合理分割岩心微观结构图像的新方法

以判别分析法分割图像的基本原理为基础,提出一种以岩心试验孔隙度为重要约束条件的图像分割新方法.对比分析结果表明:判别分析法理论上能够对图像进行最佳分割,但实际分割结果与真实情况存在偏差;因岩心非均质性及岩心内部可能存在孤立孔隙等原因,导致完全以岩心试验孔隙度为准则的图像分割法无法取得理想的分割效果;新方法充分考虑了孔隙度在CT图像分割处理中的总体控制作用,同时兼顾判别分析法基于实际图像的具体特征对图像分割所起的局部调整作用,能够对岩心灰度图像作出更加合理的二值分割.     

基于改进分水岭算法的图像分割算法

针对传统分水岭图像分割算法存在的对噪声敏感、误分割率高等缺陷,提出一种基于改进分水岭算法的图像分割方法,以获得更理想的图像分割结果.首先对原始图像进行滤波预处理,消除噪声对图像分割的干扰,保护分割目标的边缘信息;然后对图像进行变换处理以增强图像对比度,并在此基础上采用分水岭算法分割图像;最后采用多种类型图像在MATLAB2014平台上进行仿真测试.仿真测试结果表明,该方法避免了噪声对图像分割结果的影响,能获得更理想的图像分割效果,且分割精度和效率明显优于其他图像分割方法.     

基于最大熵的迭代分割算法

对于一些对象与背景像素灰度值类似的图像以及充满噪声的图像,传统的图像分割算法分割精度较低。为解决这一问题,提出了基于最大熵的迭代分割算法,根据求出的最大熵阈值将图像分为背景和对象两类区域;分别对两类区域求取灰度平均值,以该平均值将图像分为对象、背景和待分割3个区域;再对待分割区域进行迭代求取最终阈值,并根据最终阈值对图像进行分割。实验表明,该算法具有较高的抗噪性能,能精确分割一些轮廓不明显的图像,其分割精度明显好于其他传统图像分割算法。     

图像分割方法及其应用研究

本文主要介绍了图像分割的一种常用方法——基于阈值的图像分割方法及其存在的问题和最新进展,同时介绍了以肺CT图为例应用迭代法分割出肺实质,最后指出了图像分割技术的应用现状及发展趋势。     

基于新区域一致性度量与图论的SAR图像区域分割

由于SAR图像含有斑点噪声, 传统区域分割方法已不再适用于SAR图像分割.为此提出了一种新的SAR图像区域分割方法.该方法通过定义一种可有效抑制斑点噪声影响的区域一致性度量,以指导四叉树技术分裂SAR图像得到初始分割区域;然后以区域为顶点和区域间的相似度为边权,构建一个完全赋权图.最后运用图论分割方法中可利用全局信息的Minimum Cut方法进行区域合并,获得最终的图像分割结果.实验结果表明了该方法的有效性.     

基于模糊形态学的图像边缘轮廓提取改进分割算法

图像边缘轮廓提取在国计民生、军事等领域有广泛应用,为了克服噪声等影响导致的图像过度分割现象,探讨了一种基于模糊形态学的图像分割改进算法.该方法借助模糊形态学的开、闭运算,首先对原始图像进行平滑处理,然后基于形态学梯度算子进行梯度计算,最后基于改进分水岭算法与IFT分割算法的融合,对梯度图像进行分割得到期望的边缘轮廓图像.仿真以图像识别为例,实验显示基于改进的图像分割算法可较好地消除过分割现象,正确识别图像,实现目标与背景的分离.研究结果表明,提出的图像分割算法是合理可行的.     

基于多尺度特征提取的图像语义分割

指出了基于深度学习的图像语义分割中,如何充分利用图像上下文信息以达到更好的分割效果,是当前图像语义分割研究的关键问题.为解决这一问题,提出了一种基于多尺度特征提取的图像语义分割方法,通过构建深层卷积神经网络,并利用不同尺度图像作为网络的输入来提取不同尺度图像的特征,最后经过特征融合得到了分割图.在公开数据集Stanford background dataset 8类数据集上进行训练和验证,实验结果达到了84.33%的准确率.实验表明:通过提取和融合多尺度特征,可以达到更好的图像语义分割效果.     

弱边缘医学超声图像目标区域的自动定位与分割

医学超声图像分割是图像处理中的一项关键技术.以胆结石超声图像为例,介绍一种新的弱边缘超声图像分割算法.首先采用基于直方图凹度分析的阈值分割方法确定Snake模型的初始蛇,再基于Snake模型结合贪婪算法对图像进行目标分割.实验结果表明该算法对弱边缘现象较为严重的医学超声图像进行目标分割时,定位准确,且分割效果良好.     

基于分水岭算法的双向凝胶电泳图像分割

采用分水岭算法对电泳凝胶图像进行分割,针对其存在的过分割问题以及图像本身的特点,提出了根据拓扑曲率对过分割区域进行合并,以得到有意义的分割结果。用本算法对电泳图像进行了分割实验,结果表明,用本算法适用于电泳图像,并且效果良好。     

基于活动轮廓模型的在线铁谱图像分割研究

为了准确分割磨粒区域以得到油液中铁谱磨粒的含量，从而获取设备油品及故障信息，以图像可视在线铁谱传感器获取的磨粒图像为对象，引入了基于曲线演化理论和水平集方法的两个区域几何轮廓模型，即LBF模型及IR模型。通过对比这2种模型的分割效果发现：IR模型具有更高的分割准确率和更快的收敛速度。然后进一步分析了模型参数对分割结果的影响，得出不同磨粒浓度条件下对应最优分割效果和最短运算时间的分割参数值，为在线监测中磨粒图像分割参数的自适应选择提供了依据。实验结果表明，研究所采用的分割模型对于磨粒图像具有更高的分割准确率和收敛速度，为后续快速、准确计算油液中铁谱磨粒含量提供了保证。     

基于最大区域互信息量的生物细胞图像分割

针对基于互信息量的阈值分割算法没有考虑像素的空间结构信息以及分割后图像与原图像之间关系的问题,提出了一种基于最大区域互信息量的图像分割算法.以区域互信息量作为目标函数,综合考虑图像各像素的邻域数据以及图像内在空间信息,利用粒子群算法找出图像分割的最佳阈值,克服了基于最大互信息量分割方法的不足.     

