具有聚类功能的边界检测技术的研究

为快速有效地检测聚类的边界点,提出了一种新的基于三角剖分的聚类边界检测算法DTBOUND。该算法通过计算三角剖分图中每个数据点的变异系数将数据集分解成内部点和外部点两部分,然后从每一个未分类的内部点开始进行深度优先遍历,将相连的内部点以及和内部点相连的外部点作为一个聚类;最后从得到的聚类中提取边界点。该算法只有一个参数（变异系数阈值β）,实验结果表明该算法可以快速、有效地识别任意形状、不同大小和不同密度的聚类和聚类的边界点。     

带宽自适应MeanShift图像分割算法

MeanShift是目前为止特征空间分析的最好方法之一,但其分割结果受带宽参数的影响。图像粗糙度是与视觉感受相关的图像纹理特征,对图像纹理的描述能力很强。图像像素的平均偏移量也体现了图像像素的总体离散情况。通过对高斯核函数的创建以及图像粗糙度的描述,创新性地给出了MeanShift的窗口尺寸选择方法以及图像像素平均偏移的计算,仿真结果表明,该算法对不同类型的图像,均能得到令人满意的效果。     

一种基于扩展区域查询的密度聚类算法

针对DBSCAN算法中最小点数和最大邻域半径难以确定,算法时间开销大,对起始数据点的选择比较敏感,以及难以发现不同密度下的邻近簇等问题,本文提出一种基于扩展区域查询的密度聚类算法(GISN-DBSCAN)。该方法首先提出扩展区域查询算法,随后采用最近邻域和反最近邻域的邻域关系,建立每个点的k-影响空间域,最后提出一种异常点判定函数,使得算法能够准确的识别边界点和噪声点。实验结果表明：GISN-DBSCAN算法能够有效的解决DBSCAN算法的不足。     

基于区域生长和蚁群聚类的图像分割*

提出了一种基于区域生长和蚁群聚类的图像分割方法——BRGAC。该方法首先用区域生长法对图像作初始分割,然后利用蚁群算法搜索最优解的能力,在区域之间进行聚类合并,获得最终的分割结果。BRGAC算法不但克服了区域生长得不到有意义区域的不足,而且还大大提高了蚁群聚类算法的搜索时间,并利用初始分割后的空间信息和灰度信息定义了一种新的引导函数,可更准确有效引导蚁群聚类。实验结果表明,该方法可以准确地分割出目标,是一种有效的图像分割方法。     

核空间中智模糊聚类及图像分割应用

目的 为了更有效地提高中智模糊C-均值聚类对非凸不规则数据的聚类性能和噪声污染图像的分割效果,提出了核空间中智模糊均值聚类算法。方法 引入核函数概念。利用满足Mercer条件的非线性问题,用非线性变换把低维空间线性不可分的输入模式空间映射到一个先行可分的高维特征空间进行中智模糊聚类分割。结果 通过对大量图像添加不同的加性和乘性噪声进行分割测试获得的核空间中智模糊聚类算法提高了现有算法的对含噪声聚类的鲁棒性和分类性能。峰值信噪比至少提高0.8 dB。结论 本文算法具有显著的分割效果和良好的鲁棒性,并适应于医学,遥感图像处理需要。     

基于区域生长的道路图像分割技术研究

对一幅给定的道路图像，首先计算其梯度图像，然后利用HOUGH变换确定粗略道路区，根据灰度直方图全局峰值个数选取区域核心点，采用近邻函数准则聚类算法选取区域生长阈值，结合单一型链接区域生长和质心型链接区域生长作为生长准则进行区域生长，得出道路区的区域描述。     

密度聚类法在图像分割中的应用

提出了使用密度聚类法解决图像分割的新思路。首先把数字图像按照点的分布情况建立图像样本数据库,然后利用基于密度聚类法的DBSCAN算法进行图像分割。该算法能找到图像样本比较密集的部分,概括出图像样本相对比较集中的类,并可在带有“噪声”的图像中进行聚类,完成图像分割。文章还针对DBSCAN算法的缺点,提出了DBSCAN算法的改进思路。     

结合边缘局部信息的FCM抗噪图像分割算法

针对传统FCM图像分割算法没有充分利用像素点的邻域关系与局部信息,导致算法对噪声敏感,不能准确地分割出弱边缘区域的问题,提出一种结合图像全局信息与边缘局部信息的分割算法.首先引入局部窗口变异系数和邻域灰度相似性2个概念重新设计模糊因子,使其能够更精确地衡量邻域点对中心点的影响程度,降低噪声对分割的影响;然后在分割结果的边缘上选取局部窗口,将边缘局部信息融入分割过程;最后在选取窗口中再分割,等同于在边缘处增加多个更符合局部信息的聚类中心来纠正被错误分类的像素点.实验结果表明,该算法能够有效地消除噪声对分割的影响,同时保留更多图像细节信息.     

