区域生长型分水岭算法及其在图像序列分割中的应用

针对物体基视频编码中的图像分割,提出了一种区域生长的分水岭算法,它直接对要分割的图像而不是其形态梯度信号进行分割,克服了传统形态分割方法使用形态梯度信号而导致轮廓信息丢失的缺点。此外,在具体实现算法时,采用了一种基于分级队列结构进行图像扫描的巧妙方法,大大提高了算法的效率。模拟结果表明,该算法能有效地分割运动物体,能较精确地定位运动物体的边缘。     

演化曲线自适应驱动的图像分割水平集模型研究

利用图像梯度和几何曲率等信息可以准确定位分割图像的边缘.基于此,本文在对图像分割典型变分模型有效性及所存在问题分析和讨论的基础上,提出了一种演化曲线自适应驱动的图像分割水平集模型.模型通过调整演化曲线长度项和面积项的权重函数,使演化曲线能够根据图像当前的状态自适应的调整演化幅度和方向,不仅提高了图像分割的准确度,还大大缩减了图像分割时间;模型在利用图像局部区域信息的同时,也利用全局化的正则函数来兼顾模型能量泛函的全局性,使模型有了对异质区域边界的捕捉能力.经试验验证文章所提出的新模型有效可靠.     

一种基于改进Snake模型的边界检测方法

基于原始Snake模型提出一种改进Snake模型的边界检测方法. 该方法通过引入一个能自动控制外力大小的权值, 令其与图像梯度大小成正比, 通过Laplace算子将梯度信息扩展到更远的均匀区域, 扩大了Snake演化曲线的搜索范围, 使演化曲线在加权外力的作用下能进入到目标深度凹陷的区域. 通过OpenCV实验表明, 改进的Snake模型能较好地收敛到待分割目标深度凹陷的边界, 同时提高了收敛速度, 改善了原始Snake模型难以捕获凹陷边界的问题.     

改进的几何活动轮廓演化及其在目标跟踪中的应用

为提高几何活动轮廓分割算法的分割效率和准确性,设计了新的边缘检测与跟踪算法.首先采用矢量图像计算图像的梯度值,并设计能够自适应调整阈值的边缘指示函数,进而提出改进的变分水平集演化模型;然后设计基于该改进模型的边缘检测算法,并在无迹卡尔曼滤波器框架下设计了运动目标的跟踪算法.实验结果表明,文中算法不但显著地提高了轮廓演化模型的灵活性和收敛速度,而且对阴影、遮挡、目标形变和背景干扰等具有较好的鲁棒性.     

基于梯度二阶导数的Canny阈值自适应选取算法

图像边缘含有丰富的图像信息,对于很多视觉系统至关重要,比如目标检测与图像分割等。传统的Canny算子仅能用于灰度图像,无法有效利用彩色图像中的颜色信息;此外,该方法需要人为设定高低阈值,不能自适应提取图像边缘,进而造成背景边缘放大等问题。提出了一种基于Canny的自适应彩色图像边缘检测算法;该算法首先通过图像一阶直方图的统计特性,自适应地选取高斯滤波器的参数σ,有效去除了噪声;同时改善了σ参数设置不合理对边缘检测的影响。其次采用了基于图像梯度二阶导数的阈值选取的方法,即根据图像特性自适应选取合适的阈值。实验结果表明:算法能很好地改善传统Canny算子的缺陷,对于彩色图像的边缘信息提取能达到很好的效果。     

测地线主动轮廓模型在图像分割中的应用

Snake模型在图像分割中的应用主要有以下的缺陷:对初始位置敏感;实现曲线的拓扑变化比较困难。测地线主动轮廓模型是一种几何主动轮廓模型,在解该方程时采用LevelSet方法,这样曲线不管怎么演化,水平集函数总保持某种性质。通过实验表明,该模型受初始位置影响不大,而且能很好处理多目标物体分割问题,同时在遇到模糊的图像边缘时,可以利用曲线的几何结构信息,来获得图像的边缘。     

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.     

结合区域间差异性的水平集演化模型

水平集方法在图像分割中得到了广泛的应用.其中基于边缘的活动轮廓模型主要通过梯度信息驱动曲线演化到目标边界,但基于梯度信息使得在分割时会产生过分割,并且对于灰度不均匀图像处理效果不理想,有可能得到不令人满意的结果.而基于区域的活动轮廓模型则是通过区域信息控制曲线移动,使得分割的结果立足于整体图像信息.基于上述原因,本文通过在水平集中提出了一种新的区域分量,在能量泛函中加入目标区域灰度和背景区域灰度的差的平方,提出了一种改进的图像分割算法.研究结果表明,与一般的活动轮廓模型相比,加入区域间差异性信息的活动轮廓模型的分割结果更加符合实际情况并且收敛速度更快,效率更高,得到的分割结果更令人满意.     

基于视觉显著性和活动轮廓的图像分割

提出一种视觉显著性和传统的C-V模型相结合的图像分割方法,该方法首先提取图像的显著图,然后使用改进的自适应阈值法将显著图进行二值分割并提取边缘,并以此边缘作为C-V模型演化的初始轮廓.这样对于具有复杂背景的图像C-V模型可以从靠近目标物体的位置开始演化,从而得到较为准确的边缘,同时,也可以减少C-V模型的迭代次数.     

基于全自动泊车与对数变换法的轨迹图像边缘信息细节化检测

为解决传统边缘检测方法中阈值设置过高或过低,致使关键信息被遗漏或干扰信息被误看作重要信息,造成边缘检测结果不可靠的问题。通过引入自适应阈值思想,研究了基于全自动泊车的轨迹图像边缘检测方法。对采集的全自动泊车的轨迹图像进行直方图均衡化和自适应二值化处理,以及先腐蚀后膨胀的操作,对小对象物体及平滑较大物体边界进行消除。通过一阶微分算子求解经预处理后图像不同点的梯度幅值与梯度方向,细化梯度幅值图像中的屋脊带,仅保留幅值的局部极大值。采用对数变换法对梯度范围进行扩展。通过新的局部自适应阈值化方法确定阈值,实现全自动泊车轨迹图像边缘的初检测。针对轨迹图像边缘直线线段,选用Hough变换法提取其中的直线特征,获取直线轨迹。结果表明,所提方法边缘检测细节化好,可见整体性能优。