LATE水平集图像分割模型的矩形窄带法

窄带法是水平集图像分割的一种常见的加速方法.传统窄带仍然存在冗余的计算区域;传统窄带法与LATE （Local Approximation of Taylor Expansion）水平集模型结合时,图像分割效率反而可能下降.针对这些问题,本文提出了一种基于LATE水平集图像分割模型的矩形窄带法.在每次LATE水平集迭代之前,对水平集做如下窄带处理.首先找出水平集的所有过零点;然后对过零点做活动约束,剔除不活动的过零点,有效缩小窄带范围;再对活动约束的过零点生成矩形窄带;对重叠的矩形窄带进行合并优化,使得矩形窄带总面积尽可能小.最后,在矩形窄带范围内求解水平集微分方程,更新水平集,完成本次迭代.在水平集演化的不同阶段,对传统窄带法的窄带面积与本文矩形窄带面积进行了比较.随着迭代次数增加,矩形窄带面积与传统窄带法的窄带面积之比逐渐减小到0,说明矩形窄带法有效地减少了冗余计算量.针对不同程度的灰度不均匀图像,本文方法与LATE方法、结合LATE模型的直接窄带法、以及结合LATE模型的DTM窄带法进行了比较.直接窄带法和DTM窄带法的分割速度反而慢于LATE方法.对灰度严重不均匀的图像,直接窄带法和DTM窄带法的分割质量受到了较大影响.本文方法在保持较好分割效果的条件下,分割速度快于LATE方法.本文的矩形窄带方法有效地降低了算法复杂度,提高了图像分割效率.     

水下高速运动体试验图像的处理方法研究

针对水下高速运动体的试验检测,要对水下运动图像进行相关处理.由于受到水下照明条件限制,水下图像一般都有比较严重的光照不均匀引起的图像质量不佳.采取同态滤波的方法可以有效地削减亮度的不均匀,同时可以对感兴趣的部分进行增强.此处,由于拍摄方式的影响,造成了图像的运动模糊,采用消模糊理论对其进行处理.实验结果表明,同态滤波增强图像方法和消模糊方法对于水下高速运动试验图像的处理十分有效,符合检测的要求。     

改进的核磁共振图像分割与偏移场恢复耦合模型

生物医学图像分析可以辅助医生诊断疾病,然而,图像中常含有噪声以及灰度不均匀现象,使得传统的图像分割方法不能得到满意的结果。针对这些问题,构造一种基于图像区域信息的偏移场恢复耦合模型,使得模型可以在分割的同时恢复出图像偏移场。为了得到全局最优解并提高算法效率,将该模型改进成1范数下的凸函数,并使用基于Split-Bregman方法对该耦合模型进行快速求解。实验结果表明,本文方法可以降低噪声和灰度不均匀的影响,得到较准确的分割结果和偏移场信息,而且大大地降低了计算复杂度。     

采集多人重叠图像中高精度分割方法研究

研究随机采集多人重叠图像的分割问题,提高多人重叠图像分割完整性.随机采集的图像受到人员不可控的影响,在采集过程中很容易出现人员的重叠.传统的多人重叠图像分割,评估采用主观评估的方法,需要对图像质量进行评估后,再优化分割图像效果,加入了固定的前提条件,对随机采集图像的分割受到限制.提出一种基于计算机图形学的随机采集多人重叠图像的分割方法,通过计算机视觉识别技术,对多人重叠图像进行分割的奇异值特征提取,解决随机性的问题,提取多人重叠图像主要奇异值特征,进行图像质量评估,优化后期的评估效果.仿真结果表明,采用计算机图形学识别方法分割提取图像特征像点进行多人重叠图像质量评估,整体效果可以得到大幅提高.     

