融合边缘特征的马尔可夫随机场模型及分割算法

针对区域马尔可夫随机场(MRF)模型的图像分割中常产生边缘模糊的问题,提出了一种融合边缘特征的区域MRF模型(IEFRMRF)及其分割算法。IEFRMRF模型基于MRF理论,首先通过边缘模板提取图像的边缘特征,建立局部区域的边缘先验约束;其次利用图像局部区域像素的空间约束关系描述图像的局部高斯统计特征,并通过期望最大化算法估计高斯特征参数;然后根据贝叶斯原理建立了具有边缘保持作用的区域MRF模型;最终采用区域置信度传播(BP)算法对IEFRMRF模型进行全局优化,把局部统计特征传递到图像的全局,并按照MAP准则估计图像分割标号。人工加噪声图像分割的实验结果表明,IEFRMRF模型的分割结果和传统高斯MRF模型、局部区域高斯MRF模型的分割结果相比,分割准确率分别提高了47.9%和21.4%,并且分割结果的边缘更清晰,自然图像的分割实验也验证了提出模型的有效性。     

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。     

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     

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.     

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。     

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.     

焊缝表面缺陷的视觉图像表征

提出一种基于焊缝表面缺陷几何特征提取的视觉图像表征方法.以视觉系统采集的焊缝表面视觉图像为信息源,通过图像增强、图像平滑、阈值分割等方法完成了焊缝与母材的分离,采用多尺度Retinex增强、模糊边缘检测算法,实现焊缝图像中缺陷几何特征区域的提取.基于焊缝及其成像间的坐标变换关系,建立缺陷几何特征参数的求取算法.验证结果表明,获取的几何特征参数能够准确表征缺陷的大小、形状、位置等信息,基于视觉图像表征焊缝缺陷的方法是可行的.     

融合图像边缘和区域特征的道路检测算法

利用图像分割技术对车载视频进行图像处理,提取道路信息,以用于智能车自动驾驶.首先,将彩色通道图像转换成灰度图像,并进行直方图均衡化和滤波预处理;然后,利用自定义差分算子和区域生长法,进一步对处理后的灰度图像进行分割,分别获得图像的边缘和区域特征.最后,结合区域和边缘分割的互补特性,提出一个融合两者信息的分割算法,对不同条件下获得的车载视频进行图像分割,实现道路检测.实验结果表明,所提出的方法能够获得边缘精确平滑、区域均匀的道路分割,而且算法具备较好的实时性和鲁棒性.     

基于蚁群算法的方向特征分割方法

针对翅脉特征的有效提取问题,根据蝶翅图像具有方向性的特点,提出了方向小波变换与蚁群算法相结合的分割方法.该方法首先采用Morlet方向小波变换对不同方向的翅脉边缘进行检测、提取.通过分析这些边缘点的特征参数,确定初始聚类中心.基于所设置的初始聚类中心,再利用蚁群算法对蝶类翅脉图像进行分割.仿真实验表明,该方法可以将各方向翅脉特征检测出来,是一种有效的方向特征分割方法.     

叶菜根系图像的变分水平集分割算法

植物根系图像分割是根系构型特征提取和分析的前提.针对传统图像分割方法在处理叶菜根系弱边缘图像中存在分割精度和稳定性较差的问题,提出了一种基于改进C-V(Chan-Vese)模型的变分水平集分割算法.该算法不仅保留了C-V模型对于处理弱边缘图像的适用性,并针对叶菜根系图像局部灰度不均的特点引入了图像梯度信息,改进了原C-V模型.通过对小白菜根系样本图像的分割处理试验,证明了变分水平集分割算法的有效性.研究结果表明,相比传统的阈值处理、边缘检测及区域生长等算法,本文算法能更加精细地解决叶菜根系图像弱边缘和局部灰度不均的问题,并在分割精度和算法稳定性上具有明显的优势.变分水平集算法应用于叶菜根系构型观测系统中,可以有效地提高观测精度.     

基于边缘链码信息的黏连细胞分割算法

介绍了一种基于边缘链码信息的黏连细胞自动分割算法. 该算法对弱对比度的细胞图像预处理;对二值化图像进行链码跟踪,并计算边缘各点的链码和、链码差、等效周长、弧弦比等特征参数;利用特征参数判断边缘光滑段、边缘角点;对真实分割角点进行线性插值最终实现黏连细胞的分割. 将该算法应用于2组细胞图像序列共120帧图像的分割中,不仅解决了黏连细胞的分割难题,而且能够准确进行细胞凹陷的修补和细胞图像的简单计数. 统计结果表明,相比于阈值法和先验模型法,该算法的分割成功帧占整个序列的百分比提高40%~60%.      

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．     

图像分割技术的发展

图像分割是图像处理中的一项关键技术 ,也是一经典难题 ,从发展至今仍没有找到一个通用的方法 ,也没有制定出判断分割算法好坏的通过标准 .本文对图像分割方法中的域值分割方法、边缘检测方法和区域提取方法等作了一概述 ,并介绍了一些近年来出现的各种新方法和对分割评价标准的研究情况 .最后 ,指出了图像分割技术今后的发展方向     

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.     

图像分割技术的发展

图像分割是图像处理中的一项关键技术,也是一经典难题,从发展至今仍没有找到一个通用的方法,也没有制定出判断分割算法好坏的通过标准.本文对图像分割方法中的域值分割方法、边缘检测方法和区域提取方法等作了一概述,并介绍了一些近年来出现的各种新方法和对分割评价标准的研究情况.最后,指出了图像分割技术今后的发展方向.     

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.     

一种融合区域生长和边缘检测的彩色图像分割方法

介绍了一种融合边缘检测和区域生长的彩色图像分割方法。算法首先对图像进行边缘检测,然后计算像素之间在HSI彩色空间的颜色相似度,利用像素间相似度并结合边缘信息确定区域生长的种子,再基于颜色和空间信息对各个种子进行区域生长,最后进行区域合并。该算法能够实现种子的自动选取,这在传统方法中是很难实现的,此外,还能有效防止过分割。实验结果表明该算法有效。     

基于Nystrom方法的水平集医学图像分割算法

现有的基于最小化区域扩展拟合能量的图像分割模型,对于边缘模糊、噪声强的图像存在易产生边缘泄露的现象,导致分割效果不理想.针对这种现象提出了一种基于Nystrom方法的水平集医学图像分割算法.算法将原始图像通过Nystrom方法采样,近似估算相似矩阵和特征向量,通过k-means算法将特征向量聚类,最后利用水平集分割方法实现图像分割.实验结果表明,与基于最小化区域扩展拟合能量的图像分割模型相比,在相同的迭代次数中,分割时间减少,相似度系数提高.