基于超声图像的自适应谱聚类方法研究

为精确提取超声肿瘤图像的肿瘤区域,基于分裂合并思想,结合自协调谱聚类方法,提出一种基于超声图像的自适应谱聚类方法。该方法在分裂阶段用SLIC算法将图像分割成超像素,根据肿瘤区域和背景区域的纹理特征差异选取合适的纹理特征,在合并阶段用自协调谱聚类算法自动确定谱聚类数目,聚出肿瘤区域,并用先验知识提取分割结果中的肿瘤区域。将该算法提取的肿瘤区域和人工分割的肿瘤区域比较,准确度达到93. 41%,结果比较准确。     

融合纹理特征与螺旋状搜索聚类的超像素分割算法及应用

针对传统SLIC(simple linear iterative clustering)超像素分割算法没有综合考虑图像的纹理信息特征,导致对边缘信息较强和纹理复杂的图像进行超像素分割时,出现边缘检测不灵敏,分割效果不理想的问题.提出了把原图像先经过噪声抑制提取出纹理特征分量,构建以颜色特性、纹理特征和空间位置特征相融合...     

一种基于模糊C均值的图像超像素分割方法

在分析现有图像分割算法基础上,提出一种基于超像素的模糊C均值分割算法.首先利用像素间灰度和距离定义像素间相似度,从而循环迭代出图像的超像素;然后进一步提取每个超像素的小波能量特征并利用模糊C均值算法对该特征进行聚类.大量实验表明,提出的图像分割算法对噪声有一定稳健性,分割准确率高,并能有效抑制孤立点的影响.     

基于分水岭-谱聚类的SAR图像分割

由于谱聚类是基于图论的、以相似性为基础的聚类方法,需要计算图像中每对像素点之间的相似性.当图像很大时,计算相似性矩阵和求解相应的特征值、特征向量是很困难和耗时的.为此,针对合成孔径雷达(SAR)图像的特点,提出了一个两阶段的图像分割方法,首先采用分水岭算法对图像进行过分割,然后再用改进的谱聚类算法进行聚类.新方法不仅可以减少噪声对分割结果的影响,很好地保持图像边缘,而且对时间要求较高的应用也具有一定的参考价值.为了验证新方法的有效性,将其用于SAR图像分割,取得了较优的分割结果.     

基于非负矩阵分解的谱聚类集成SAR图像分割

 本文提出了一种新颖的基于非负矩阵分解的谱聚类集成SAR图像分割框架.首先,个体分割结果的产生采用基于Nystrom逼近的谱聚类方法,使用不同的尺度参数,得到具有差异性的个体分割结果;其次,使用非负矩阵分解的方法来合并这些个体分割结果,使用非负矩阵分解方法的优点在于其合乎人类大脑感知的直观体验,并具有明确的物理含义;最后,根据合并得到的像素点隶属度关系得到SAR图像分割结果.为了验证本文方法的有效性,对3幅纹理图像和4幅SAR图像进行分割实验,并对比K-means方法、基于Nystrom逼近的谱聚类方法、Meta-clustering方法,本文的方法无论是定性还是定量分析都是较好的,并具有一定的实用性.     

一种基于DFC聚类算法的图像分割方法

图像分割是一种重要的图像技术,在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类很多,有些分割运算可直接应用于任何图像,而另一些只能适用于特殊类别的图像。目前,图像分割的方法层出不穷。其中,最具代表性的图像分割算法是基于FCM聚类算法的图像分割方法。然而FCM聚类算法从理论上来说存在着聚类数目无法自动确定及运算的开销太大的缺点,因而限制了这种方法的应用。针对其不足,本文将FCM聚类算法引入到图像分割方法中。数值实验结果显示：新方法分割图像的效果是良好的。     

一种基于变差函数的纹理图像分割方法

本文基于变差函数提出一种图像纹理分割的新方法.由于变差函数反映图像数据的随机性和结构性,因而能很好的表达纹理图像的特征.文中算法根据变差函数的这种性质将单步长变差函数值作为图像纹理特征进行分割,实验结果表明它对纹理图像分割与识别是十分有效的.     

可变类谱聚类遥感影像分割

为实现遥感影像分割中类别数的准确、自动判别,提出了一种可变类谱聚类算法.根据影像的相似图构建权值矩阵和标准Laplacians矩阵,计算Laplacians矩阵较小特征值对应的特征向量生成特征向量矩阵,并视其与像素对应的向量行为像素特征点集;研究Laplacians矩阵处于不同（近似）块对角结构时类属同一目标类像素特征点的聚集性,定义聚类度指标,计算不同分割类别数对应聚类度;选择聚类度将发生最后一次较大跳变时的分割类别数作为算法估计类别数,并采用FCM（Fuzzy C-Means）算法划分该类别数对应像素特征点集实现影像分割.分别采用提出算法和基于特征间隙的算法分割合成及真实遥感影像.实验结果表明提出算法可准确地判别影像类别数.     