一种基于阈值与边缘检测的遥感图像分割方法

针对阈值分割法分割遥感图像目标区域不完整问题,提出了一种融合边缘信息的遥感图像目标分割方法。方法以阈值分割得到的图像为基础,同时融合边缘提取方法得到的目标边缘图像,然后采用区域生长的方法填充融合图像的孔洞,最后利用形态学滤波得到完整的目标区域。实验证明,本方法能够完整分割遥感图像目标区域,为后续的目标识别奠定了基础。     

结合字典学习和稀疏聚类的医学图像分割算法

为了改善医学图像的分割效果,结合字典学习和聚类算法,提出了一种以字典作为聚类中心,以稀疏表示实现聚类分割的医学图像分割算法.对于单幅的医学图像,可以通过交互进行稀疏表示和字典更新至收敛,从而实现无监督自适应分割;对于序列图像,则可以利用样本图像训练字典,并利用训练字典完成序列图像的分割.通过对SBD数据库的大脑MRI序列图像进行分割实验,结果表明,该算法有较好的分割精度,且能够保持序列医学图像分割的准确性和一致性.     

基于稀疏自编码的手指静脉图像分割

针对获取的手指静脉图像不仅包含静脉特征,而且包含噪声和不规则阴影,从而增加了特征提取难度的问题,提出了一种基于稀疏自编码的手指静脉图像分割算法;首先采用传统分割算法对原始灰度图像进行分割,得到一副二值图像(背景像素值为0,静脉像素值为1);然后,以该灰度图像的每个像素点为中心,对其进行图像分块,并将二值图像中对应于中心点的值(0或者1)作为该块的标签,建立训练集合;最后,将训练样本(分块图像和标签)输入到自编码器和神经网络中进行训练,再用训练好的模型对测试图像进行分割;实验结果表明,相比传统的算法,提出的手指静脉分割算法能够有效地对静脉进行分割,提高手指静脉认证系统的认证精度。     

基于区域增长算法分割DICOM格式的CT肝脏图像

在计算机辅助诊断中,为减少数据损失与处理时间,直接从DICOM格式的CT腹部图像中分割肝脏组织.利用区域增长算法自动分割CT肝脏,并和医生手工分割的肝脏图像做对比.分割的肝脏图像与原图像相比,自动分割的肝脏和原图像肝脏接近一致,得到较为满意的效果.区域增长分割算法能从胸腹腔CT图像中分割出保留灰度的肝脏,为CT图像的计算机辅助诊断起到了重要的作用.     

结合互信息熵差测度的高斯混合模型图像分割

从分割图像与原图像的内在联系出发,提出了一种基于高斯混合模型与互信息熵差结合的分割算法--GMM-DMI算法.利用期望极值化方法确定高斯混合模型的各分量参数,以互信息熵差为模型选择准则,计算前分割图像与当前分割图像的互信息熵差,互信息熵差达到最小时即为最优解.实验结果表明,本算法所得到的目标图像的区域保持形状且定位性能好.     

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．     

基于改进粒子群优化算法的图像分割

针对当前主动轮廓模型难实现图像高精度分割的问题, 以获得更理想的图像分割结果为目标, 提出一种基于改进粒子群优化算法的图像分割方法. 首先分析传统主动轮廓模型, 指出其存在的局限性; 然后建立能量最小化控制点的泛化函数, 采用粒子群优化算法对泛化函数的最优值进行搜索, 根据所有的能量最小化控制点实现图像分割; 最后采用标准图像库与传统图像分割方法进行对比测试. 测试结果表明, 相对于传统方法, 该方法能更精准、 快速地分割图像, 并有效抑制图像中的噪声干扰, 可获得理想的图像分割效果.     

基于脉冲耦合神经网络的多区域图像分割

为解决传统脉冲耦合神经网络(pulse coupled neural network,PCNN)仅限于二值分割且无法对灰度缓慢变化的大范围区域进行完整分割的问题,提出了一种基于PCNN的多区域图像分割算法。将分割图像经过平滑和归一化后送入PCNN,在快速连接机制作用下,每次迭代处理中具有相似状态的神经元可实现同步点火,完成单个图像区域的完整分割。经过预定的迭代次数后,以各神经元的点火次数为新输入图像各像素点的灰度值,然后经平滑和过归一化后再次送入PCNN重复上述处理,完成多区域图像分割。Berkeley图库的实验结果显示,该算法高效、鲁棒,可有效应用于图像分割。     

结合BV-L2分解的CV变分水平集模型

Chan-Vese(CV)模型基于图像的全局信息,对噪声有一定的鲁棒性,但是对于强噪声污染图像,CV模型并不能取得好的分割效果。笔者结合变分图像分解和CV模型,提出了一个新的图像分割变分模型。该模型结合BV-L~2分解和CV模型,可以实现噪声图像的同时去噪与分割。采用交替迭代算法对新模型进行求解。以人造图像和自然图像为实验对象验证了研究模型分割的有效性和鲁棒性。此外,对比实验结果显示对于强噪声污染图像,与经典的CV模型和VFCMS模型相比,研究模型在分割质量上有一定优势。