一种适用于PCB检测的彩色图像分割算法

针对光学检测印刷电路板(PCB)需要进行图像分割的问题,提出一种结合K-均值聚类算法的分水岭算法,用于PCB彩色图像分割。即首先将PCB彩色图像聚类,分成不同的颜色区域,按照不同区域进行分水岭分割,最后,将分割线透明地加在原始图像上,完成分割。实验表明,该算法可以分割PCB彩色图像,并且分割效果好。     

基于改进的分水岭算法图像分割方法研究

研究图像分割中保真问题,针对目前分水岭算法易产生过分割现象,导致图像分割边缘不明显现象,使得分割以后图像失真较大.为了解决上述问题,提出了一种基于空间模式聚类算法和分水岭算法相结合的图像分割方法.首先对图像采用分水岭算法进行图像分割,然后对产生过分割现象的图像区域采用基于空间模式聚类方案进行合并.仿真结果表明,与传统的分水岭图像分割方法相比,分割出的图像边缘效果明显清晰,有效保证原图效果.     

基于分水岭的多目标核聚类图像分割

传统的聚类图像分割方法一般仅仅利用图像中的灰度信息。为了更好地利用图像中的区域和边缘信息,提出一种基于分水岭过分割的多目标模糊核聚类图像分割算法。该算法采用分水岭算法获得图像的过分割区域,采用多目标模糊核聚类算法对区域代表点和分水岭上的像素进行聚类。根据聚类结果将图像中的像素进行标记,得到最终的分割图像。实验结果表明,由于利用了图像区域信息,使得目标能够比较完整地从背景中分离出来。     

基于形态学梯度的分水岭彩色图像分割

图像分割是从图像处理到图像分析的关键步骤之一。在改进了基于地形学距离的分水岭算法的基础上,提出了一种结合图像信息熵、形态学梯度与区域合并的图像分割方法。该算法首先利用信息熵在RGB颜色空间中对彩色图像求其形态学梯度,然后对彩色梯度图进行分水岭分割,最后对分水岭产生的过分割现象进行区域合并。通过Matlab对图像进行实验,结果证明该算法不仅能够减少分水岭算法的过分割现象,而且还提高了图像分割的精确性,同时在图像分割时具有很好的鲁棒性和适应性。     

基于快速mean-shift聚类与标记分水岭的图像分割方法

针对传统分水岭变换算法在图像分割过程中容易产生过分割问题,提出基于快速mean-shift聚类和标记分水岭变换的图像分割算法。首先利用快速mean-shift聚类算法对原始图像进行预处理,确定分割区域和聚类数目;利用sobel算子进行梯度处理;对处理后的图像做形态学运算,并给每个集水盆分配不同的标记,按升序访问每个像素点,依次浸没到集水盆中,完成图像分割。实验结果表明,该方法可以有效分割医学影像,并解决了分水岭变换引起的过分割问题。     

结合位图切割和区域合并的彩色图像分割

就经典分水岭图像分割算法中存在的过分割问题，提出一种结合位图切割和区域合并的彩色图像分割算法。对原始彩色图像通过空域梯度算子求其梯度图像，并利用位图切割重建梯度图像；对新梯度图像进行分水岭预分割；对预分割图像基于异质性最小原则进行区域合并，并获得最终分割结果。相比于现有的同类方法，该算法引入位图切割，抑制噪声对分割结果的影响，在边缘模糊处分割准确，得到符合人类视觉的较小分割区域数目，同时在运行效率上提高。     

分水岭分割的方向迭代后处理算法

为了提取彩色图像中线目标,该文提出了一种新的彩色图像分割算法,首先对图像进行分水岭分割得到初始过分割图像,并通过模糊聚类方法得到区域分类概率,然后根据图像的边缘信息和空间特性,得到区域的线方向邻接区域,最后通过迭代的方法,利用线方向邻接区域信息更新区域的分类概率。实验结果显示了很好的提取效果。     

基于分水岭和区域合并的图像分割算法*

提出一种应用分水岭与区域合并相结合的图像分割算法.本方法首先利用数学形态学分水岭算法对图像进行分割,然后对分割后的图像进行相似区域合并,以减少分水岭方法产生的过分割现象,从而得到较好的分割效果.     