基于H分量旋转的荔枝图像分割算法

自然场景下荔枝图像分割,因果实与背景之间的颜色特征以及本身的形状特性的差异,表面会出现亮度不均匀,对分割造成非常大的影响。为了减少亮度不均匀给荔枝图像分割带来的影响,选择HSV彩色空间中色调H分量,并对H分量进行旋转作为图像分割的特征;通过模糊聚类算法和马氏空间约束条件来进行图像分割,利用形态学滤波消除分割后的随机噪声,并对分割区域标记,利用图像标记来恢复分割区域的原始图像。结果表明,该算法能很好地解决亮度不均匀造成的影响,对成熟荔枝分割的正确率达到了90.4%。     

基于梯度方向信息的医学图像质量评价方法研究

研究医学图像质量的评价方法,提高评价方法的可靠性。医学图像是由计算机使用数学方法重建得到的,其独特的成像特点对图像质量评价的要求很高。由于在图像成像过程中不可避免会受到噪声等影响,使得图像存在不均匀或失真等,传统的医学图像质量评价方法只是采用信噪比对图像的质量进行评价,对失真图像评价的可靠性不高。为提高评价方法的可靠性,提出基于梯度方向信息的医学图像质量评价方法。它不仅考虑图像信噪比,而且结合像素点间的相关性和人类视觉感知特性,计算出梯度方向信息作为评价指标,能够避免传统方法对失真图像评价可靠性不高的问题。实验表明,这种方法能够真实反映图像的视觉感知质量,具有较高的评价可靠性。     

基于改进的背景模型的图像识别算法研究

当图像亮度不均匀、对比度低时,提取图像前景较困难。为此,提出一种图像分割方法,结合正弦基函数和绝对值距离测度构建背景模型,依据优化理论和迭代法求解背景模型,通过比较背景模型中各像素点亮度与实际图像中各像素点亮度来判别各像素点是背景还是前景。为应对图像亮度不均匀的情况,在图像分割前对图像进行分块,在分块图像中依据背景模型或相邻分块背景相似度进行图像分割。实验结果表明,在普适性方面,相对于经典的模糊C均值法和OTSU法,该方法的分割误差小,尤其是对亮度不均匀和对比度低的图像;在掌纹图像分割应用方面,与迭代线跟踪法和模糊粗糙集法相比,该方法的错误率低、信噪比高、处理时间短。最后将提出的分割算法应用在人脸识别上,实验结果表明了该算法的先进性。     

自适应最小误差阈值分割算法

对二维最小误差法进行三维推广, 并结合三维直方图重建和降维思想提出了一种鲁 棒的最小误差阈值分割算法. 但该方法为全局算法, 仅适用于分割均匀光照图像. 为 提高其自适应性, 本文采用Water flow模型对非均匀光照图像进行背景估计, 以此获 得原始图像与背景图像的差值图像, 达到降低非均匀光照对图像分割造成干扰的目的. 为进 一步提高分割性能, 本文对差值图像采用γ 矫正进行增强, 然后采用鲁棒最小误差 法进行全局分割, 从而完成目标提取. 最后本文对均匀光照下以及非均匀光照下图像进行了 实验, 并与一维最小误差法、二维最小误差法、三维直方图重建和降维的Otsu阈值分割 算法、灰度波动变换自适应阈值方法以及一种改进的FCM方法在错误分割率和运行时间上进 行了对比. 实验结果表明, 相对于以上方法, 本算法的分割性能均有明显提升.     

肺实质CT图像分割方法

针对肺部CT图像中因各组织灰度不均匀、结构复杂等因素造成双肺边界难以准确分割的问题,提出一种多阈值和基于投影的标记控制分水岭分割方法。运用多阈值法对图像进行粗分割,结合形态学开运算去除图像中残余的气管与主支气管;对于左右肺区未完全分离的情况,采用基于投影的标记控制分水岭分割方法进行分离;利用形态学开闭运算对粗分割结果进行细化。实验结果表明,该方法能够对肺实质进行较准确的分割。     

