小波变换在图像分割中的应用研究

在讨论基于小波变换的阈值分割算法的同时,提出了Canny算子和小波变换的边缘信息融合的图像分割方法,以及利用小波变换对图像纹理进行分解、特征提取,然后利用模糊C-均值聚类(FCM)进行纹理分割的方法;探讨了各种分割方法的特点、应用范围、及图像分割技术的发展方向.     

基于小波变换与FCM的甲骨文字图像分割

针对传统FCM(模糊C均值)聚类算法及改进算法无法对背景有大片点状、片状斑纹以及字迹模糊的甲骨文字图像进行有效分割的情况,提出了一种基于二进小波变换与FCM聚类算法的甲骨文字图像分割算法.首先,采用二进小波变换模极大值点对甲骨文字图像进行边缘检测;然后,充分利用二进小波变换模极大值中的边缘信息,从而进一步修改FCM聚类算法中的隶属度函数.将实验结果与传统的FCM聚类算法及改进算法进行比较,证明了该算法能更有效地分割甲骨文字图像,具有更高的正确分割率.     

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.     

基于小波变换的纹理图像分割

Ｍａｌｌａｔ非正交小波变换通常用于光滑图像的边缘提取,本文将其改进后,推广到图像纹理特征的提取和纹理图像的分割,取得了良好的效果。基于小波变换的纹理图像分割的算法中,小波变换尺度数的选取和纹理聚类数的确定是其难点。对此,本文作了详细的讨论,提出了一些独特、有效的解决方法。     

基于小波和模糊理论的纹理分割方法

提出了一种基于小波和模糊理论的纹理分割方法,该方法首先对图象进行高阶小波分解,得到一系列分辨率不同的子图象;然后采用模糊聚类方法从最低分辨率图象进行聚类,将低一级的分割结果扩展后再应用于较高级分辨率,一直到最高分辨率为止,这样就得到一个原始图象的初始分割;最后引入空间约束算法,得到原始图象的粗细分割结果．由于考虑了图象象素之间的相互关系,故提高了分割的准确性．仿真结果表明该方法是比较有效的．     

一种基于小波变换与分水岭变换的菌落图像分割算法研究

菌落的特点是菌落细胞大小不一、形态各异、分布杂乱。提出了一种新的基于小波变换与分水岭变换的分割算法,首先利用小波变换产生多分辨率图象,然后对最低分辨率图象进行分水岭分割,最后对低分辨率分割后的图象进行高分辨率投影,得到高分辨率图象的分水岭分割结果。实验结果表明,该算法对复杂菌落图象能获得较好的分割效果。     

基于小波变换和模糊c-均值聚类的图像边缘检测

提出一种结合小波变换和模糊聚类技术对图像边缘进行检测的新算法．首先,对图像进行小波变换。并将相邻尺度小波系数相乘以增强边缘和去除噪声,然后利用模板得到四个方向的小波模梯度值,并以其作为特征作成待分类点集,最后,采用模式识别中的模糊c-均值聚类技术进行自动分类,实现边缘检测．实验结果表明,该算法具有较好的边缘检测和抑制噪声的能力。     

基于小波变换的分开-合并图像分割

小波变换具有良好的“时间—频率”局部化特性及多尺度变焦距特性对于二维图象的小波变换,其梯度模值提供了图像的边缘信息在大尺度时,图像边缘稳定,但存在有位移小尺度时,边缘定位精确,但易受噪声影响噪声和边缘都具有较高的空间频率噪声的能量小,在大尺度下,其小波变换系数值小边缘的能量大,在大尺度变换下,其小波变换系数值大由多尺度小波变换系数的变化情况,估计边缘的类型采用多尺度小波变换系数作为四分树结构的分开—合并法图像分割的一致性度量从而在大的图像块中,去除噪声的影响,在小的图像块中,以小波变换的局部极大值精确定位边缘,根据边缘信息进行分开—合并法图像分割实验表明,算法得到满意的结果     

图象累进编码中正交小波分解的几个技术问题

基于Mallat塔式算法的二维图象离散小波变换本质上是一种全局分解,能同时提供图象在边缘区、平坦区及各尺度下的图象信息,本文讨论了二维图象正交小波变换分解中的边界处理,小波基类型及长度选择、分解层数等重要技术问题,实验结果表明,以此为基础的图象累进传输编码方案行之有效。     

基于小波域灰度拉伸的Ostu图像分割

针对Ostu分割方法简单有效但不适用于没有明显双峰直方图图像分割的问题,提出了一种基于小波域灰度拉伸的Ostu图像分割方法,结合小波变换和最大类间方差分割的原理对图像进行灰度拉伸和边缘信息增强后再利用Ostu方法进行分割.实验结果表明,新的分割方法在没有明显增加计算复杂度的情况下增大了Ostu方法的普适度,保留了更丰富的细节成分,提高了分割精度.     