结合分水岭与自动种子区域生长的彩色图像分割算法

为了对彩色图像进行有效分割,提出了一种将分水岭算法与自动种子区域生长相结合的分割算法。该算法首先利用基于边缘信赖度的各向异性扩散方程对图像进行平滑预处理,以便在去除图像噪声的同时,保持图像的边缘信息,从而有效解决了分水岭算法的过分割现象;然后在此基础上,设计了一种基于色调均值差的自动种子区域选取算法,即根据色调均值和饱和度均值的相似性来对分水岭算法分割形成的区域进行种子区域生长,并利用小图像区域消解算法对区域生长所遗留的小区域进行消解,减少了图像中小区域的数目,从而实现了对彩色图像的有效分割。实验结果表明,该算法简单、快速,且能得到较其他算法更好的分割效果。     

基于PCA的彩色印刷图像色彩分割算法

针对彩色图像的印刷过程中,原图像的色彩分割问题,提出了基于PCA(主成分分析)并结合其它典型彩色图像分割方法的新分割算法;该算法首先利用PCA算法把图像分解为主特征分量和残特征分量两分量图;然后采用二次分水岭算法对残特征分量图进行分割;利用K-Means算法对主特征分量图进行聚类初分割,接着对聚类初分割后的图像进行相似色彩区域融合;最后把分割后的两分量图的进行融合,得到最终的分割结果图;该算法可以应用于彩色印刷图像的色彩自动分割和彩色印刷过程的自动色彩控制中。     

基于形态学及区域合并的分水岭图像分割算法

针对传统分水岭算法在图像分割过程中的过分割问题,提出了基于形态学标记及MSRM的分水岭改进算法。利用形态学混合开闭运算实现图像重建,采用Laplace锐化强化图像边界,其次标记目标物和背景,修正幅值图像,经分水岭变换实现图像的粗分割,然后利用MSRM区域合并法实现目标物和背景的有效分割。对比聚类分割和基于H-minima标记的分水岭算法和Otsu类间最大间距算法,改进后的算法在分割效果、算法运行时间和分割精确度和召回率上具有明显优势,与上述其他算法在平均分割时间上提升3.86 ms,2.88 ms,5.64 ms。分割交并比IOU平均值96.42%,比其他算法平均值高出12.65%,2.77%和3.07%。     

基于标记分水岭的植物重叠叶片改进分割算法

针对番茄穴盘幼苗的重叠叶片,提出一种基于HOG描述子的改进标记分水岭分割算法。首先,利用超绿变换和最大类间方差法分割叶片区域和背景区域,确定叶片分割的总体轮廓;然后利用形态学彩色图像梯度计算方法计算图像梯度;再借助图像梯度的HOG描述子,筛选出有叶片边缘的区域和没有叶片边缘的区域,将没有叶片边缘的区域进行形态学操作后作为分水岭分割的标记;最后利用标记对图像梯度进行重建,执行分水岭分割,得到重叠叶片的分割结果。实验结果表明,该算法可以较为准确地选定分水岭标记和实现叶片分割,能够为穴盘幼苗分级研究提供支持。     

基于距离变换的改进分水岭算法在白细胞图像分割中的应用

在白细胞图像中,由于白细胞细胞核的存在,直接应用分水岭算法时,往往达不到较好的效果。本文提出一种结合EM聚类的改进分水岭算法。通过将EM聚类获得的图像中细胞核区域替换,然后使用基于距离变换的分水岭分割,确定白细胞区域。对距离变换后的图像采用形态学处理减少了细胞分割中的过分割现象。同时使用细胞核位置的先验条件,合并分水岭分割区域,进一步减小过分割的影响。本文方法提供一种新的将分水岭算法应用于白细胞分割的思路。同时实验证明,方法在分割精度上有着良好的表现。     