融合各向异性扩散信息的图像分割

目的 图像因各种因素的影响存在一定程度的噪声,而噪声会在图像分割时影响待分割目标的边缘识别,导致分割结果难以达到理想状态。针对以上问题,在距离规则化水平集（DRLSE）演化模型的基础上,提出一种将各向异性扩散散度场信息融合到DRLSE模型中的新模型。方法 将水平集函数初始化为分段常数表达式,设定演化方程中的参数和水平集函数演化过程中的迭代时间步长Δt。随后将常值权系数α替换为融合各项异性扩散散度场信息的变权系数α（I）,对水平集函数的演化方程进行迭代演化,直至收敛到目标边缘。输出最终演化轮廓。结果 对选自Weizmann数据库的图像和经过人为改造的的图像进行图像分割实验,采用迭代时间和评价分割结果相似性的J系数（Jaccard相似性系数）和D系数（Dice相似性系数）等定量指标进行评价。对无噪声图像和噪声图像分割时,本文模型的J系数和D系数均比DRLSE模型的值大,表明本文模型的分割结果与真值图像的相似性较高。在分割时间方面,仅在分割背景简单边缘清晰的无噪声图像时,本文模型较DRLSE模型略长;在分割边缘清晰、背景灰度不均匀和边缘模糊、背景灰度不均匀的无噪声图像以及人为添加噪声的各种情况下,本文模型分割时间均明显短于DRLSE模型。其中,对边缘模糊、背景灰度不均匀的无噪声图像,本文模型分割时间为3.718 s,较DRLSE模型短9.523 s;对存在噪声、待分割目标存在凹区域且边缘模糊背景灰度不均匀图像,本文模型分割时间为4.235 s,较DRLSE模型短35.165 s。结论 实验结果表明,融合了各向异性扩散信息的DRLSE模型在图像分割尤其是噪声图像分割方面,具有明显的有效性、高效性和鲁棒性。     

一种利用灰度信息和二值信息的手写字符分割

在字符识别系统中，字符的有效分割是识别的关键。该文描述了一种两阶段的手写字符分割方法。根据字符倾斜角度将原字符串图像划分出若干个形状不规则的区域，每个区域含有一条分割线；针对现有分割方法的某些局限性，提出采用字符图像灰度信息和二值信息相结合的方式来求取分割区域中的分割路径。实验结果表明了该方法对于手写字符分割的有效性。     

Adaptable image segmentation via simple pixel classification

We propose an approach to image segmentation that views it as one of pixel classification using simple features defined over the local neighborhood. We use a support vector machine for pixel classification, making the approach automatically adaptable to a large number of image segmentation applications. Since our approach utilizes only local information for classification, both training and application of the image segmentor can be done on a distributed computing platform. This makes our approach scalable to larger images than the ones tested. This article describes the methodology in detail and tests it efficacy against 5 other comparable segmentation methods on 2 well‐known image segmentation databases. Hence, we present the results together with the analysis that support the following conclusions: (i) the approach is as effective, and often better than its studied competitors; (ii) the approach suffers from very little overfitting and hence generalizes well to unseen images; (iii) the trained image segmentation program can be run on a distributed computing environment, resulting in linear scalability characteristics. The overall message of this paper is that using a strong classifier with simple pixel‐centered features gives as good or better segmentation results than some sophisticated competitors and does so in a computationally scalable fashion.     

Multiresolution color image segmentation

Image segmentation is the process by which an original image is partitioned into some homogeneous regions. In this paper, a novel multiresolution color image segmentation (MCIS) algorithm which uses Markov random fields (MRF's) is proposed. The proposed approach is a relaxation process that converges to the MAP (maximum a posteriori) estimate of the segmentation. The quadtree structure is used to implement the multiresolution framework, and the simulated annealing technique is employed to control the splitting and merging of nodes so as to minimize an energy function and therefore, maximize the MAP estimate. The multiresolution scheme enables the use of different dissimilarity measures at different resolution levels. Consequently, the proposed algorithm is noise resistant. Since the global clustering information of the image is required in the proposed approach, the scale space filter (SSF) is employed as the first step. The multiresolution approach is used to refine the segmentation. Experimental results of both the synthesized and real images are very encouraging. In order to evaluate experimental results of both synthesized images and real images quantitatively, a new evaluation criterion is proposed and developed     

A genetic algorithm for MRF-based segmentation of multi-spectral textured images

A segmentation approach based on a Markov random field (MRF) model is an iterative algorithm; it needs many iteration steps to approximate a near optimal solution or gets a non-suitable solution with a few iteration steps. In this paper, we use a genetic algorithm (GA) to improve an unsupervised MRF-based segmentation approach for multi-spectral textured images. The proposed hybrid approach has the advantage that combines the fast convergence of the MRF-based iterative algorithm and the powerful global exploration of the GA. In experiments, synthesized color textured images and multi-spectral remote-sensing images were processed by the proposed approach to evaluate the segmentation performance. The experimental results reveal that the proposed approach really improves the MRF-based segmentation for the multi-spectral textured images.     

