一种改进的K means聚类彩色图像分割方法

图像分割是从图像处理到图像分析的关键步骤.图像分割的目的是将图像分割为多个互不重叠且又各具特性的区域,主要应用于图像压缩、目标提取、模式识别等.以往的图像分割技术主要应用于灰度图像,随着计算机技术的进步,彩色图像分割逐渐受到关注.该文在前人对彩色图像分割问题的大量研究成果基础上,提出了一种将K-means聚类、蚁群算法以及分水岭算法相结合的分割方法.本方法有效的克服了聚类数目必须依据先验知识提前设定、最初的聚类中心是随机选取的、聚类的效果好坏依赖于距离判定公式的缺陷.     

基于Shearlet变换和Krawtchouk矩不变量的河流SAR图像分割

合成孔径雷达(synthetic aperture radar,SAR)图像分割是河流检测与识别的关键步骤,为了进一步提高河流SAR图像分割的准确性,提出一种基于Shearlet变换、Krawtchouk矩不变量及模糊局部信息C均值聚类的河流SAR图像分割方法.首先,对河流SAR图像进行Shearlet分解,提取其纹理特征,构成特征向量的前半部分;然后,计算河流SAR图像的Krawtchouk矩不变量,作为其形状特征,构成特征向量的后半部分;最后,利用模糊局部信息C均值算法依照上述特征向量进行聚类,由此得到河流SAR图像分割结果.大量实验结果表明,与近年来提出的脉冲耦合神经网络结合最大方差比准则分割法、Gabor小波变换结合模糊C均值聚类分割法、FLICM聚类分割法相比,所提出的方法在主观视觉效果以及客观定量评价指标误分割率上均有明显优势,且分割河流SAR图像更加准确.     

迷彩设计中背景图像聚类方法的比较分析

迷彩设计中,通过对目标背景的图像信息进行归类处理,利用图像分割技术获取背景斑点,然后设计出与背景亮度和纹理相协调的迷彩图案. 目前,最常用的图像分割方法是均值聚类法,由于它直接利用灰度信息以致分割的细节不明显,容易导致模拟背景纹理失真. 针对它的不足,提出了采用基于自组织特征映射(self organizing feature map, SOFM)神经网络的分割方法对背景进行聚类分割. 该方法将整幅图像作为神经网络的输入,聚类分割后的颜色作为输 出,按照自组织特征映射网络的学习过程,使用其函数进行迭代运算直至学习停止. 比较实验结果表明,SOFM方法能更好地保留图像的细节纹理,得到较为理想的设计效果.     

k均值聚类的混合异构图像隐写分析

提出了一种基于k均值聚类的混合异构图像隐写分析算法. 在训练阶段,根据图像纹理复杂度对图像库
进行聚类,并针对每一类图像训练相应的分类器. 在测试阶段,根据测试图像的纹理复杂度对其进行类别判断,然
后送至相应类别的分类器中进行隐写检测,从而减弱了失配状态对现有隐写分析算法造成的影响. 实验结果表明,
该算法较好地提高了现有隐写分析算法的检测精度.     

基于边缘保持滤波和改进核模糊聚类的脑肿瘤图像分割方法

脑核磁共振图像常常受到噪声的影响,且有灰度不均、边界模糊的特点,使得传统聚类算法无法获得理想的脑部肿瘤分割结果,为此提出一种基于边缘保持滤波和改进核模糊聚类的脑肿瘤图像分割方法.该方法首先采用改进的引导滤波算法对图像进行预处理,解决平滑图像时不能保留图像边缘的问题;然后将传统核模糊C-均值聚类算法(Kernel fuzzy C-means clustering)中的单一高斯核函数替换为混合高斯核函数,将数据由低维空间映射到高维特征空间;最后将马尔科夫随机场的先验概率引入,对算法的目标函数进行修正,进一步增强算法的抗噪性.实验结果表明,所提方法在去除噪声的同时,能够有效保留图像的边缘信息,PSNR值相比传统算法提升0.804 1～2.096 2 dB,SSIM值相比传统算法提升0.031 2～0.065 4,且算法分割精度更高,Dice指标和Jaccard指标的平均值分别达到0.955 1和0.914 1.     

PSO与K-means混合聚类的PCB图像分割算法

图像分割技术在PCB自动光学检测中应用广泛。 K-means聚类算法简单有效,能实现PCB灰度图像的自动分割。然而,随机选取的初始聚类中心易导致K-means算法最终找到的是局部最优值,对PCB图像分割效果有一定影响。引入PSO算法的群智能搜索策略,提出一种新的寻找聚类中心的算法。实验表明,在PCB图像分割中使用该算法可防止陷入局部最优值。     

基于超像素的行人检测算法研究

行人检测一直都是计算机视觉领域极具挑战性的研究热点和难点,广泛用于视频监控、机器人学、智能驾驶等领域.提出了一种基于SLIC超像素聚类和HOG特征算法的融合的行人图像的分割和识别方法.首先,用超像素聚类算法将彩色目标图像分割成几个紧凑的超像素;然后,分别提取超像素的HOG特征;最后,应用SVM算法作为分类器进行训练和检测.实验结果表明,算法对测试数据库具有较低的漏检率和误报率,且在测试样本发生变化时,依旧保有的检测精确度,所提出的实验方法是有效的.     

