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。     

中药光谱成像图像自适应区域增长分割方法

为了消除背景噪声对药材光谱图像检测结果的干扰,根据中药材光谱图像的特点,设计一种能够自适应对中药材光谱图像进行有效区域(ROI)分割的区域增长算法。该区域增长算法根据药材光谱图像的灰度直方图分布来自动选取种子点和分割阈值,在生长的同时进行连通性分析,生长结束后通过区域填充技术来消除图像中出现的孔洞。实验表明:该方法能够自动、准确地进行ROI分割,分割偏差小于8%,并且能较好地消除噪声的干扰,没有产生无意义的生长区域。     

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。     

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。     

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。     

改进的多分辨纹理图像分割算法

提出了一种改进的有监督纹理图像的分割算法。基于实际纹理图像是分割图像叠加了不规则噪声的假设,用被污染的高斯分布描述待分割的图像,并且利用多分辨模型得到代分辨层上的模型参数,从而实现由粗到细直到纹理图像的每个像素的分割。另外在禽域关联为先验信息利用上更为合理。所以这种方法不仅计算量小,而且分割结果也较为精确。     

一种基于区域生长的红外与可见光的图像融合方法

针对目前红外与可见光目标跟踪的视频序列融合难以满足实时性问题，利用红外图像目标与背景显著的灰度差异特征，结合目标跟踪中目标分割时常用到的区域生长法，通过区域生长方法从红外图像中提取目标区域，再将得到的红外目标区域与已经过图像配准的可见光图像的背景区域进行融合处理，最终得到既具有红外图像较好的目标指示特性又具有可见光图像清晰场景信息的融合图像。实验表明：该算法不仅简单易行，而且所得到的融合图像视觉效果优于其他融合算法得到的图像。     

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。     

Multispectral MR images segmentation based on fuzzy knowledge and modified seeded region growing

Magnetic resonance imaging (MRI) is a valuable diagnostic tool in medical science due to its capability for soft-tissue characterization and three-dimensional visualization. One potential application of MRI in clinical practice is brain parenchyma classification and segmentation. Based on fuzzy knowledge and modified seeded region growing, this work proposes a novel image segmentation method, called Fuzzy Knowledge-Based Seeded Region Growing (FKSRG), for multispectral MR images. In this work, fuzzy knowledge includes the fuzzy edge, fuzzy similarity and fuzzy distance, which are obtained from relationships between pixels in multispectral MR images and are applied to the modified seeded regions growing process. In conventional regions merging, the final number of regions is unknown. Therefore, a Target Generation Process is proposed and applied to support conventional regions merging, such that the FKSRG method does not over- or undersegment images. Finally, two image sets, namely, computer-generated phantom images and real MR images, are used in experiments to assess the effectiveness of the proposed FKSRG method. Experimental results demonstrate that the FKSRG method segments multispectral MR images much more effectively than the Functional MRI of the Brain Automated Segmentation Tool, K-means and Support Vector Machine methods.     

融合区域生长与霍夫变换的内窥图像分割算法

为准确地划分出实际内窥图像的有效检测区域,依据此类图像的具体特点提出一种综合区域生长和霍夫变换的分割算法。利用区域生长大致分割出感兴趣区域,可能会存在漏检边缘或虚假边缘,通过二值形态学处理对图像进行平滑滤波和去噪,采用Canny算子在抑制噪声的同时进行边缘检测,应用霍夫变换检测圆的算法确定图像内有效区域的位置。通过对90组实际内窥图像在Visual C++ 6.0上进行仿真,实验结果表明:有88组内窥图像能够精确地分割强光干扰且划分出有效检测区域;仅有2组图像分割出的强光干扰及划分出的有效检测区域不够准确。