基于改进混合蛙跳算法的图像阈值分割算法

针对最大类间方差法在图像分割时存在造成噪声干扰和过分割的缺点,提出一种基于改进混合蛙跳算法的图像阈值分割算法。算法将苹果图像编码处理,选取图像的类间方差作为改进混合蛙跳算法的适应度值,通过改进的混合蛙跳算法寻找最大的分割阈值,利用该最优阈值使用经典最大类间方差法对花牛苹果图像进行分割。选取强光、较强光、较弱光和弱光条件下四幅花牛苹果图像进行分割实验,结果表明,采用基于改进混合蛙跳算法的图像阈值分割算法较最大类间方差法和基于混合蛙跳算法的图像阈值分割算法均具有较好的图像阈值寻优能力,可有效改善花牛苹果图像的分割效果。     

基于改进和声搜索算法的玉米叶片病害图像分割算法

针对最大类间方差法在图像分割时存在造成噪声干扰和过分割的缺点,提出一种基于改进和声搜索算法的玉米叶片病害图像分割算法。算法将玉米叶片病害图像编码处理,选取图像的类间方差作为改进和声搜索算法的适应度值,通过改进和声搜索算法寻找最优的分割阈值,利用该最优阈值使用经典最大类间方差法对玉米叶片病害图像进行分割。选取强光、中光、弱光条件下三幅玉米叶片病害图像进行分割实验,结果表明采用基于改进和声搜索算法的玉米叶片病害图像分割算法较最大类间方差法和基于混合蛙跳算法的图像阈值分割算法均具有较好的图像阈值寻优能力,可有效提高玉米叶片病害图像中病斑分割的效果。     

基于改进分水岭变换的遥感图像建筑物提取

遥感图像的分割是遥感信息提取与目标识别的基础和关键。以高分辨率城镇地区遥感图像为研究对象,提出一种基于全局阈值的多级分水岭算法,用于遥感图像的分割。该算法通过引入差异度函数,在执行传统分水岭算法的过程中对图像中存在的噪声区域进行修正,并通过使用全局阈值有效的控制欠分割问题。首先基于全局阈值的多级分水岭算法对高分辨率遥感图像进行初始分割,然后综合利用分割对象的颜色和形状特征信息,进行区域合并和梯度边缘提取,得到最终的建筑物提取结果。实验结果表明,所提出的基于全局阈值的多级分水岭算法较好地避免了过分割和欠分割现象,结合区域合并和梯度提取,能够快速准确地对城镇遥感图像中的建筑物进行提取。     

基于PSO改进的OTSU图像分割方法

阈值的选取对图像分割后的效果起着至关重要的作用,本文针对图像分割过程中阈值选取的问题,提出了一种基于PSO优化的改进OTSU图像分割算法.该算法以最大类间方差作为PSO算法适应度函数,以当前分割阈值组合作为粒子的当前位置,阈值更新速度作为粒子的当前速度.通过迭代计算更新粒子位置和速度,最后确定图像分割的最佳阈值.与传统OTSU图像分割算法及基本遗传算法图像分割算法相比,该算法稳定性更好,算法效率更高.     

图像的自动阈值分割研究

本文通过对图像进行二值化的处理分析,探讨如何选取最合适的阈值来分割图像,采取基于OTSU 算法的单 阈值分割法,根据类间方差最小的原理,能自动选取最佳阈值,使图像的目标部分和背景部分得到最好的分割。     

快速去除椒盐噪声的蛇形扫描滤波算法

为提高椒盐噪声图像的处理速度和去噪效果,提出一种蛇形扫描滤波算法。利用OTSU算法求出椒盐噪声的阈值,在噪声分布区间内找出相邻灰度之间像素个数差异的最大值,将极值点的灰度值与OTSU算法求出的阈值进行加权平均作为信号与噪声的分割点。实验结果表明,该算法能高效、快速、准确地去除椒盐噪声,并且与中值滤波算法相比,较好地保留了原图的细节,尤其对于高密度噪声污染的图像具有更好的去噪效果。     

基于改进狼群算法的三维OTSU阈值法

三维OTSU阈值法引入了邻域中值及均值信息,抗噪性明显提高,但仍存在分割效果不佳的现象,而且阈值维度的增加导致算法运算量庞大、运行时间过长。为提高算法的计算效率和寻优准确率,利用改进的狼群优化算法来搜寻最佳分割阈值。采用花授粉算法优化后计算的最佳阈值调节狼群算法的初始阈值,使狼群在算法初期具有较高的全局探索能力,提高求解速度。为避免算法后期种群聚集的现象,将高斯变异引入围攻行为,设置变异函数,将满足变异条件的个体狼进行变异,避免算法陷入局部最优,提高寻优精度。将改进的算法与传统三维OTSU算法以及CWPA算法优化的三维OTSU法进行图像分割对比,实验显示,改进的算法使分割时间显著降低,并提高了计算阈值的准确度。     

改进的OTSU射线图像分割算法

为提高对工业X射线图像的分割效果,提出一种改进的OTSU图像分割算法.分析了经典OTSU算法存在的不足,将类内方差也作为计算最佳阈值的一个因素考虑,从而提出了一种改进的OSTU阈值选择函数.在阈值分割过程中,采用局部递归法逐次进行分割.采用目标背景面积差和类内方差的比值作为递归结束的条件.通过与最大熵法、经典OT-SU法、局部递归OTSU法进行实验对比,证明本算法对于射线图像是一种优秀的阈值分割算法.     

