基于小波变换和kd树聚类的快速纹理分割算法

提出了一种基于小波变换和k均值聚类的快速纹理图像分割算法。该方法包括特征提取、特征平滑、纹理分割三个阶段。其中,特征提取在金字塔结构小波变换的基础上进行;特征平滑利用一种四分法来完成特征图像的噪声平滑和边缘保持;纹理分割则利用kd树作为数据结构来运行k均值聚类算法从而实现纹理图像的快速分割。实验结果表明与直接的k均值聚类算法相比,该方法在运行时间上得到了明显的提高。     

一种基于纹理的图像分割方法

提出了一种基于多进制小波变换的纹理特征提取方法，通过对小波系数的标准差作为纹理测度以生成特征向量，利用模糊c-均值聚类算法进行纹理分割，获得了较好实验结果。     

一种图像纹理分割的小波-像素曲线演化方法

提出了图像纹理分割的小波—曲线演化方法，该方法运用二维小波对纹理图像进行分解，由四个小波系数描述纹理特征，并组成四维小波系数特征矢量图，然后采用最大后验概率模型的曲线演化方法，对特征矢量图进行分割和分类，从而获得原图像纹理分割结果．实验结果表明，与小波—FCM聚类纹理分割方法相比，该方法对双纹理图像能取得较好的分割效果，分割出的边界连续，并且具有较强的抗噪能力．     

用于灰度图像分割的小波区域扩张算法

文献[1,6]提出了小波变换聚类（WaveCluster)算法，该文将这种思想引入区域扩张的图像分割算法中，提出了小波区域扩张算法，首先对图像进行小波变换，在变换空间中进行图像分割，再将分割结果映射到原始空间，有效地提高了分割效率。     

利用小变换和特征加权进行纹理分割

为了提高纹理图象分割的边缘准确性和区域一致性以及降低分割错误率,提出了一种基于小波变换的利用特征加权来进行纹理分割的方法。该方法包括特征提取、预分割和后分割3个阶段,其中,特征提取在金字塔结构小小以变换的基础上进行;预分割利用均人矣类算法来对原始图象进行初步的分割;后分割则根据预分割的结果对特征进行加权,然后利用最小距离分类器来实现图象的最后分割。与传统的方法相比,该方法在分割错误率、边缘准确性以及区域一致性等方面均有明显的改善。     

一种基于小波分析的纹理背景下的物体分割算法

基于物体和作为背景的纹理图象在线性赋范空间Ｌ１中的能量分布不同这一特点，给出了一种基于小波分析的特征选取方法，由此得到最佳的特征描述并运用分裂－合并算法进行图象分割。这种算法本质上是从灰度分布来分割图象算法的推广，它不仅适用于纹理背景下的物体分割，而且适用于纹理区域和平滑区域组成的复合图象的分割以及不同纹理间的分割。     

基于小波变换和蚁群算法的纹理分割

纹理分割是图像模式识别中的关键步骤,但直到现在仍然没有一种有效的方法能够解决。本文提出了一种新的基于小波变换和蚁群算法的纹理分割方法。该方法首先用小波变换提取图像不同频带的纹理特征,然后提出具有聚类能力的蚁群算法数学模型,并用这个模型来进行分割。实验结果表明,该方法是一种有效的纹理分割方法。     

基于纹理基元的图象分割

纹理分割是图象处理的基本问题之一．针对广泛的纹理图象，需要一个高效、鲁棒的分割方法，因此提出了一种基于纹理基元的纹理图象分割算法．首先，以Harr小波为变换工具，得到具有方向性的纹理子图象；然后给出了一种新的纹理基元提取方法，并在此基础上，应用统计方法和矢量场，对纹理区域进行由粗到细的分割．通过这种方法不仅可以对纹理图象进行分割，还可以对同一区域的纹理结构进行描述，从而有利于在这种分割方法基础上，进行更高层次的图象处理．     

基于核的密度函数聚类的彩色图像分割方法

提出一种基于核方法的密度函数聚类方法和小波变换的快速彩色图像分割方法。对密度函数聚类方法改进,通过引入核方法生成基于核的密度函数聚类,用于彩色图像聚类数目上限和初始聚类中心;利用小波变换的多分辨率特性,在分辨率最大的子带进行聚类数目的确定以减少计算量,然后把分割结果逐层延伸到原始尺寸图像得到最终分割结果。     

基于小波分形特征提取的图象分割方法

提出了一种基于小波分解和分形纹理特征计算的图象分割方法,首先考虑对图象进行小波变换,然后对不同通道的子图象提取纹理的分形特征和能量特征,最后用直方图阈值分割方法实现图象的分割,实验表明,该方法对模拟纹理图象以及多少谱遥感图象的分割都取得了满意的效果。     

面向生物医学图像的交互式分割算法

结合阈值法和区域生长算法,提出一种面向生物医学图像的交互式分割算法。利用阈值法对图像中用户选取的感兴趣区域进行预分割,通过阈值分割得到的目标区域确定区域生长算法的种子像素与相似性准则,获得最终分割结果。实验结果表明,该算法简单快速、对生物医学图像可取得良好的分割效果。     

局部颜色模型的交互式Graph-Cut分割算法

由于目前大多数交互式Graph-Cut分割算法很难达到精确分割且实时交互的效果.对此,提出一种基于局部颜色模型的改进算法.该算法利用Mean-Shift预分割,建立基于局部颜色模型的交互式分割框架,并将像素级的Graph-Cut算法转化为基于区域的算法进行快速求解.预分割之后的区域保持了原有图像的结构,不仅提高了采用局部颜色模型估计分布的准确性,而且基于区域Graph-Cut的算法明显降低了计算的复杂度.实验结果表明,改进后的算法不仅保证了分割的精确性,而且还达到了实时交互.     