一种改进的细胞图像分割迭代算法

图像分割是图像轮廓提取,纹理特征提取和形状特征提取等图像分析的重要基础。它也直接影响着图像更高级别的处理质量。提出一种改进的图像分割迭代算法,通过在一般的迭代算法中添加第二门限,以达到更精确的将各像素划分到所属区域降低误判概率的目的。在分析的基础上,给出了该算法与一般迭代分割算法的对比图像。为了观察分割效果,还给出了应用分割图提取边缘与Canny算子的对比图像。其结果均表明,噪声干扰下,改进算法的分割过程更为准确。     

应用Krawtchouk矩和支持向量机的图像纹理分割

提出一种基于Krawtchouk矩和支持向量机的图像纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Krawtchouk矩,然后通过非线性变换将得到的矩值转换成纹理特征,对特征空间进行优化后,使用支持向量机进行纹理分割.和基于Zernike矩的纹理分割结果相比,本文的方法能得到更好的纹理分割结果.     

基于三维脉冲耦合神经网络模型的医学图像分割

该文将脉冲耦合神经网络模型从二维平面扩展到三维空间,同时提出一种新的乘积型互信息算法,将其作为脉冲耦合神经网络分割算法的最优分割准则,并将两者结合实现三维医学图像的整体自动分割. 利用该文提出的算法对三维CT肺部图像进行分割实验,结果表明,该算法在保证分割精度的基础上显著地减少了分割运行时间,提高了分割效率,具有应用于医学图像分割的潜在价值.     

浮选中泡沫图像的分割算法

描述了浮选中泡沫图像的分割算法，根据测定泡沫的尺寸、形状和纹理分割泡沫图像。因这些泡沫图像的图案和性质千差万别，用现有的分割算法是很困难的，我们修改并结合不同的现有图像分割算法，形成了一种分割泡沫图像的新算法。在这种算法中，使用并修改了阈值算法，自动地检测泡沫的种子点或种子区域，然后使用形态学技术产生泡沫区域。最后，基于泡沫形状分析，合并过于分割的泡沫部分为一泡沫。文中列举了分割三个泡沫图像的结果，它表明这种分割泡沫图像的方法是合理的。     

一种有效的结构纹理区分方法

提出了一种检索纹理图像的算法.由于纹理图像具有的多样性,处理不同的纹理图像应当采用不同的处理方法.比如,针对结构纹理图像使用小波的方法更为适合,而针对具有随机纹理的图像使用马尔科夫模型效果就更好.因此,在处理图像之前对其按照纹理的情况进行分类合并,就可以有针对性的处理各种纹理图像.我们提出的区分纹理图像的方法基于二值傅里叶谱,首先将纹理库中的图像按结构纹理和随机纹理划分,然后采用多方向小波contourlet提取图像特征来检索图像.实验表明,这种区分算法,可实质性地提高检索率.     

Chan-Vese模型下的复合多相水平集图像分割

Chan-Vese模型(C-V模型)能够实现图像的二区域分割,但在多区域分割上存在局限. 目前解决C-V模型多区域分割问题有两种方案：一是采用多水平集同时收敛的并行多相分割;另一种是采用多水平集依次收敛的串行多相分割. 文中将两种方案结合起来,利用并行多相算法表示区域量大和串行多相算法分割效率高的特点,提出基于C-V模型的复合多相水平集分割算法,增加了串行结构下的分割区域量,也提高了并行结构下各水平集的实际分割效率. 实验结果表明,该方法可实现多区域分割,并能检测由弱边缘构成的子目标.     

基于色度直方图的颜色聚类算法

提取目标背景的主色是迷彩设计中的重要步骤,通常采用的颜色聚类算法具有监督性的缺陷. 为此,提出一种基于色度直方图的、无监督的颜色聚类算法. 该算法采用CIE 1931色度系统建立色度直方图,根据像素点在该坐标系的分布规律自动生成聚类中心. 逐一计算像素点与各聚类中心的色度的欧氏距离,将像素点与最近的聚类中心归于一类. 实验结果表明,采用该聚类算法能够准确提取主色,自动分割彩色图像,且比普通聚类算法的时间效率更优.     

图象分割算法的改进研究

针对传统基于图论的图象分割方法对噪声敏感以及计算复杂度大的问题,对传统算法进行了相应的改进,综合考虑像素的灰度信息和空间位置信息,计算权函数表达式时充分考虑到节点之间及节点与区域间的空间近邻关系.对比实验表明,该算法能够有效地从背景中把目标物体分割出来,并且当目标物和背景相近时,相比其他两种算法能够去除更多背景;该算法分割结果更接近于人眼视觉特征.     

一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法

为了增强图像分割技术的准确性并优化图像分割技术的细节分割效果，提出了一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法。将OTSU算法中依据图像灰度特征选取的图像中的前景和背景通过属性加权朴素贝叶斯算法进行分类处理，计算图像中前景和背景的概率，训练该模型以获得最佳阈值进行图像分割处理，优化图像分割的效果。利用无人机航拍采集的图像数据进行实验，结果显示基于属性加权朴素贝叶斯算法的OTSU图像分割方法优化了图像的分割效果，较完整地展示了分割后的图像细节，具有较好的应用价值。