二维Otsu自适应阈值分割算法的改进

在二维OTSU自适应阈值分割算法的基础上提出了一种改进的自适应阈值分割算法，这种改进算法由于充分考虑了图像二维直方图中象素灰度值及其领域平均灰度值比较接近的区域而获得了比传统算法具有更强抗噪声能力的分割算法，通过将该算法用于显微细胞图像的分割证明了它不仅分割效果得到改善，同时还大大降低了算法的复杂性。     

多方法融合的类圆形堆积物分割

针对类圆形堆积物图像的前景和背景在色彩或灰度上相近,难以用传统阈值分割等算法进行有效分割的问题,提出一种多方法融合的类圆形堆积物图像区域分割策略。对图像进行滤波等一系列预分割处理后进行投影得到目标图像的外接矩形区域,以排除噪声的干扰,在区域内采用改进的灰度共生矩阵方法进行粗分割,以解决窗口大小与分割精度的问题,采用二维OTSU阈值分割方法对粗分割结果进行量化。实验结果表明,该方法得到的区域分割结果边缘清晰、准确度高。     

基于互信息的遥感图像区域配准并行算法的研究与实现

图像配准是图像融合、变化检测、目标识别等遥感应用中的重要步骤。互信息由于具有无需预处理、自动化程度高以及鲁棒性强等特点,将其作为一种相似性测度进行图像配准成为近几年图像处理领域的研究热点。随着遥感图像数据量的不断加大,传统的单机处理模式已经无法满足一些应用的时效性要求。基于对串行算法计算瓶颈的实验分析,研究并提出了一种基于互信息的遥感图像区域配准并行算法,分别给出了数据划分策略和互信息计算并行处理方案,采用边界冗余划分和二叉树归约方法减少数据通信,并对算法进行了定量的复杂度分析。实验结果表明该算法可扩展性好,通用性强。     

基于数学形态学的免疫细胞图象分割

为了实现对免疫细胞图象的分析，首先要对该种图象进行正确分割，针对这一要求，提出了一种有效的免疫细胞图象分割方法，该方法是根据数学形态学的知识，利用直方图势池数来提取标记点，并将这些标记点作为种子点来对梯度图进行Watershed变换，进而实现了细胞图象的分割。该方法是一种谱信息与空间信息相结合的分割方法，根据实验结果和分析可见，该方法不仅解决了细胞在参数测量前的精确分割问题，同时，为水域分割的关键步骤－种子点的选取找到了一种有效而可靠的方法，实践表明，分割的结果与 目视感受相一致，且其分割速度及可重复性都达到了医学临床的要求。     

融合边界信息的高分辨率遥感影像分割优化算法

目的 针对目前区域分割算法获取的区域边界与真实地物边界不一致问题,利用高分辨率遥感影像地物内具有均质性和地物间边缘信息突出的特点,提出一种融合边界信息的高分辨率遥感影像分割优化算法。方法 首先采用Canny算法对遥感影像进行边缘提取并进行边缘连接处理,产生闭合边界;然后将边界与初始分割结果进行融合处理,获得新的分割结果;最后在闭合边界约束下,基于灰度相似性准则对新的分割结果进行区域合并,获得优化后的最终分割结果。结果 采用本文提出的分割优化算法对Mean Shift算法和eCognition软件获得的分割结果进行优化处理,优化后的分割结果与初始分割结果相比正确分割率（RR）平均提高了4%,验证了本文算法的有效性。结论 该优化算法适用性广,可优化基于区域、基于边界和基于聚类等多种分割方法,同时该算法既能保持高分辨率遥感影像分割的区域完整性,又能保持地物边缘细节特征,提高了分割精度。     

基于均值漂移与空间信息的导向模糊C均值遥感图像分割算法

作为图像数据结构分割的重要工具,模糊C均值已被广泛应用于计算机视觉领域。然而模糊C均值在图像分割过程中不能有效地保留边缘和抑制噪声,往往得不到理想的分割结果。为解决这一问题,本文利用导向滤波器推导出一种新的改进模糊C均值算法。该算法的第一个创新点是其线性平移不变滤波过程,利用边缘保持平滑特性来保留分割中的边缘结构。第二个创新点是该技术通过将空间信息引入目标函数来改善对噪声的鲁棒性,空间信息通过导向滤波的平均输出获得。为了解决聚类算法中初始聚类中心问题,在图像分割过程中使用均值漂移算法选取初始聚类中心。本文方法的主要优点在于其对边缘保留和噪声具有鲁棒性,进而提高分割精度。基于合成图像和真实遥感图像的实验结果表明,与其他主流分割算法相比,该方法在分割性能方面表现出了良好的性能。     