Object-based image labeling through learning by example and multi-level segmentation

We propose a method for automatic extraction and labeling of semantically meaningful image objects using “learning by example” and threshold-free multi-level image segmentation. The proposed method scans through images, each of which is pre-segmented into a hierarchical uniformity tree, to seek and label objects that are similar to an example object presented by the user. By representing images with stacks of multi-level segmentation maps, objects can be extracted in the segmentation map level with adequate detail. Experiments have shown that the proposed multi-level image segmentation results in significant reduction in computation complexity for object extraction and labeling (compared to a single fine-level segmentation) by avoiding unnecessary tests of combinations in finer levels. The multi-level segmentation-based approach also achieves better accuracy in detection and labeling of small objects.     

基于模糊连接度的交互式CT图像分割算法

如何准确地从CT图像中提取出感兴趣的组织,是医学图像分割中的难点。提出了一种基于模糊连接度的交互式CT图像分割算法：先根据用户指定的感兴趣区域的灰度范围预分割图像,然后用户从结果图像中选择目标和背景种子点,计算出各像素点与两类种子点的模糊连接度,最后根据连接度大小将像素点划分到目标或背景区域。分割过程中,用户可以通过增设或删除目标或背景种子点,修正分割的结果。实验表明,该算法能准确有效地分割出感兴趣区域。     

基于SLIC的改进GrabCut彩色图像快速分割

GrabCut算法用户交互量少且分割精度高,但它迭代使用GraphCuts的求解模式使得在处理高分辨率图像时,耗时巨大。提出了一种快速GrabCut算法,在高斯混合模型参数估计过程中,通过SLIC算法构建精简的GraphCuts模型以实现加速。通过SLIC算法将原始图像快速地预分割成具有确定边界且区域内相似度高的超像素图,并以此构建精简的网络图。以块内的RGB均值描述超像素特征进行高斯混合模型参数估计。为了提高分割精度,使用得到的GMM参数对原始图像进行分割。实验结果证明了该算法在时效和精度上都有很好的性能。     

Multiple visual concept discovery using concept-based visual word clustering

In recent research, visual concept discovery was used to fill the semantic gap for representing the visual content. However, multiple concepts in an image generally degrade the discovery accuracy. In this paper, a Concept-based Visual Word Clustering (CVWC) method is proposed to discover multiple concepts from an image without pre-segmented training images. The CVWC is based on prior knowledge of concepts, which are trained from meta-text of web images. First, concepts are obtained by clustering the visual words in the regions extracted from image segmentation. A concept-based genetic algorithm (CBGA) is applied for searching the near-optimal clusters according to the visual words (VWs) in a concept and the co-occurrence probability of two concepts. The clustering procedure is also performed on the neighboring VWs to discover all the regions for concept representation. A concept extension method (CE) is further applied for iteratively updating the discovered concepts from the clustered results. In the experiments on the application to video retrieval, the mAP of the proposed CVWC method based on CBGA and CE obtained satisfactory improvements of 0.04 and 0.06, compared to pixel-based image segmentation approach and conventional concept model approach for the category “nation defense,” and 0.06 and 0.05 for the category “ecology,” respectively.     

基于多尺度分析和均值漂移的Kway-Ncut算法

提出一种基于多尺度分析和均值漂移的谱聚类算法.该算法以Kway-Ncut算法为基础,通过缩小待分割图片的分辨率来实现快速和对大分辨率图片的分割.首先,利用均值漂移算法对图片进行预分割,随后缩减图像和预分割结果的分辨率.再利用预分割提供的先验信息和像素的空间一致性构建相似度模型,计算缩小后的图片像素相似度,使用Kway-Ncut进行分割.最后,将分割结果扩展为原始分辨率,用原始分辨率的预分类信息对图像边界及细节部分加以恢复,获得最终的分割结果.通过使用多幅彩色图像进行分割实验,结果表明文中算法在准确性和高效性方面都有良好表现.     

基于边缘竞争模糊水平集的脑部磁共振图像自动分割

针对脑部磁共振(MR)图像分割时容易出现的受噪声影响大和边缘定位模糊问题,提出一种以基于核函数的增强模糊C均值(RFCMK)算法结果为先验知识的边缘竞争水平集自动分割方法。首先采用RFCMK算法对图像进行预分割;然后对预分割后的各子类图像进行阈值化处理,并将其边缘作为水平集演化的初始轮廓;最后采用引入竞争机制的边缘指示器对各部分边缘进行演化。该方法对模拟图像不同层切面的分割实验表明,基于面积和基于边缘的评估统计值范围分别为[0.91,0.95]和[0.05,0.22]。对噪声图像的实验结果表明该方法能够有效地抑制噪声对分割结果的影响。     

基于超像素和随机游走的交互式分割算法

交互式图像分割通过先验信息指导获取图像中人们感兴趣的部分,但是现有算法无法在效率和精度上实现平衡,为了解决此问题,提出了一种基于超像素和随机游走的快速交互式分割算法（random walk on superpixel,SPRW）。首先,将图像预分割为具有局部相似性的超像素区域,使用像素颜色均值对超像素区域表示;其次,根据人工标记的先验信息建立F-B图结构,扩展随机游走的范围,并使用随机游走的方法求解,获得硬分割结果;最后,针对分割结果的边界不光滑问题,提出改进的抠图算法（fast robust matting,FRB）进行二次处理,得到软分割结果。在BSD500和MSRC数据集上的实验证实,所提出的硬分割方法与其他算法在时间和平均交并比等指标上有较大优势;在Alpha Matting数据集上的实验充分证实所提出的软算法在提高效率的同时精度也有一定的提升;此外,在生活照更换背景的实验上展现了该算法的应用价值。