基于随机森林和多特征融合的青苹果图像分割

针对自然环境下青苹果图像中目标与背景颜色差异小和分割难度大的问题,提出一种基于多特征融合的随机森林(Random Forest,RF)分割方法.首先,基于灰度共生矩阵提取青苹果图像的能量、熵、对比度、相关性、熵标准差和对比度标准差6个纹理特征;然后,针对同幅青苹果图像提取RGB空间中的G+0.5R-B分量和HSI空间中的S+I分量作为组合颜色特征,以规避天空和高光区域对分割结果的影响;接着,以像素为单位对提取的纹理特征和颜色特征进行融合;最后,在融合特征的基础上采用随机森林对青苹果图像进行分割,并与传统仅利用单一特征的分割算法进行对比.实验结果表明,基于多特征融合的随机森林算法比传统仅利用纹理特征的算法正确分割率要高22.18%.     

基于熵值优化的图像感兴趣区域提取改进方法

在现有感兴趣区域提取的多种方法基础上,为进一步提高图像中用户感兴趣区域提取的准确度,提出一种对图像熵值先进行优化再进行分割的图像感兴趣区域提取方法。首先通过直方图均衡对目标图像进行输出熵值上的优化,并使用维纳滤波来抑制直方图均衡放大的噪声信号;然后对滤波后的图像进行最大类间方差分割方法来提取目标图像中的感兴趣区域。实验结果表明,该算法不仅能有效降低分割误差,而且对感兴趣区域在细节信息方面的处理有很好的效果。     

一种基于熵优化的区域生长图像分割方法

提出了一种基于熵优化的结合区域生长的图像分割算法,它利用边缘检测和区域生长算法对图像进行一次预分割,然后再沿着图像中每个类的边缘试探性地调整分割,以熵的大小作为优化分割的指标逐步优化图像的分割．实验结果证明了该算法的有效性,而且比其他一些常用的灰度图像分割算法更准确．     

基于快速模糊C均值聚类的图像粗集分割

传统的模糊C均值(FCM)聚类算法广泛用于图像的自动分割,但它有两个缺陷:一是收敛速度过慢;二是当图像的目标和背景像素拥有相近的灰度值,具有相似的隶属度,导致了图像边界区域的不连续和模糊.针对该问题,提出一种改进的算法,在快速FCM聚类的基础上,利用粗糙集理论中的上近似和下近似的概念来描述图像的目标和背景,引入粗糙熵的概念,选择合适的阈值,对图像进行精确分割.实验结果表明,这种算法可以达到满意的分割效果.     

基于过渡区提取的多阈值图像分割

对基于过渡区提取的多阈值图像分割算法进行了研究．首先使用局部熵方法提取过渡区,然后构造对称非最大抑制滤波器检测过渡区直方图的多个峰值,最后使用考虑差异度与位面数的代价函数决定最优类别个数及多分割阈值．实验研究表明,算法得到的阈值准确、稳定,较好地解决了基于过渡区提取的图像分割方法中的多阈值分割问题,同时也为多阈值图像分割提供了一种新的思路．     

基于支持向量机的红细胞彩色图像分割算法

针对细胞图像分割中红细胞目标提取和重叠红细胞分割两个难点,提出一种基于支持向量机(SVM)的红细胞彩色图像分割算法,并通过实验对算法进行验证.该算法利用SVM对原始图像进行红细胞提取,把原始细胞分割成红细胞和背景两类目标区域,然后使用改进距离标记的分水岭算法对红细胞区域进行重叠分割.算法选择线性不可分的SVM模型和核函数RBF(C=1,ξi=0.2)时能够较好的分割红细胞彩色图像.     

