文本图像页面分割算法研究

提出了一种基于改进纹理谱的文本页面分割算法,该算法首先采用改进的递归投影轮廓切割算法对文本图像页面进行粗分割,并提取文本图像的纹理谱特征;然后采用最小距离法将相邻纹理单元进行分类;最后实现文本图像页面文字区与非文字区的精确分割.实验表明,提出的方法在含有文字、图、表格的文本图像页面分割中效果很好,对其他复杂文本图像页面分割也具有适应性.     

藏文乌金印刷体文本图像自动分割技术研究

藏文字符分割是藏文印刷体识别技术中的关键技术之一,高精度的字符分割是图像文本识别的主要因素,分割的效果直接影响最终的识别.该文通过研究藏文字形结构和文本图像分割技术,提出了投影法和连通域分割法相结合的藏文音节分割方法.在不同的喜马拉雅字体文本图像上分割测试准确率达99.31%,在卷积网络模型上藏文音节识别准确率比字丁高2.7%,表明藏文音节分割方法的有效性.     

一种两步HMT文本图像分割方法

引入一种新的文本图像分割方法：两步隐马尔科夫树模型（HMT）多尺度文本图像分割。该分割方法是在文献[1]1的基础上，先将背景分出，再将文本分为文字与图像两种类型，分别建立HMT模型，完成文本图像的分割。最后通过实例阐明了方法的有效性。     

基于最小Tsallis交叉熵改进型PCNN图像分割算法

针对传统脉冲耦合神经网络(PCNN)模型中存在的待定参数过多且难以选择、循环迭代次数难以确定的缺陷,提出了一种基于最小Tsallis交叉熵改进型PCNN图像分割算法.根据改进的内部活动项和阈值衰减函数初始化模型参数,根据图像特性自适应设置链接强度系数和链接权值矩阵;利用最小Tsallis交叉熵准则确定PCNN循环迭代次数,采用双边带滤波器对分割图像进行滤波,获取最优图像分割结果.仿真实验结果表明,该算法提高了分割后图像的区域一致性、区域对比度、形状测度,缩短了运行时间,改进了图像分割效果.     

基于改进3D-PCNN的中药材彩色显微图像分割

为有效提取中药材彩色显微图像的目标信息,提出了一种基于改进三维脉冲耦合神经网络的图像自动分割方法.首先,从适合处理中药材彩色显微图像的角度出发,对传统模型进行简化与改进;其次,采用RGB颜色空间,利用最大信息熵选择性排列图像,并将结果作为改进模型的输入,进而完成图像分割;最后,用最大综合判定准则选取最佳分割结果,并与最大香农熵、最小交叉熵、色差对比度进行比较.实验结果表明,本文方法可以精确自动地分割中药材彩色显微图像,克服了最大香农熵、最小交叉熵、色差对比度的缺点,分割效率明显优于传统方法.     

基于二维Tsallis熵的改进PCNN图像分割

为了改善图像分割的性能,采用改进的脉冲耦合神经网络(PCNN)进行分割,通过对其内部活动项进行空不变的单阈值化分割,来达到对原图像空变阈值化分割效果.另外分割准则也作了修正,通过计算图像二维直方图的Tsallis熵,得到二维Tsallis熵,以此作为图像分割准则.最后,修正了动态门限项的下降速度,使得PCNN收敛更快.实验证明二维Tsallis熵准则优于最大Shannon熵准则与最小交叉熵准则,且改进的PCNN模型比传统PCNN模型收敛更快.     

基于轮廓检测的自然图像分割

提出一种基于轮廓检测的自然图像分割方法,该方法结合了MDL(最小描述长度)统计技术和用变分水平集函数求解活动轮廓模型的图像分割方法.该方法可有效的分割出图像中最突出的感兴趣目标,实验表明本方法与当前技术相比分割效果更好.     

利用同步自回归模型和小波特征进行纹理图像分割

为了提高纹理图像分割的边缘准确性和区域一致性,提出了一种利用同步自回归模型和小波特征实现纹理图像分割的方法,包括特征提取、粗分割和细分割3个阶段．先提取图像的同步自回归模型参数特征,然后利用K-均值聚类实现对纹理图像的粗分割,细分割则是在粗分割的基础上提取图像的小波特征,然后利用最小距离分类器对粗分割图像中不稳定象素进行重新分类,实现图像的最后分割。     

基于最小交叉熵的改进PCNN杨梅图像分割算法

针对传统脉冲耦合神经网络(Pulse coupled neural network,PCNN)模型复杂、迭代次数需要人工试验调整等缺点,对PCNN模型进行改进,提出了一种基于色差分量R-G和改进PCNN模型的杨梅图像分割方法.首先用杨梅图像的R-G色差分量作为输入;然后选用最小交叉熵准则,自适应生成PCNN的迭代次数;最后通过PCNN迭代实现杨梅图像的自动分割.实验结果表明,此方法与传统方法相比,能够有效避免背景干扰,提升了图像分割质量,分割结果更符合杨梅果实的特征.     

基于特征语义模型的复杂结构图像分割算法

针对结构复杂图像所具有的相似复杂性和属性复杂性,提出了基于特征语义模型的图像分割算法,通过采用矩阵分解将图像分割问题转化为最优化问题.对原始图像进行视窗扫描,选取规模为n的视窗计算所有像素的特征语义.经过PCA降维后,在保证特征信息最小丢失的前提下计算相互之间的特征语义相似度.通过最优化理论近似寻找特征语义相同的像素点集,从而完成结构复杂图像的分割.经过实验证明,本文方法针对结构复杂的图像物体分割完整,细节分割精细.通过对比实验验证了该方法的有效性.     

