用BP网络进行彩色图像分割和边缘检测

采用ＢＰ网络模型,研究了彩色图像分割和边缘检测的神经网络方法．选取训练样本图像,并分别以区域增长分割法和Ｓｏｂｅｌ边缘检测方法所得结果为导师信号,将图像的特征向量采用ＢＰ算法进行训练,然后对实测图像进行分割和边缘检测．与采用区域增长法所得分割结果和采用Ｓｏｂｅｌ边缘检测方法所得边缘检测结果进行比较,ＢＰ网络方法能取得同样较好的效果     

一种基于多熵阈值图像分割的边缘检测新方法

该文提出的熵阈值分割图像边缘检测新方法,在噪声严重的情况下,能够提取出准确连续的物体边缘,实验结果表明这种方法能获得比Ｓｏｂｅｌ算子及Ｋａｐｕｒ多阈值分割法更为满意的边缘检测结果,这一方法在出版系统中具有一定的实用价值。     

基于两维WAVELET分解的纹理图像分割方法

提出了一种纹理图像的分割方法，主要利用ＷＡＶＥＬＥＴ变换的多分辨率分析的特性，通过两维分解抽取图像的纹理特征，并对图像小窗口区域的特征进行聚类，该聚类结果可作为多层ＢＰ网权值学习的训练样本，进而利用ＢＰ网对各小窗口的特征进行分类以实现纹理图像的分割，实验证明，该方法对于纹理图像具有较好的分割效果。     

利用计算机视觉检测家蚕微粒子病的改进研究

在家蚕微粒子病显微图像自动识别图像分割问题中，首先应从显微图像中将微粒子从复杂背景中提取出来．由于显微图像对比度差、光照不均匀及噪音等因素的影响，采用传统的阈值分割方法和边缘检测方法不能顾及到图像局部的实际有用的目标信息，因此很难准确提取微粒子孢子区域．利用数学形态学的方法根据微粒子图像的形状特征来检测微粒子区域，实现微粒子和背景的分割，取得了较好的效果．运用基于遗传算法的BP网络进行了识别和分类，结果证明此方法是有效的．     

基于边缘检测与分裂合并的多区域分割研究

为了使多区域分割后的图像边缘更加清晰，提出了一种将边缘检测与分裂合并法相结合的多区域网像分割方法，其基本思想是用边缘检测算子与分裂合并法分别对同一幅图像进行分割，然后应用信息融合技术将经过上述处理后的两幅图像融合，得到新的图像，在进行图像融合时，采用了像素级和特征级两种融合方法．实验结果表明，该算法可将图像明显地分割成多个区域，且边缘清晰，分割效果令人满意．     

结合边缘检测和区域方法的医学图像分割算法

由于医学图像的复杂性,一般图像分割方法对于医学图像的分割效果并不理想.针对医学CT图像特点,提出了一种把边缘检测和基于区域方法相结合的图像分割算法,首先使用Sobel算子进行边缘检测,检测出目标可能的边缘像素集,并计算该点的平均灰度,然后利用该灰度及目标区域的连通性作为生长判别条件,利用区域生长法实现图像的准确分割.实验结果表明, 该方法避免了单独使用边缘检测或基于区域法进行图像分割时的典型错误,结合了两者的优点,取得了感兴趣目标的良好分割效果.     

多尺度边缘检测与图像分割的马尔可夫随机场模型

利用小波变换模极大值检测图像的多尺度边缘信息，根据这些信息和改进的马尔可夫随机场模型对低信噪比图像进行Ｂａｙｅｓ分割，结果表明，和一般松驰算法相比这种方法改善了图像分割的质量。     

基于边缘流和区域合并的岩屑颗粒图像分割

边缘流分割算法可利用图像的多种特征进行准确的图像分割,但传统的边缘流分割算法运算复杂度高,容易造成过分割.针对这些问题,作者对边缘流算法进行改进,并提出一种基于边缘流和区域合并的图像分割方法.该方法首先对原始彩色图像进行改进的边缘流分割;再通过曲线演化和边缘连接得到封闭的边缘;最后根据区域颜色相似度对初分割的图像进行区域合并,得到最终的分割结果.实验表明,该方法提高了分割效率,解决了过分割问题,将该方法应用于岩屑颗粒图像分割取得了较好效果.     

一种改进的基于图论的图像分割方法

提出了一种融合边缘检测与图论的图像分割方法,在基于图论方法进行图像分割之前,引入边缘检测对像素点进行预分类,以消除图论方法因为区域的过合并导致的欠分割现象.实验结果表明该文的算法能取得很好的分割效果.     