一种复杂背景下的电力设备红外图像分割方法

针对背景复杂的电力设备红外图像分割问题,提出一种新的分割方法.该方法运用线性谱聚类算法(LSC)对图像做超像素分割,将颜色、距离相似的像素聚类至同一个中心;利用在全局图像基础上计算所得的Otsu阈值对各超像素块做背景预标记,并利用最大相似度区域合并算法(MSRM)对超像素块进行合并,在得到目标设备的同时,有效降低了过分割和欠分割率;最后运用数学形态学算法对图像做后处理,在保证设备特征的前提下提高目标设备分割精度.实验表明,在复杂背景下与其他算法相比,该方法可得到更为准确、完整的目标设备.     

基于灰度直方图和谱聚类的文本图像二值化方法

在自动文本提取中,经定位获得的字符区域需二值化后方能有效识别,由于背景的复杂,常用的阈值化方法不能有效分割自然环境下的字符图像。该文提出了一种基于谱聚类的图像二值化方法,该方法利用规范化切痕(Normalized cut, Ncut)作为谱聚类测度,结合灰度直方图计算相似性矩阵,并通过实验确定最佳的直方图等级数,与通常基于像素级相似矩阵相比,算法的空间复杂度和计算复杂性都大为降低。实验结果表明,针对自然场景下的字符图像,该文方法的二值化结果优于常用的阈值分割结果。     

小波变换在纹理图像分割中的运用

在纹理图像分割的研究领域中j基于人类视觉感知特性的图像分割方法是一个重要的新研究方向,在许多领域都有广泛的应用.基于小波分析理论,实现了图像的纹理分割.该算法首先对原始图像实施二维多分辨率小波分解,得到特征图像;然后对其直方图进行一维小波变换和多阈值选择,生成区域图像.实验表明,通过调整参数:一维小波分解级数S和模糊阈值,能得到图像的最佳纹理分割.     

粒子群优化的聚类方法在图像分割中的应用

图像分割和对象提取是从图像处理到图像分析的关键步骤.K-均值聚类算法和粒子群优化方法结合,即将K-均值方法的结果作为一个粒子并采用粒子群优化的方法,通过适应度函数,利用新的分类中心调整粒子位置,产生新的聚类中心.并将此方法应用于图像的分割.最后,将两种方法的处理结果进行了比较,结果表示基于PSO聚类方法对图像的分割效果比原算法有所改进.     

自适应灰度门限法在水面图像分割中的应用

图像分割是图像处理中重要的组成部分,其效果直接影响到后面的图像分析。这里介绍了传统的图像分割法以及自适应灰度门限法在水面机器人视觉图像分割中的应用,首先对算法原理和特点进行了介绍,然后运用Matlab进行了仿真实验研究,对分割的结果加以比较和分析,得出基于最小类内均方差的自适应灰度门限法分割图像的效果最佳,且具有良好的滤波和去噪能力。     

基于改进谱聚类与粒子群优化的图像分割算法

本文提出了一种基于改进谱聚类与粒子群优化的图像分割算法。该算法利用双树复小波变换系数,求得能量均值构造相似性矩阵,充分利用了待聚类数据所包含的空间邻近信息和特征相似性信息。在谱映射的过程中,采用了Nystr迸m逼近策略,降低了谱聚类算法的复杂度和内存消耗,然后在进行K均值聚类时使用粒子群优化算法。最后,通过对医学图像和遥感图像分割验证了新算法的有效性。     

一种图象纹理特征提取与分割的新方法

本文介绍了一种用于提取图象纹理特征的新的二维最佳数字滤波器（ＯＤＦ），该滤波器是基于有限长球序列（ＦＰＳＳ）和离散付里叶变换（ＤＦＴ）设计的，它具有能量损失最小的最佳频率响应特性。用若干具有不同中心频率和带宽的这种滤波器覆盖频率平面，可以抽取图象的纹理转征，进而利用一个非参数分类器，可对纹理图象实行有效的分类和分割。文中给出了一个人工纹理图象和一个自然纹理图象分割的实例。     

基于聚类和小波变换的彩色图像分割方法

提出一种将聚类和小波变换相结合的彩色图像分割方法。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,提取其颜色特征。利用小波变换得到每个分块的纹理特征,将颜色特征和纹理特征的组合作为对图像进行分割的依据。该方法将聚类算法和小波算法结合,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分割实验,实验结果证明该算法的有效性。     

分数阶微分在图像纹理增强中的应用

为了实现对模糊图像边缘及纹理的增强,使图像的细节信息更加清晰,需要对图像进行锐化增强。现有的增强方法一般是整数阶微分锐化及高通滤波,由于这些方法的处理效果仍不理想,文中引入了分数阶微分算子。分数阶微分不仅可以很好地增强图像的边缘和纹理信息,还可以保留平滑区域信息,抑制较大噪声。研究并分析了Tiansi分数阶微分算子的原理及特点,并对其进行了改进,提出了一种新的分数阶微分算子,可以更好地增强图像的边缘和纹理信息,同时保证图像的亮度不产生大幅度变化,而且可以抑制较小噪声的影响。从定量的角度分析,改进的分数阶微分算子的平均梯度最大可比原图像提高3.8倍。从而验证了改进的分数阶微分算子比整数阶微分算子如Laplace算子及Tiansi分数阶微分算子具有优越性,且算法简单易于实现,可应用于工程中的实时图像处理系统中。