一种彩色纹理图像的分割方法

纹理分析一直是图像理解和计算机视觉等领域研究的重点和难点,现有的纹理分割方法大多集中于研究灰度纹理图像,文中提出一种基于分形理论的BP神经网络原彩色纹理图像分割方法,该方法将彩色图像由RGB色彩空间转换为HSI色彩空间,根据亮度计算分数维、多重分形广义维数谱q-D（q)和“空隙”等纹理特征,同时加入归一化的色度和饱和度作为另外两个分类特征,采用经过有监督训练的BP神经网络作为分类器,通过对纹理图像的分割实验,结果证实该方法行之有效。     

基于分形维数的纹理图像分割

纹理图发割过程一般分为特征抽取和特征划分,文中提出一种新的基于分形维数的纹理图像分割方法,在特征抽取上,以分形作为纹理特征,运用图像变换的思想,结合差分盒计数和基于分形布朗自相似模型的分形估计方法。     

基于分形维数的图像分割研究

本文在分形图象模型研究基础上，采用离散分形布朗增量随机场。通过撮特性参数－Ｈ值，方差，平均灰度值，然后结合传统的聚类分割技术，实现图象分割。在对自然背景中的人造物体图象和金相图的实验结果表明，分割效果良好，且抗噪性能较强。     

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。     

基于分形理论和Kohonen神经网络的纹理图像分割方法

分形理论作为描述自然现象的一种模型,受到人们越来越多的重视。该文提出采用分形维数和多重分形广义维数谱q－D（q）作为纹理特征,采用自组织神经网络Kohonen网络作为分类器的图象分割方法。通过对纹理图象的分割实验,结果令人满意,证实该方法的有效性。     

基于分形和分水岭的图像分割方法

图像分割是一种重要的图像处理技术,也是计算机视觉领域低层次视觉中的主要问题,同时它又是一个经典难题.提出了结合分水岭分割与图像分形维数的一种新方法用于对自然背景下人造目标的提取.实验结果证明,该方法能有效抑制自然背景,并提取出人造目标的轮廓.     

基于分形特征纹理图像分割方法

基于地毯法估计分形维数,提出了图像局部分形维数的最优估计方法。然后利用边缘信息和区域增长的方法,对自然场景的分形维数图像进行分割。仿真实验表明该方法分割效果很好,优于基于Hurst变换分割方法。     

综合纹理和颜色的图像分割方法

本文基于Gabor小波变换，综合图像的纹理和颜色信息，提出了一种简单的图像分割方法。实验结果表明，这种方法能够很好的处理纹理图像和弱纹理图像，对于简单的自然图像也有良好的分割效果。     

一种融合纹理信息与图论的图像分割方法

针对未成熟苹果图像果实同背景色彩差距较小导致难以分割效果的问题,提出一种融合纹理信息与图论的图像分割方法。该方法先将图像划分为图像块并计算每个图像块的纹理信息,以图像块为节点利用纹理信息构造权函数得到无向带权图,用基于区域合并的图论图像方法进行分割并二次吸收合并。实验结果表明,在对象和背景色彩接近时,该方法比传统分割法效果好,且改善了分割过细的情况。     

结合纹理信息的图像分割方法及其应用

文章提出了一种结合纹理信息的图像分割方法,设计并实现了一种基于子区域的区域增长算法,该方法较有效地利用了欲分割对象区域的灰度以及纹理信息．该方法应用于医学图像的分割问题,得到了较好的效果．实验表明,该方法针对一类图像能够获得较好的结果.     

基于神经网络的纹理和灰度信息融合方法

文章从信息融合的角度出发,利用神经网络的方法将纹理和灰度信息有机地融合起来,设计并实现了一种基于子区域的区域增长分割算法.并将该方法应用到医学图像的分割问题中,取得了较好的效果.实验表明,该方法针对一类图像能够得到较好的结果.     

基于遗传神经网络的图像分割

提出一种基于遗传神经网络的图像分割方法.该方法利用遗传算法对BP神经网络的权值和阈值进行优化,设计出误差最小的神经网络,然后用神经网络算法迭代实现图像的分割.通过实验证明:该方法与传统的图像分割方法相比,具有更好的图像分割效果;与BP神经网络相比,训练速度得到很大的提高.     

