基于灰度分布的概率密度实现实时图像分割

针对实时图像质心跟踪的问题，提出了一种目标分割的算法。对相邻两帧图像的跟踪框和背景框的灰度分布统计，加入滤波因子，再根据Bayes判别规则构造判别函数，把背景像素和目标像素进行分类。实验结果证明，该方法克服了由于图像序列中某一帧图像灰度分布发生突变产生的影响，能较好的分割出图像中的目标。在电视跟踪系统中有效的保证了跟踪的稳定性。     

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.     

肝脏MR图像自适应分割方法

提出一种基于自适应边缘检测和自适应灰度阈值的肝脏MR图像序列分割方法.方法通过构造频率图像自动选取序列中含有最大肝脏区域的图像切片,以此图像切片为起点,向上、向下对序列图像依次进行分割.在分割的过程中,将相邻图像的分割结果作为当前分割图片的掩膜图像,以表示当前图像中肝脏区域的大致轮廓,据此轮廓,统计当前图像中肝脏区域灰度值变化范围,进行自适应阈值分割,最后利用集合关系及质心位置合并阈值分割后的肝脏区域.以此方法对福建省肿瘤医院提供的30个腹部MR图像序列进行分割实验,结果证明该方法对肝脏MR图像分割的有效性.     

基于C-V方法改进的红外图像自动分割

基于简化的Mumford-Shah水平集图像分割模型,Chan-Vese提出了不依赖于图像边缘的水平集图像分割算法(C-V方法).但是该方法分割参数难以确定,对于具有非均匀灰度背景的红外目标图像常常分割失败.针对这一问题给出了改进的拟合能量模型,新模型兼顾到了目标的同质性信息与其所占面积比例的关系.基于该模型的水平集图像分割方法自适应于灰度起伏的背景,可以较为理想地分割出与背景灰度差异不太明显的目标,对小目标也具有很强的适应性.实验结果表明,在固定水平集分割参数的情况下,新方法对于不同类型、不同背景的红外图像具有了良好的适应性.     

基于Mumford-shah模型的多目标分割

基于Mum ford-shah模型的图像分割中,多目标图像的分割是一个较难以解决的问题,其主要原因是由于目标物体多导致灰度级多,分割中可能使得灰度级相似的多个目标物体被划分到同一个目标内或者灰度值和背景灰度相似的目标物体被划分到图像的背景中,导致分割的失败.针对这些问题,提出了多个水平集的方法,该方法的基本思想是在图像区域建立多条位置不同的演化曲线(即多个零水平集),使它们各自按照原始的Mum ford-shah演化模型同时进行演化.数值实验结果表明,该方法可以把多个目标物体分割开来,得到正确的分割结果,所以该方法对于多目标图像在一定程度上是有效的.     

基于快速最小距离树的肝脏图像非刚性配准

为精确诊疗肝脏疾病,针对CT肝脏图像中呈现出与相邻器官灰度值相似、边界不清晰,仅靠灰度水平法难获得理想的分割结果的问题,采用快速最小距离树度量多维特征,构造了Renyiα-entropy能量函数,成功完成了atlas和待分割图像之间的非刚性配准,实现了肝脏的自动精准分割.该方法的分割精度较传统互信息法明显提高,较传统Prim算法分割速度更快.     

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.     

基于字符整体特性及blob分析的车牌字符分割

为克服车牌边框、铆钉、车牌倾斜及车牌图像中亮度不均等不利因素的影响,利用水平结构元素对图像进行灰度Top-hat/Bottom-hat形态学锐化增强;然后通过中间行扫描,对各连通体进行blob分析.在字符分割过程中,利用车牌字符高度整体一致、相邻字符水平位置基本一致以及相邻字符中心间距所特有的比例关系等整体特性,作为车牌字符分割的依据.可有效克服常用方法中单个字符特性及单个字符与车牌总体的相对特性对图像倾斜、拉伸、缩放敏感及难以处理字符中的"1"的缺陷,实验结果证明了该算法的有效性.     

基于数学形态学的弱小目标检测算法

提出了一种基于数学形态学和邻域搜索的弱小目标检测方法,该方法先利用弱小目标的灰度特征,采用数学形态学算法对单帧图像进行预处理,检测出可疑目标集合.然后利用弱小目标的运动特征,采用邻域搜索的方法对多帧序列图像进行后处理,检测出真实目标.     

基于主成分分析的图像分割方法

针对多阈值图像分割方法中存在的问题,提出了一种基于主成分分析(principal component nalysis,PCA)的图像分割方法。通过奇异值分解对灰度图像进行重建,将图像中背景像素的灰度值变换到零附近,并将待分割目标分为两类,从而只需2个阈值就能对图像中分别属于不同灰度值范围的目标进行分割。不同图像的分割实验验证了该方法的有效性。实验结果表明,该方法对不均匀光照和噪声不敏感,并且只有2个阈值需要优化,大大降低多阈值分割方法中阈值优化的复杂性和时间消耗。