一种改进的基于类间方差的阈值分割法

在图像的目标和背景像素灰度均服从正态分布时,提出了一种改进的基于最大类问方差法的图像分割算法．对新算法进行了测试并与最大类间方差法和最大熵法进行了比较,结果表明,新的改进算法在图像分割过程中具有速度快、效果好的特点．     

基于改进模糊C均值聚类和区域合并的矿物颗粒分割方法

岩矿石薄片图像中矿物颗粒的分割提取是分析鉴定工作的前提,为了进一步提高矿物颗粒提取的准确性,提出一种新的矿物颗粒提取分割方法。该方法以一组岩矿石薄片正交偏光序列图作为输入,对每张正交偏光序列图采用改进的模糊 C 均值聚类(FCM)算法进行初始的边缘提取,并叠加多张边缘图像,再对得到的叠加边缘图像进行精细化处理并进行目标颗粒筛选,得到初始的分割提取图像。为了抑制颗粒的过分割现象,利用基于区域邻接图(RAG)的合并算法进行区域合并,首先依据颗粒的颜色纹理等特征进行初始合并操作,再根据矿物颗粒在不同正交偏光角度下的变化规律进行二次合并操作,从而得到最终的分割提取图像。通过对多组图像进行实验表明,该方法可以获得良好的效果。     

基于图像熵的快速Chan-Vese模型分割算法

提出了基于图像熵的快速Chan-Vese模型分割算法.该算法利用实时图像熵自适应计算模型能量函数中的拟合参数以提高分割速度,并通过检测熵在曲线形变过程中的变化来判定曲线演化的稳定态.实验表明.针对含噪严重、目标模糊且边缘不连续的红外图像目标检测,所提出的分割算法可以取得精确、高效的分割结果.     

基于分割图像最大信息量的阈值化算法

简述了目前利用熵的原理对图像进行阈值化分割的几种方法,把图像假设为L个符号的信息源,图像的分割类比于数据信号通过有扰信道过程,分割后的图像具有一定信息量,提出使分割后的图像具有最大信息量的阈值化方法。将图像背景与目标的条件概率假设为正态分布,利用贝叶斯公式估计出其后验概率,搜索使分割后的图像具有最大信息量的阈值,比较了新算法与其它基于香农熵算法的特点和分割性能。     

差分变异本质粒子群的模糊熵图像分割

基本本质粒子群算法存在易陷入局部最优以及过早收敛的缺点。在基本本质粒子群算法的基础上,借鉴差分进化中利用差分量对种群进行变异操作的思想,提出了差分变异本质粒子群优化算法。结合图像模糊熵,得到了基于差分变异粒子群优化的模糊熵图像分割算法。算法利用差分变异本质粒子群来搜索使图像模糊熵最大的参数值,得到分割阈值对图像进行分割。通过与其它两种本质粒子群算法的分割结果比较表明该算法取得了令人满意的分割结果,算法运算时间很小,能够满足对煤尘浓度实时精确测量的要求。     

边缘信息指导下的半模糊聚类图像分割方法

提出了一种利用边缘信息的半模糊均值聚类的图像分割算法，它先用边缘检测和区域生长算法对图像进行一次预分割，确定聚类的初始参数，然后在这个基础上对“边缘”部分的点采用模糊聚类、非“边缘”部分使用分明聚类，避免了模糊聚类时初始参数设定的盲目性，减少了迭代时的计算量，提高了迭代收敛速度．除灰度特征外，聚类时还利用了点到类的距离特征，较好地保持了分割图像的连续性．直接观察对比多幅图像的分割实验结果可以明显地发现，该算法较常用的Cksu方法、二维熵阈值分割方法以及FCM方法的分割结果更准确．就Lena图像而言，该算法的收敛速度也比一般的FCM快了将近一倍．     

基于一维Otsu的多阈值医学图像分割算法

针对传统医学图像分割算法时间复杂度高、 分割精度低等问题, 提出一种基于一维Otsu的自动多阈值分割算法. 考虑到医学图像信息的复杂性, 引入基于梯度、 灰度、 距离的综合信息直方图替代传统的灰度直方图, 并分别赋予这3个信息相应的权值. 采用kd-树作为框架快速自动确定阈值个数, 进而实现Otsu对医学图像的自动多阈值分割. 与最大熵、 基于粒子群优化的Otsu算法等进行对比实验的结果表明, 该算法的分割性能优于其他算法.     