链码表和线段表在计算机图像处理中的应用

针对图像进行准确数字化描述是计算机图像处理的关键问题。在图像特征提取过程中，采用链码表和线段表描述特征向量的数据结构。首先进行轮廓跟踪，用行扫描得到图像轮廓起点，然后采用链码跟踪技术得到封闭的轮廓信息--链码表，直到所有的轮廓跟踪完毕为止。再通过线性转换得到线段表，最后根据链码表和线段表分别求出周长和面积等特征。此方法已在Visual C＋＋平台实现，经验证，采用链码表和线段表两种结构可准确求出图像几何形状特征。     

复杂背景下目标树叶自动分割的Grabcut算法

针对传统GrabCut算法需要人机交互且难以在复杂背景或光照不均匀时准确分割目标树叶的缺点,提出一种基于GrabCut算法的复杂背景下或光照不均匀时目标树叶的自动分割算法。本算法利用模糊高斯混合模型(FGMM)和图像的颜色信息对原始图像进行标记实现自动分割。首先选取合适的模糊因子利用模糊高斯混合模型对图像像素进行一次标记;在一次标记的基础上再结合超绿算法(EXG)选取合适的阈值对图像像素进行二次标记;最后将二次标记图像初始化GrabCut算法实现目标树叶的自动分割。利用几种不同的样本对提出算法的有效性和错分率进行探讨。结果表明,所提出的算法可以实现复杂背景下或光照不均匀时目标树叶的自动分割,且平均错分率达到1.625。     

基于色彩通道融合的火焰图像分割

提出了基于色彩通道融合的回转窑火焰图像分割方法,由彩色火焰图像的红绿通道、红蓝通和绿蓝通道构成三幅新的图像,分别从中提取训练样本集,对三个神经网络进行训练,神经网络收敛后,各自对相应的图像进行分割,会得到三种不同的结果,采用均值、中值、模糊逻辑和神经网络四种方法将其进行融合,会得到很高的分割准确率,实验结果表明该方法是可行的。     

一种基于区域分割的图像检索方法

提出了一种基于区域分割的图像检索方法:首先用改进的基于一致性分析的空间分割算法对图像进行区域分割,然后提取各区域的视觉特征,再对查询图像和目标图像中各区域的视觉特征进行多对多的匹配,采用最小平均准则和高斯归一化加权求和得到图像间的相似度.通过与基于全局特征的检索结果比较表明,该方法可以产生比较满意的结果.     

多直线全局运动估计及其在图像稳定中的应用

提出了基于直线特征的全局运动估计算法，该处利用直线段来估计局部区域的运动参数，再根据局部运动参数和相应的权系数估计全局运动参数，作为应用，要用平均值滤波法对图像序列轨迹进行了滤波，通过比较滤波前后的运动轨迹，计算出图像序列中帆的抖动参数；并利用补偿技术对图像帧进行抖动补偿，获得了稳定的图像序列输出。     

采用频域滤波的织物疵点检测方法

首先,通过傅里叶变换获得含有疵点的织物频谱图,根据频谱图设计频域滤波器分离正常的纹理信息,保留疵点信息;然后,通过傅里叶逆变换进行灰度图重构,得到去除正常纹理的疵点图像;最后,经过高斯平滑后二值化分割出织物疵点.实验选取5种织物疵点进行验证,结果表明:采用频域滤波的织物疵点检测方法检测效果良好,且检测率达到90%以上.     

基于区域信息的悬浮细胞识别与计数

悬浮细胞的培养过程需要对活细胞计数.针对人工计数方法存在的缺陷,利用图像分析技术对拍摄的细胞图片进行处理,实现活细胞自动识别及计数.要实现细胞识别,首先要对图像进行正确分割.对于前景和背景对比度较小且细胞很稀疏的图像,采用背景拟合设定阈值进行分割;针对前景和背景对比度较大的图像,采用一种基于局部区域直方图的方法进行分割.对分割后的图像进行链码跟踪并测量细胞参数,最终实现细胞识别及计数.实验结果表明上述方法能快速有效地计算出活细胞个数.     

一种实用的红外图像模拟生成方法

提出了一种红外图像模拟方法,该方法以可见光图像作为红外背景模拟数据源,并采用Multigen,Vega等建模仿真软件模拟特定目标,通过红外目标与背景图像的叠加,并根据红外成像系统的三维噪声模型进行噪声处理,实现红外图像模拟．在红外背景模拟中,提出了以感兴趣区域分割为基础的区域划分方法,该分割方法较好地保留了区域细节,从而获得较精确的分割结果．最后给出的模拟实验结果表明本方法既能获得比较逼真的红外模拟图像又具有很强的实用性．：     

一种复杂背景下的手部图像分割方法

提出了一种复杂背景下的手部图像分割方法。首先,在YUV颜色空间建立了YUV肤色模型,再利用摄像机对背景持续观测一段时间,建立背景的统计模型,然后将两种模型结合,对当前手图像进行分割,最后对分割后的图像进行形态学滤波、空洞填充与中值滤波等处理得到最终分割的手势。实验结果表明,此种方法算法简单,分割效果好,非常适用于复杂背景的手势分割与识别。