问题,突破了分割尺度参数不能在全图取得合理分割的局限性.     

人工智能深度学习的激光图像分割研究

激光成像受到环境、设备自身等干扰,使得激光图像含有噪声,当前图像分割方法对噪声干扰鲁棒性差,误分割现象出现概率高,重要信息丢失严重,为了克服当前激光图像分割的弊端,提出了基于人工智能深度学习的激光图像分割方法。首先采用小波变换对激光图像进行特征提取,并对噪声干扰进行抑制处理,然后引入人工智能学习算法对激光图像特征向量进行训练,并根据训练结果对激光图像像素点进行分类,从而实现激光图像分割,最后采用含噪和不含噪的激光图像进行仿真测试。结果表明,对含噪和不含噪的激光图像,人工智能深度学习的分割精度分别达到了91%和95%以上,精度明显高于经典激光图像分割方法,分割效率可以满足激光图像向大规模方向发展的要求。     

基于Gabor小波的无边缘活动围道纹理分割方法

该文提出了一种基于Gabor小波的活动围道纹理分割新方法。该方法先用Gabor小波提取图像的纹理特征,再用Chan-Vese模型进行分割。与其它基于Chan-Vese模型的纹理分割方法相比,基于Gabor小波的活动围道的纹理分割方法有两个优点:一是同时使用纹理特征和灰度信息演化围道,可分割纹理图像和非纹理图像,分割方法的灵活性好;二是在分割多类目标时,采用多级分层式曲线演化方法解决了初始围道难以选择的问题。对自然界真实图像和遥感图像的分割实验结果说明,该文提出的分割方法精度高。