基于改进区域生长法的电力设备红外图像分割

为实现电力设备红外图像中目标设备图像的分割,对传统区域生长法需要人工选择初始种子点,以及易产生过分割与欠分割的不足提出了改进,将红外图像中邻域均值最大的像素点作为种子点,实现种子点的自动选取。提出了使用Sobel算子计算梯度幅值作为附加限定条件的生长准则。改进的区域生长法的分割效果比传统的区域生长法效果更好。     

基于Dense-UNet++的关节滑膜磁共振图像分割

为解决以往基于深度学习的滑膜磁共振图像分割模型存在的分割精度较低、鲁棒性较差、训练耗时等问题,本文提出了一种基于Dense-UNet++网络的新模型,将DenseNet模块插入UNet++网络中,并使用Swish激活函数进行训练．利用1 036张滑膜磁共振图像数据增广后的14 512张滑膜图像对模型进行训练,并利用68张图像进行测试．结果显示,模型的平均DSC系数为0.819 9,交叉联合度量（IOU）为0.927 9．相较于UNet、ResUNet和VGG-UNet++网络结构,DSC系数和IOU均有提升,DSC振荡系数降低．另外在应用于相同滑膜图像数据集和使用相同的网络结构时,Swish函数相比ReLu函数有助于提升分割精度．实验结果表明,本文提出的算法对于滑膜磁共振图像的病灶区域的分割有较好的效果,能够辅助医生对病情做出判断．     

被动式太赫兹图像分割算法

提出了一种被动式太赫兹图像识别算法。算法对原始太赫兹图像进行去噪预处理之后,通过对灰度直方图分析并对其曲线拟合,选定种子点和生长阈值对图像进行区域生长,以实现图像分割。实验结果证明,算法能够有效地从被动太赫兹图像背景中提取感兴趣的目标区域,有利于快速准确地发现被检测者隐藏在衣服内的违禁品,增强了安检成像系统的实用性。     

被动式太赫兹图像分割算法

提出了一种被动式太赫兹图像识别算法。算法对原始太赫兹图像进行去噪预处理之后,通过对灰度直方图分析并对其曲线拟合,选定种子点和生长阈值对图像进行区域生长,以实现图像分割。实验结果证明,算法能够有效地从被动太赫兹图像背景中提取感兴趣的目标区域,有利于快速准确地发现被检测者隐藏在衣服内的违禁品,增强了安检成像系统的实用性。     

基于Chan-Vese模型与形态学的医学图像分割算法

针对传统的多相Chan-Vese模型在进行多区域分割时容易产生空相位的问题,提出了一种改进的新的医学图像分割算法;该算法结合Chan-Vese模型、数学形态学、复合多相水平集分割算法,通过迭代腐蚀操作提取医学图像的轮廓,利用添加了复合多相水平集算法的Chan-Vese模型对医学图像进行分割,通过迭代膨胀操作复原图像;实验结果和分析表明,采用该算法很好地解决了医学图像分割过程中容易出现的多区域分割问题,减少了空相位的产生,而且对图像边缘有很好的分割效果。     

基于区域进化的区域增长图像分割

为克服经典区域增长算法中门限选择困难、分割稳定性不高与串行处理速度慢的不足,提出了基于区域进化的快速区域增长图像分割算法。引入了新的区域能量表示模型,并给出了迭代进化形式。在区域增长过程中,逐渐增加区域增长的门限,通过对能量函数的动态优化来逼近最佳分割结果。仿真实验表明,该方法能有效地避免经典区域增长算法中门限选择的困难,采用区间连通处理技术代替单一像素串行迭代处理方式,可使分割速度提高十多倍。     

利用区域信息的航拍图像分割

提出一种利用区域信息的航拍图像分割模型。针对GAC模型和Chan-Vese模型存在的不足,提出一种符号压力函数,该符号压力函数可以有效地增大模型的作用范围。与Chan-Vese模型相比,新模型不受初始条件的限制,进一步增大了模型的作用范围。新模型利用了图像的区域信息,可以同时将目标的内外边界分割出来。在新模型中,水平集函数不必初始化为符号距离函数,节省了计算开销。与传统的基于水平集方法的模型相比,新模型不含曲率项,实现简单。实验结果表明,与GAC模型和Chan-Vese模型相比,新模型的分割精度高于3%,分割速度快6倍以上。     