基于神经网络的纹理图象生成

提出了一种利用多层前馈神经网络生成纹理图象的新方法 .利用该方法可方便地生成图案丰富的纹理图象集 ,并且该纹理图象集中的任何一幅图象均唯一地对应一组神经网络的权值和阈值 ,因此不仅便于图象保存 ,还大大地节省了图象存储空间 .     

基于Gabor多通道滤波和Hopfield神经网络的纹理图象分割

文章针对纹理图象的特点,提出了一种基于Gabor多通道滤波和Hopfield神经网络的纹理图象的分割算法。首先构造一组Gabor滤波器（2－D）提取纹理图象多分辨率和多方向性的空域和频域特征。为了使纹理特征更加明显,在此基础上对滤波图象进行非线性变换,最后利用Hopfield神经网络通过松弛迭代算法实现纹理图象的快速分割,取得了良好的分割效果。     

图象分割的一种神经网络实现方法

本文提出一种通过竞争 Hopfield神经网络 (CHNN)对二维灰度向量聚类和进行图象分割的方法。该方法兼顾了图象的邻域相关信息及图象的边缘特性 ,因而分割准确、抗噪能力强。由于引入竞争学习机制 ,该方法收敛速度较快     

基于遗传神经网络的大豆叶片病斑图像分割技术研究

针对作物叶部病斑区域图像边界模糊和不确定性等因素,以大豆病叶为对象,提出采用遗传神经网络对叶片病斑进行分割的方法,引入遗传算法优化神经网络的权值和阈值,提高了网络训练速度,避免了传统BP算法的局部最小值.通过对大豆灰斑病病斑图像分割的实验表明,该方法速度快且稳定性好,精度高且鲁棒性好.     

基于显著性与脉冲耦合神经网络的图像分割

针对复杂图像易受背景干扰的问题,提出一种基于显著性与脉冲耦合神经网络(Saliency and Pulse Coupled Neural Network,SPCNN)的图像分割方法。首先,利用显著性检测算法和最大类间方差法获得显著性图以及目标图像,排除了背景对初始种子点选取的干扰;然后,计算出显著性图的质心,并将其作为初始种子点;最后,采用改进的基于区域生长的脉冲耦合神经网络对目标图像进行分割。在Berkeley图像库和Ground truth Database图像库上对SPCNN模型进行了验证。实验结果表明,在一致性系数CC、相似性系数SC、综合指标IC 3个方面,SPCNN模型均优于所对比的PCNN模型、区域生长模型和RG-PCNN模型。     

基于脉冲耦合神经网络的图像分割

针对传统脉冲耦合神经网络(PCNN)模型在图像分割时需要设置较多参数和不能准确分割低对比度图像的问题,提出一种简化的PCNN模型和改进算法。在简化模型中减少了在传统PCNN模型中需要设置的参数的数量;在改进算法中根据图像像素空间和灰度特征自适应设置模型参数,并根据图像灰度直方图求出灰度期望均值作为图像分割阈值,因此该算法无需选择 循环迭代次数,只需一次点火过程就能实现图像的有效分割。实验结果表明,该方法能准确分割图像,纹理细节清晰,分割结果优于人工调整参数的PCNN方法和Otsu方法。     

医学图像自动分割的神经网络算法

提出了一种基于Ｋｏｈｏｎｅｎ聚类神经网络的图像分割算法。首先论述了Ｋｏｈｏｎｅｎ聚类神经网络的基本原理，在此基础上对其进行了改进，将其用于医学图像分割中。针对聚类中心初始值选取的盲目性，提出了初始值优选法，大幅度提高了分割算法的速度。实验表明，本文提出的算法能快速、准确地完成医学图像的自动分割。     

基于遗传量子的自适应图像分割算法

虚拟娱乐照相领域的图像分割,目的在于实时地提取显示出背景中的感兴趣目标,但由于常用的分割方法容易丢失图像的边缘细节信息,而且运算时间长,难以实现质量与速度的平衡,为此文章提出了一种基于遗传量子进化算法的图像分割方法。该方法首先运用遗传量子方法进行阈值搜索,然后进行区域分割,再利用形态学方法对图像边缘细节进行补偿,并去除噪声。仿真结果表明,与传统方法比较,该方法能有效地提取图像中的人像,保留细节边缘。