Multispectral textured image segmentation using a multi-resolution fuzzy Markov random field model on variable scales in the wavelet domain

This article proposes a new multispectral image texture segmentation algorithm using a multi-resolution fuzzy Markov random field model for a variable scale in the wavelet domain. The algorithm considers multi-scalar information in both vertical and lateral directions. The feature field of the scalable wavelet coefficients is modelled, combining with the fuzzy label field describing the spatially constrained correlations between neighbourhood features to achieve a more accurate parameter estimation. The extended scalable label field models the label data from different scales to obtain more homogeneous areas; image segmentation results are finally obtained according to the Bayesian rule from a coarser to a finer scale. Multispectral texture images and remote-sensing images are used to test the effectiveness of the the proposed method. Segmentation results show that the new method simultaneously presents a better performance in achieving the homogeneity of the region and accuracy of detected boundaries compared with existing image segmentation algorithms.     

Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion

This article presents a novel object-based change detection (OBCD) approach in high-resolution remote-sensing images by means of combining segmentation optimization and multi-features fusion. In the segmentation optimization, objects with optimized boundaries and proper sizes are generated by object intersection and merging (OIM) processes, which ensures the accurate information extraction from image objects. Within multi-features fusion and change analysis, the Dempster and Shafer (D-S) evidence theory and the Expectation-Maximization (EM) algorithm are implemented, which effectively utilize multidimensional features besides avoiding the selection of an appropriate change threshold. The main advantages of our proposed method lie in the improvement of object boundary and the fuzzy fusion of multi-features information. The proposed approach is evaluated using two different high-resolution remote-sensing data sets, and the qualitative and quantitative analyses of the results demonstrate the effectiveness of the proposed approach.     

基于模糊C均值聚类的比色传感器阵列图像分割算法

结合当前比色传感器阵列多样性、不稳定等特点,并针对当前现有的阵列图像分割算法中或者效率低,或者易受光照环境影响等现状,本文在模糊C均值聚类算法基础上,提出了一种图像分割算法.该算法首先通过HSI颜色空间下I分量在行、列投影实现图像网格划分,并结合局部阵列点图像的平滑直方图信息解决了FCM算法聚类条件初始化的难题.其次,为了提高阵列点图像分割结果的准确度,该算法通过目标函数引入了不同权重系数的H分量和I分量,实现了色彩信息的引入.通过图像分割效果测试,本文所提出的图像分割算法在所有阵列点图像分割中展示了96.54%的总体最优分割精度,可以有效、准确地实现比色传感器阵列图像的目标提取.     

Integrating multiple cues into adaptive hierarchical segmentation for high-resolution remote-sensing images

Image segmentation has been, and still is, a hot research topic in computer vision and pattern recognition. However, few existing segmentation algorithms are suitable for all objects presented in high-resolution remote-sensing (HRRS) images, because the relevant methods often implement segmentation in the same mode for the whole image rather than considering the different characteristics of various objects. Therefore, this article proposes an adaptive hierarchical segmentation framework for HRRS images by integrating multiple cues (e.g. intensity, texture and boundary). This two-stage framework first analyses the class of region presented in the study image, then according to this analysis, partitions each region class by adaptively utilizing the proper segmentation method with the most representative features. The distinctive characteristics of this framework are that the first stage simplifies the problem before using the segmentation method, and the second stage guarantees that the segmentation is carried out with the representative cues and corresponding suitable method for these cues. The performance of the proposed segmentation framework is demonstrated through a complete set of experimental results and substantiated using quantitative criteria.     

改进的FCM与局部信息相结合的图像分割

传统的EM算法和FCM算法分割精度低,时间消耗大。为解决以上不足,提出了一种基于EM、FCM和KCN三种算法相结合的全新的图像分割算法。该算法有较好的分割精度。考虑到图像会受到噪声的干扰,在改进算法的基础上又引入图像的局部信息。首先利用图像的局部信息重塑图像的灰度直方图,增强了像素的类间散布性和类内紧凑性,然后让改进的算法在重塑图像上执行。实验结果表明,该算法具有很好的分割效果和较强的抗噪性能。     

Multi-feature sea–land segmentation based on pixel-wise learning for optical remote-sensing imagery

Robust sea–land segmentation in optical remote-sensing images is challenging because of the complex sea–land environment and scene diversity. Here, we propose a novel multi-feature sea–land segmentation method via pixel-wise learning for optical remote-sensing images. Multiple features such as greyscale, local statistical information, edge, texture, and structure are first extracted from each pixel in training images and then used to learn a multi-feature sea–land classifier, which transforms the segmentation issue into pixel-wise binary classification problem. In our approach, a new multi-feature sea–land segmentation algorithm is put forward based on the approximation of Newton method. Experiments on Google-Earth, Venezuelan Remote Sensing Satellite-1 (VRSS-1) and Gaofen-1 images demonstrate that the proposed approach yields more robust and accurate sea–land segmentation results.