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。     

基于加权模糊c均值聚类的快速图像自动分割算法

图像分割是指将一幅图像分解为若干互不交迭的区域的集合，是图像处理和计算机视觉的基本问题之一。为了提高图像分割的效率，提出了一种基于2维直方图加权的塔形模糊c均值（FCM）聚类图像快速分割算法。该方法先通过构造合理的2维直方图对噪声进行抑制；然后通过塔形分解来缩减聚类样本集；最后利用加权FCM聚类算法进行分类。仿真结果表明，该方法的效率明显优于标准的FCM算法。此外，为确定分割的最优类别数c，还引入了一种基于该快速算法的聚类有效性评价函数——修正划分模糊度，实现了最佳图像分割类别数c的自动确定。基于人造图像和实际图像的测试实验结果表明该方法是有效的。     

车辆碰撞事故再现技术的发展

事故再现技术是鉴定事故责任和分析事故原因的方法之一。通过对国内外车辆碰撞事故再现技术的回顾,总结了车辆碰撞交通事故再现技术的一般仿真算法计算流程,探讨了事故再现技术中影响仿真速度和精度的主要原因,其中估计车辆的初始碰撞位置参数进行迭代计算将导致较长的计算时间,忽略车辆的塑性变形和驾驶员的操纵行为将导致模型的不精确。展望了事故再现技术的发展趋势,未来的交通事故再现技术将能够推断驾驶员的操纵行为,模拟出驾驶员的生理心理变化,并能进行事故预防分析。     

一种基于纹理的车辆图像分割与提取算法

提出一种基于纹理特征的车辆分割与提取算法,该算法充分利用了车辆纹理、亮度、色度的重要信息,通过循环迭代法选取最优的阀值,通过汁算纹理掩码、亮度掩码、色度掩码,经过形态学操作和边缘提取,最终实现车辆分割.实验结果表明,本文的算法在多种复杂情况下具有较好的效果.     

基于视频检测的车辆分割技术研究

车辆分割是车型识别中的关键技术。本文利用视频检测中差分图像的投影图方法粗略定位出车辆，然后通过一种能量法二值化图像，可以准确分割出车辆。实验结果表明，按照本文提出方进行车辆分割，实际车辆分割率达到了99％。     

面向轻量化的地基云图分割技术研究

云是气象领域比较重要的要素之一,准确快速获取云量,在天气预报、飞行安全、气候研究等方面均具有积极意义,因此为了快速准确地获得云量,就需要精准地分割云图。但是现有云图分割网络存在分割效果差、运算复杂度高、参数量大等问题,为了解决这些问题,提出一种轻量化的地基云图分割网络模型LGCSegNet。该模型利用Encoder-Decoder网络模型框架进行设计,利用通道拼接思想在通道深度上实现不同层次图像特征融合,避免损失特征边界,实现精确地分割地基云图,可获取准确的云量信息。在地基云图数据集HBMCD和HBMCD_GT上进行实验,经多组对比实验证明所提出的网络对云的表征能力更强,分割准确率比较高,可达到96.83%,分割的平均交并比可以达到86.00%,为实际应用提供了一定的理论基础。     

管道检测中的图像分割技术研究

针时管道内光照不均等情况造成的图像效果不好,影响后续的测量环节.采用极值的自适应阈值分割,与常用的几种图像分割方法比较,实验证明此算法能够有效减小成像视场亮度不均匀的影响,因此分割效果得到了一定的改善.     

基于边缘检测的车牌图像分割技术

详述了用黑白图像处理方法对彩色车牌进行分割处理的过程,介绍了边缘检测理论以及迭代求分割阈值算法,并用于车牌的识别检测中,有效地分割目标和背景,实现了车牌的准确定化．     

复杂背景彩色图像中的人脸分割技术

主要介绍了如何在含有复杂背景的彩色图像中进行人脸分割的技术。首先根据人的肤色在色度空间的聚类特性,寻找合适的色彩空间建立肤色模型。计算图像中所有像素的颜色与肤色的相似度值,并将其转换成0到255之间的灰度值,以得到图像的相似度灰度图,接着通过大津阈值分割进一步得到二值图,将人脸肤色区域与背景分离,从而定位了人脸区域。最后,利用人脸的结构特征,进一步缩小人脸区域范围,最终找到包含人脸主要特征部位(眼睛、鼻子、嘴巴)的人脸区域。     

汽车图象分割与车牌定位算法的研究

对智能车牌识别系统中经典的图象分割和定位算法分析以后,找出其存在的不足,在此基础上提出了纯背景位图相减和间隔采样投影汽车图象分割的改进方案,并设计了一种新的定位车牌的算法,从而提高图象处理的速度及定位的准确度,降级噪声信息对分割图象的干扰,提高了图象分割及定位的效果.     

基于改进分水岭算法的图像分割技术

针对交通中的车辆图像提出了一种基于标记提取的改进分水岭算法.首先应用形态学的开闭运算重建滤波,然后对修改了标记符的梯度图像进行分水岭分割,最后将目标区域提取出来并进行合并.实验结果表明,这种方法可以达到较好的分割效果.