一种基于数学形态学及融合技术的彩色图像分割方法

提出了一种新的彩色图像分割方法,该方法首先利用数学形态学在3个2维彩色子空间进行图像分割,然后将这些分割结果融合在一起得到最终图像的分割。对于RGB彩色图像,3个子空间分别取为RG、RB和GB。而2维直方图则可看作3维直方图在这3个子空间的投影,对这3个2维直方图分别实施形态学中的watershed分割算法,最后通过区域分裂与合并的方法融合这3个2维空间的图像分割结果,获得最终的图像分割。在计算彩色距离时,使用了CIE（L’a’b’）彩色空间。该方法比直接在3维空间的分割方法既快又节约内存,而且分割效果好。     

一种新的局部分水岭模型在图像分割中的应用

为了提高图像分割算法对图像显著区域的抓取能力及效率,将超像素思想与分水岭算法相结合,并且在模糊C均值聚类算法（Fuzzy C-means,FCM）的基础上进行改进,提出了一种基于网格化局部分水岭的模糊聚类算法。该方法先根据区域方差将图像进行不均匀网格化,再对每个网格使用局部最优阈值的分水岭算法,减少了全局分水岭带来的局部信息遗失,获得各个网格内的显著性聚水盆,再实施区域融合,将每个标记区域的灰度均值化,最后使用考虑区域面积的FCM进行聚类,得到最终的分割图像。实验结果表明,该算法对噪声的鲁棒性强,能够有效剔除干扰区域,分割出图像中的显著区域,同时也具有较低的时间复杂度。     

一种融合聚类与区域生长的彩色图像分割方法

论文提出了一种将聚类和区域生长有机融合的彩色图像分割方法。为了捕获图像的纹理特征,首先将图像划分成16×16子块,然后在块中按照视觉一致性准则进行颜色聚类,对于聚类后的子块,提取其颜色与纹理特征,然后采用符合人类视觉特征的生长规则,进行基于子块的区域生长。该方法充分利用了聚类算法和区域生长算法的各自优点,并符合人类视觉特征的分割策略。利用提出的算法对多幅自然图像进行了分割实验,实验结果证明了算法的有效性。     

显著特征融合的主颜色聚类分割算法*

针对颜色密度聚类分割模型容易产生误分割的问题,提出基于视觉显著性调节的主颜色聚类分割算法.首先,根据空间颜色信息和Mean-shift算法平滑结果分别计算图像的全局显著特征和区域显著特征,并融合2类显著特征作为特征空间聚类的约束项.然后,采用核密度估计方法计算图像主颜色作为初始类,并将显著特征作为调节因子进行聚类分割.最后,进行区域合并.在标准的分割图像库上进行实验并与多种算法对比,结果表明,文中算法具有更高的区域轮廓准确度,并且有效利用图像显著特征,降低密度聚类形成的区域不一致性,提高像素聚类的精度和分割的鲁棒性.     

结合近邻传播聚类的自适应图像分割

提出一种统一的图像自动分割模型。为了将图像分为颜色、纹理相近的不同的区域,提出了一个处理方法,具体分为两个步骤:首先,用改进的简单线性迭代聚类算法对输入图像进行预处理,即过分割;然后,用其低阶颜色矩表示这些区域的特征,并进一步利用近邻传播聚类算法将这些区域进行合并。在公开的数据集上进行了详细的实验,结果证明了所提算法的有效性和健壮性。     

Segmentation of color lip images by spatial fuzzy clustering

In this paper, we describe the application of a novel spatial fuzzy clustering algorithm to the lip segmentation problem. The proposed spatial fuzzy clustering algorithm is able to take into account both the distributions of data in feature space and the spatial interactions between neighboring pixels during clustering. By appropriate pre- and postprocessing utilizing the color and shape properties of the lip region, successful segmentation of most lip images is possible. Comparative study with some existing lip segmentation algorithms such as the hue filtering algorithm and the fuzzy entropy histogram thresholding algorithm has demonstrated the superior performance of our method.