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。     

基于小波变换和升高变换的IC图像纹理分割算法

引入二值图像的升高变换，并结合小波变换提出一种IC图像纹理分割算法．在纹理分割过程中，首先对IC图像进行小波分解并对二值化后的近视部分进行升高变换，然后利用原图像信息识别出不同纹理，分割出不同区域．实验表明，该算法快速、高效，具有很好的实用性．     

基于SAR图像滤波的小波模糊聚类算法

针对合成孔径雷达(SAR:Synthetic Aperture Radar)图像固有的相干斑噪声,提出了基于小波模糊聚类算法的去噪方法.该方法把信号和噪声的小波系数的分割看为一个两类模式分类问题.通过将小波系数幅值和高频子图像中的边缘信息作为聚类特征进行噪声系数分离,实现了精确分离小波系数,滤除相干斑噪声的目的.该算法不需要选择阈值和了解噪声的先验知识,有较强的数据自组织能力.实验结果表明,二维聚类滤波的信噪比提高了近8%,图像显示效果也得到了明显改善.     

改进ROEWA与小波变换结合的遥感图像海陆分离

海陆分离一直是光学遥感图像舰船检测中最重要的一部分,目前大多数的海陆分离算法都是依靠先验信息或是利用灰度特征对图像进行处理,造成分割效果不明显,大量的孤立区域无法处理,而且会造成误分割,不利于后续处理。针对上述问题,本文提出一种基于改进ROEWA算子与小波变换结合的海陆分离方法。首先利用ROEWA(指数加权平均比率)算子对原始图像进行边缘检测得到边缘的强度,再利用非极值抑制和双阈值算法定位边缘,然后采用小波变换对叠加后的图像进行二次边缘提取,提取边缘的方向,最后对边缘检测后的图像进行区域生长,进而得到最终的海陆分离图像。实验结果表明,本文的算法与常用的的海陆分离算法相比,检测效率和精度都比较高,且鲁棒性好,有利于后续舰船检测的处理。     

一种有效的聚束式合成孔径雷达图像特征提取算法

提出一种聚束式合成孔径雷达图像特征提取的有效算法.通过小波变换图像去噪法提高信噪比;利用Canny算子完成边缘检测;根据雷达图像的特点提出边缘检测后不做曲线闭合,而直接进行阈值处理的图像分割.图像预处理后提取具有旋转、尺度、平移不变性的Hu矩作为特征矢量并归一化,在训练阶段引入聚类分析.以MSTAR实测数据为样本,用最近邻分类器和BP神经网络分类器对该特征提取算法进行识别能力测试,算法的有效性得到了验证.     

利用Relief特征加权进行基于小波变换的纹理分割

在利用小波进行纹理分割的相关研究中,通常小波分解的四个子带对分类的贡献是均匀的。为了考虑不同子带对图像分割的不同影响,提出了一种利用Relief算法对小波分解的子带特征进行加权的算法。首先对纹理图像进行标准金字塔结构小波变换,对小波变换后的各层四个子带进行特征提取作为纹理图像的四维特征;从粗尺度开始对纹理图像进行K均值分割,得到初步分割结果;然后把初步分割结果扩展到下一尺度,根据扩展后的分割标记图对相应尺度的纹理特征进行基于Relief的特征加权,得到加权后的四维特征;再进行K均值分割,经过多层迭代后,得到原纹理图像的分割结果。实验结果表明,与未加权的传统分割方法比较,该方法在分割错误率、边缘准确性以及区域一致性上都有明显改善。     

基于小波变换及融合技术的图像边缘提取

图像边缘检测是图像分割、图像识别的基础,传统边缘检测是基于图像整体的边缘检测.小波变换使基于图像分解的边缘检测成为可能,利用小波变换将数字图像分解为高频和低频分量,对高频和低频分量分别进行边缘检测.常规融合方法是将高频边缘和低频边缘进行简单叠加,由于高频、低频边缘是通过不同方法提取的,二者之间的相似度、吻合度存在差异,简单叠加不能够有效融合高频、低频边缘图像特征,本文算法采用局部区域方差准则把高频和低频边缘在小波域进行融合.实验表明,该算法能够有效融合高频、低频边缘图像特征,具有较好的边缘检测和去噪功能.     

基于多尺度小波变换的图像边缘检测

图像边缘是图像中的重要信息,为了检测图像中的边缘信息,提出了一种基于多尺度小波变换的图像边缘检测算法．该算法充分利用了图像边缘在多尺度下的信息,首先选用二次B样条小波对原始图像进行多尺度小波分解,提取出图像中的高频信息,包括真实的图像边缘和噪声,然后根据图像边缘和噪声在不同尺度下具有不同的传递性,抑制噪声分量,保留图像边缘分量．实验结果表明,该算法获得了较好的图像边缘检测效果．