基于改进遗传算法的二维模糊熵图像分割算法

 图像分割是图像分析的基础。实际应用中,待分割图像的可变性较大,且时常混杂噪声,因此在很多情况下,基于一维直方图的经典图像分割算法常束手无策。近年来,基于二维直方图的二维图像分割算法已逐渐成为图像分割的热点。本文针对基本遗传算法在优化二维模糊熵图像分割算法中存在的易于早熟的不足,提出了一种改进的遗传算法。提出的改进遗传算法通过定义适应度极值距离,实现了进化过程中“代内”和“代间”的模糊评价。较之基本遗传算法,改进算法对个体的评价更加合理、客观和科学,而且算法整体收敛性能和全局搜索能力显著提升。实验结果表明,将其应用于二维模糊熵图像分割算法的优化,可显著提高算法的执行速度。由于引入模糊评价,本文提出的算法虽然较之基于基本遗传算法的二维模糊熵图像分割算法在时间开销方面虽略有增加,但获得的分割效果更佳。     

基于蚁群算法的最佳熵图像分割阈值方法

最佳熵阈值是最常用的图像分割算法之一,但是需要大量的运算时间,限制了其实际的应用范围.蚁群算法是一种新兴的仿生进化算法,已成功的应用于大批组合优化问题的处理.将最大熵算法视为组合优化问题并引用蚁群算法加以处理,实验结果表明蚁群算法不仅可以实现最优阈值的确定,而且可以提高图像分割效率.     

基于萤火虫算法的三维Renyi熵眼底图像血管分割

对于眼底血管网络分割精度低的问题,提出了基于萤火虫算法的三维最大Renyi熵眼底血管分割方法。该方法先提取出眼底G通道图像;然后用多尺度线性滤波器对眼底血管增强;接着引入萤火虫算法,将基于三维共生矩阵的最大熵求解问题转化为寻找最亮萤火虫的问题;最后,将最亮萤火虫所处的三维空间位置作为Renyi熵函数的阈值对眼底图像分割。实验结果表明,方法的真阳性率和ROC曲线下方区域面积都有所提高,能准确分割出眼底血管。     

结合灰度熵变换的PCNN小目标图像检测新方法

为了自动地进行小目标图像分割检测,从含单一弱小目标图像的特征出发,提出了一种结合灰度熵变换的脉冲耦合神经网络(PCNN)小目标图像分割检测新方法. 该方法在对有随机噪声和复杂背景图像进行非线性灰度熵变换滤波的基础上,考虑灰度熵值灰度图在满足先验概率目标背景比条件下,选择包含单一小目标局部窗口作为处理图像区域,并在局部最小交叉熵判据下,进行改进型PCNN迭代分割检测处理. 实验结果表明,该方法不仅能可靠地检测出复杂背景及随机噪声干扰下弱小目标,并且在PCNN运行处理过程中,可自动地完成最佳分割检测.     

Fuzzy entropy image segmentation based on particle swarm optimization

Particle swarm optimization is a stochastic global optimization algorithm that is based on swarm intelligence. Because of its excellent performance, particle swarm optimization is introduced into fuzzy entropy image segmentation to select the optimal fuzzy parameter combination and fuzzy threshold adaptively. In this study, the particles in the swarm are constructed and the swarm search strategy is proposed to meet the needs of the segmentation application. Then fuzzy entropy image segmentation based on particle swarm optimization is implemented and the proposed method obtains satisfactory results in the segmentation experiments. Compared with the exhaustive search method, particle swarm optimization can give the same optimal fuzzy parameter combination and fuzzy threshold while needing less search time in the segmentation experiments and also has good search stability in the repeated experiments. Therefore, fuzzy entropy image segmentation based on particle swarm optimization is an efficient and promising segmentation method.