基于数学形态学的医学图像自动阈值分割

提出了一种自动分割癌细胞图像的方法.该方法利用数学形态学开运算型边缘检测算子对图像边缘锐化;利用邻域平均与中值滤波方法平滑图像;利用改进的判别分析法自动选取灰度阈值进行图像自动分割;利用自动分割区域与手动分割区域的误差和平均最短距离对自动分割效果进行评价.用该方法对20幅癌细胞图像进行自动分割实验,证明了其对图像分割的有效性.     

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．     

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．     

改进的虹膜图像分割算法

虹膜分割是虹膜识别的前提.为提高现有虹膜图像分割的性能,提出一种改进的虹膜图像分割算法.采用边缘检测结合Hough变换的方法定位虹膜内外边缘,对于上下眼睑采用最小二乘法结合边缘检测的方法来检测,阈值法检测睫毛.实验结果表明,该算法能有效地分割出虹膜区域,去除眼睑及睫毛,较大地提高虹膜分割的速度和准确度.     

基于帧差法和边缘检测法的视频分割算法

针对目前常用的视频分割方法易受到噪声、亮度突变的影响,很难提取出完整的运动目标这一问题,提出一种基于帧差法和边缘检测法相结合的视频分割算法.该算法首先对连续三帧图像进行差分得到运动区域,然后对当前帧进行Kirsch边缘检测得到边缘图像,综合二者的检测结果得到更为精准的运动对象边缘.采用边缘连接算法完成对断裂边缘的连接,最后通过区域填充得到运动目标掩模图像,从而分割出完整的运动目标.实验表明,该算法可以实时有效地将运动物体从视频序列中自动地分割出来.     

半自动图像分割

半自动图像分割是图像分割的方法之一,本文提出了一种半自动图像分割的方法,即首先用手工粗略地将图像中的对象勾画出来,将图像划分为目标区域和背景区域,再利用边缘检测、最佳阈值分割、数学形态学等算法对图像的目标区域边缘进行优化,通过大量试验,得到精确的对象形状信息。     

半自动图像分割

半自动图像分割是图像分割的方法之一,本文提出了一种半自动图像分割的方法,即首先用手工粗略地将图像中的对象勾画出来,将图像划分为目标区域和背景区域,再利用边缘检测、最佳阈值分割、数学形态学等算法对图像的目标区域边缘进行优化,通过大量试验,得到精确的对象形状信息。     

一种基于U-Net网络心脏MR图像左室识别的图割后处理快速算法

为了从心脏MR图像中分割出左心室,提出了一种基于U-Net网络的图割后处理算法.先训练U-Net网络分割网络得到概率图,接着采用图割算法进行后处理.为了减少图割算法运行时间,采用图像形态学操作去除无需后处理区域,只保留分割结果的边缘区域进行图割优化.采用Dice系数和召回率这两种评价指标,在Sunnybrook数据集上...     

一种复杂背景下的多车牌图像分割与识别方法

提出一种复杂背景下的多车牌图像分割和知识方法，采用统计和特征匹配相结合的方法去除待识别图像中的背景，提取可能存在车辆的区域；分别对可能的车辆区域进行局部边缘检测，并使用车牌的先验知识确定车牌的位置和单个字符分割，包括车牌倾斜时的字符分割，使用PCA和BP神经网络相结合的方法精确识别车牌，实验结果表明，该方法对复杂背景下多车牌的分割和识别是有效的。     

结合自适应形态学梯度和区域信息的彩色图像分割

随着图像处理技术的发展,图像分割技术也日趋走向成熟,但是传统的分割方法很难实现全局分割,对目标边缘的检测存在漏检以致于无法实现有效的精确的分割,基于自适应形态梯度和区域信息的图像分割算法能弥补这些缺陷。为解决这个问题,我们提出了边缘检测采用自适应形态梯度的方法,区域信息的检测采用Chan－vese模型的最小化准则思想,把演化曲线放在一个控制的轮廓范围内不断演化,直到检测到目标物体为止,实验结果表明,该模型能停止在目标物体的边界,能检测到目标物体的凹陷区域,克服了目标边缘漏检问题,提高了分割的准确性。     

图像分割方法在焊缝跟踪过程中的应用

为提高焊缝超声波探伤的实时跟踪,提出将图像分割方法应用于白线跟踪法和激光跟踪法两种不同焊缝跟踪系统中。一种是采用Hough变换边缘检测法对检测图像中的目标边缘进行提取,另一种是利用区域增长法对检测图像中的目标区域和背景区域进行有效区分,这两种方法都能很好地提取出图像中的目标特征信息。仿真结果表明,两种图像分割算法在焊缝跟踪过程中能够准确地识别出焊缝的特征信息,确保跟踪系统的实时性。