最大熵和最小交叉熵综合的交互式图像分割

在图像分割中,使用某一种分割方法并不是总有效。最大熵和最小交叉熵阈值化方法是目前常用的两种图像分割方法,但在某些分割应用场合失效。针对此问题,提出基于最大熵和最小交叉熵综合的交互式图像分割方法。首先,利用一种简单的算法将前两种方法有机结合产生一种既满足最大熵原则,又满足最小交叉熵原则的新分割方法,然后通过人机交互,在这三种阈值方法中选择最好的图像分割。仿真实验结果表明,提出的方法不仅分割效果好,算法的普适性增强,而且更实用。     

Images thresholding using ISODATA technique with gamma distribution

Image segmentation is a fundamental step in many applications of image processing. Many image segmentation techniques exist based on different methods such as classification-based methods, edge-based methods, region-based methods, and hybrid methods. The principal approach of segmentation is based on thresholding (classification) that is related to thresholds estimation problem. The ISODATA (Iterative Self-Organizing Data Analysis Technique) method is one of the classification-based methods in image segmentation. We assumed that the data in images is modeled by Gamma distribution. The objective of this paper is to explain a new method that combines Gamma distribution with the technique of ISODATA. The algorithm has two phases: splitting using Gamma distribution then merging which are done based on some predefined parameters. Experimental results showed good segmentation for artificial and real images.     

A generic knowledge-guided image segmentation and labeling system using fuzzy clustering algorithms

Segmentation of an image into regions and the labeling of the regions is a challenging problem. In this paper, an approach that is applicable to any set of multifeature images of the same location is derived. Our approach applies to, for example, medical images of a region of the body; repeated camera images of the same area; and satellite images of a region. The segmentation and labeling approach described here uses a set of training images and domain knowledge to produce an image segmentation system that can be used without change on images of the same region collected over time. How to obtain training images, integrate domain knowledge, and utilize learning to segment and label images of the same region taken under any condition for which a training image exists is detailed. It is shown that clustering in conjunction with image processing techniques utilizing an iterative approach can effectively identify objects of interest in images. The segmentation and labeling approach described here is applied to color camera images and two other image domains are used to illustrate the applicability of the approach.     

基于二维直方图和模糊熵准则的阈值化方法

图像分割是图像分析、识别和理解的基础。图像分割主要是指将图像分成各具特性的区域并提取出感兴趣目标的技术,其研究多年来一直受到人们的高度重视;阈值化法是图像分割的一种重要方法,在图像处理与识别中广为应用;针对图像分割中细节往往被忽略导致后续处理困难的问题,基于模糊关系和最大模糊熵原理提出了一种阈值化方法,对二维直方图进行模糊分割;为了获得图像分割中的细节,提出的方法根据最大熵原则自动确定模糊区域和门限,进而获得二维模糊熵和遗传算法最优解,最后获得图像细节;通过对不同灰度水平和颜色类型图像进行实验比较,实验结果表明提出的方法优于二维非模糊方法和一维模糊熵分割法,得到该方法在图像分割中获得细节的结论。     

一种基于规则的脑组织磁共振图像分割新方法

本文将小波算法、分水岭算法及基于区域的模糊C均值算法相结合，提出了一种基于规则的二次分割方法实现对脑组织磁共振图像的分割。首先，采用一种基于小波的滤波嚣去除图像中的噪声；然后采用分水岭算法实现对图像的初始分割。为克服分水岭算法的过度分割问题，本文提出了基于区域的模糊C均值（RFCM）聚类算法实现对过度分割区域的合并。尽管分水岭算法存在过度分割现象，仍有一些区域分割得并不完全，尤其是在脑脊液与灰质，或灰质与白质的过渡区域。为此，本文提出一种局部区域连续性与全局信息相结合的基于规则的多阈值分割方法，对分水岭算法初始分割不完全的区域再次分割。通过对大量模拟数据和真实数据分割的实验证明了此方法的准确性和可靠性。     

一种基于显微多光谱宫颈细胞图像自动分割方法

介绍了一种基于多光谱宫颈显微图像自动分割方法。细胞涂片每一个局部区域经过显微镜放大后再通过电调谐光器件分别取出不同光谱波段的图像，经过CCD送入计算机后得到该视场分析所需的多光谱图像。从所获得的多光谱图像中选择一定的波段图像对数变换相除、多阈值分割和形态学操作，最后获得宫颈细胞的胞浆和胞核覆盖层。本文首次将多光谱分析应用到宫颈显微图像分割中，具有分割准确、分割速度快、能够去除胞浆重叠和受外界干扰少的特点。