基于快速模糊C均值聚类算法的红外图像分割

针对模糊C均值(FCM)聚类图像分割需要预先知道类别数及计算量较大的问题,提出了新的快速FCM改进方法。首先,利用边缘信息进行邻域搜索得到种子像素;通过区域生长快速获得区域分割类别数和对应的聚类中心值,并将图像分成确定类别的区域和未确定类别的区域;最后利用所得的聚类中心值和 FCM算法对未确定类别区域进行聚类。实验证明,本文提出的改进方法大大减少了计算量,显著提高了图像分割速度,而且由于聚类考虑了相邻像素点的关系,图像分割结果能够清晰地保留目标轮廓,提高了图像分割的质量。     

基于快速模糊C均值聚类算法的红外图像分割

 针对模糊C均值(FCM)聚类图像分割需要预先知道类别数及计算量较大的问题,提出了新的快速FCM改进方法。首先,利用边缘信息进行邻域搜索得到种子像素;通过区域生长快速获得区域分割类别数和对应的聚类中心值,并将图像分成确定类别的区域和未确定类别的区域;最后利用所得的聚类中心值和 FCM算法对未确定类别区域进行聚类。实验证明,本文提出的改进方法大大减少了计算量,显著提高了图像分割速度,而且由于聚类考虑了相邻像素点的关系,图像分割结果能够清晰地保留目标轮廓,提高了图像分割的质量。     

利用对称区域生长算法实现三维ICT图像的快速分割

图像分割作为一种基础的分析手段在工业计算机断层(Industrial Computed Tomography,ICT)检侧中有着广泛的应用.随着CT扫描方式从二维断层扫描向三维立体扫描的发展,对于CT图像的分析也由二维图像处理发展为三维序列图像处理,所以传统的图像分割手段已经不能很好地适应这种需求了.以目前在计算机视觉...     

基于高斯混合模型的多区域并行增长图像分割算法

为克服经典区域增长算法中生长规则以及特征选取的困难,提出了基于高斯混合模型的多区域并行区域增长图像分割算法。首先交互选择多个不同区域的种子点,并利用交互式选择的属于每个区域的子块得到混合模型的个数;然后利用最大期望估计混合模型参数作为区域增长的初始参数,并在增长过程中不停地调节模型参数。为了避免初始种子点位置选择对算法性能的影响,采用了多区域并行竞争增长策略。仿真实验获得了较好的分割效果,表明所提出的算法是合理可行的。     

基于形态学水线区域的深度图像分割

深度图像分割是基于特征关系图匹配的曲面物体识别中的关键技术之一,针对已有深度图像分割方法存在的问题,提出了一种基于二值形态学的水线区域增长算法对深度图像进行分割。首先用结构元素迭代腐蚀深度图像形成距离图像;然后根据距离图像计算极限腐蚀的集合,提取出目标的种子点;最后用条件粗化从种子点开始生长回到原尺寸但不使各区域相连,完成深度图像的分割。实验证明,算法的分割结果与人的主观视觉感知具有良好的一致性。     

基于GFO和标记点分水岭算法的医学图像分割

传统的分水岭分割一般是在原始图像中根据边缘检测算子所得的边缘图进行计算,常规的边缘检测算子并没有引入图像的先验信息或形状约束。由于病理改变以及医学影像数据内在的模糊性,常规边缘检测算子很难引导分水岭算法收敛到正确的目标轮廓,由此导致传统分水岭算法容易受到图像噪声的干扰而"过分割"。在此情况下,提出利用基于广义模糊算子(GFO)的边缘检测算法来改进标记点分水岭分割。从实验结果看,提出的方法非常适合应用于临床医学图像分割。     

基于区域增长的图像跟踪算法的研究

为了提高序列图像的跟踪精度,提出了基于区域增长的特征量提取方法。这种方法可捕获图像中所有单连通域,并能准确地提取其特征量,然后依据所提取的特征量设计分类器,实现对图像中所有单连通域进行分类识别并加以跟踪的目的。此算法有效地解决了一般传统识别算法难以区分目标和其近邻区域的干扰,而导致跟踪目标特征量提取不准确的问题。在目标特征提取识别算法的基础上,还提出了阈值预测分割算法,并应用在序列图像的跟踪中,取得了较好效果。