分形技术在彩色纹理分割中的应用

应用分形技术,对彩色图象的纹理分割问题进行了探讨．为了有效地描述彩色纹理特征,我们利用图象中的色彩信息,通过象素的色彩曲面之间的体积值和单种色彩分量值进行分析,获得相应的分形特征,继而运用中值滤波技术和非监督聚类算法对特征图象进行分割．实验结果表明,利用分形技术进行彩色纹理分割是非常有效的．     

彩色图象分割与颜色特征选择

图象分割是计算机早期视觉重要的不可缺少的一步。彩色图象由于具有比灰灰度图象更多的视觉信息,受到了越来越多的重视。本文对彩色图象分割方法和颜色特征选择及关系做了概述;特别是对基于物理分割方法做了更多的描述,意旨它将是 计算机深层次视觉根本方法。     

一种纹理图像分割的松弛算法

利用分层马尔可夫随机场模型表征纹理图像，根据最大后验概论分布准则提出一种确定型松弛分割算法。对纹理图像进行分割的实验表明，该算法与模拟退火算法相比，明显地减少了计算时间，其分割误差与模拟退火分割误差非常接近。     

分形模型用于菌落图象的纹理分割

利用分形模型对菌落的显微图象进行纹进分析，表面的覆盖维数是描述菌落的有效特征，并综合其灰度特性，抽取菌落的中央隆起部分，用地菌落的识别，结果说明分形模型用于昭菌落具有自相似的物体的纹理分割是成功的。     

彩色纹理反走样技术研究

反走样是一种真实地显示物体的方法,它在图形图像领域中被广泛应用。以彩色纹理工作原理为背景,总结出了针对不同实体的反走样关键技术及其实现,最后提供了改善关键技术的方案。     

基于小波变换及布朗分形模型的纹理分割

在研究小波变换布朗分形模型的基础上,定义了水平分维数,垂直分维数,对角分维数,并将它们作为纹理特征量来实现纹理的分割,实验结果表明,这些特征量能够很好地反映纺理特征,从而分割时不需有关图象中纹理类别的先验信息,较以往方法在准确度和计算复杂程度上都有很大提高。     

彩色图象分割方法及进展

图象分割是图象分析和模式识别的首要问题和基本问题,也是图象处理的经典难题.彩色图象比灰度图象具有更多的视觉信息,因而受到了越来越多的重视.本文结合近年来彩色图象分割中出现的新算法,将彩色图象的分割方法分为四大类,并分别加以介绍,分析了各种方法的优缺点,最后指出了彩色图象分割的发展趋势.     

一种模拟自然纹理图象的神经网络模型

讨论了随机神经网络模型－吉布斯随机场模型的势能函数和分布规律，用该模型对自然纹理图象进行模拟，建立了神经网络模型，并在微机上进行了实验，结果表明，当设量不同参数时，可以得到不同的纹理图象。     

细胞图像的彩色纹理分析方法研究

为了准确描述细胞或细胞的染色不均匀特性,研究并提出了一种描述纹理的特征,依据纹理图像中彩色的最大频数原则和彩色相容原则,确定表征纹理彩色分布的最佳特征色,进而得到彩色是特征矢量和相似性测度,利用彩色纹理特征,对细胞图像做了初步的分割实验。     

一种新的图象分割方法

大多数图象处理系统都需将目标从背景中分离出来。本文介绍一种新的自适应门限图象分割方法。门限曲面通过梯度值较大的象素点即可能的边缘点灰度值内插得到。     

Gabor滤波器的纹理分割

提出了基于Gabor滤波器和FCM的纹理分割法。讨论了Gabor滤波器的选择。将Gabor滤波器用于提取纹理的特征,通过FCM的聚类来进行分割。将该方法运用于普通纹理图像及自然纹理图像——地震剖面图像的分割,仿真实验证明了方法的有效性。     

基于两维WAVELET分解的纹理图像分割方法

提出了一种纹理图像的分割方法，主要利用ＷＡＶＥＬＥＴ变换的多分辨率分析的特性，通过两维分解抽取图像的纹理特征，并对图像小窗口区域的特征进行聚类，该聚类结果可作为多层ＢＰ网权值学习的训练样本，进而利用ＢＰ网对各小窗口的特征进行分类以实现纹理图像的分割，实验证明，该方法对于纹理图像具有较好的分割效果。     

基于子波变换的纹理图像的多级分割

目的基于子波变换研究纹理图像的多分辨率分割．方法提出了子波域主能量通道的纹理图像多级分割方法．以最大能量为线索,建立起由细到粗的子波分解金字塔,分割按照其逆过程,即由粗到细,将低分辨率上的分割结果传递到高分辨率上．结果在每个分辨率上优化选择分割特征,用模糊Ｃ聚类法确定分割方案,有利于纹理图像的分割,分割结果逐级精细．结论员分辨率上基本无纹理栅格,分割效果符合人眼视觉特性．     

用神经网络算法进行纹理分割

本文使用神经网络多层感知机模型，利用误差逆传播学习算法，结合纹理分析的基本手段，通过对计算机模拟神经网络进行训练，使它掌握了多种纹理的纹理特征，有效地实现了对包含多种自然景物纹理及多种人工图案纹理的图象的分割。     

基于Zernike矩和BP神经网络的纹理分割

提出了一种基于Zernike矩和BP神经网络的纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Zernkie矩,然后通过非线性变换器将得到的矩值转换成纹理特征;选择BP神经网络作为分类器,将图像的每个像素得到的n维特征向量输入BP神经网络进行分类,最后将结果标注在原图像上.和基于Legendre矩的纹理分割结果相比,基于Zernike矩的纹理分割可以降低分割错误率.     

医学细胞图象的伪彩色增强技术

对医学细胞图象采用了数种伪彩色增强技术，对其进行了增强显示，并进行了效果比较，提出了适用医学细胞图象的增强技术和方法。     

彩色图象量化方法的研究

彩色图象量化是图象处理中的关键技术之一,本文讨论了几种常用的色彩量化算法,并且提出限一种新的统计聚类算法,实验表明,该算法是一种性能较好、复杂度低的图象色彩量化方法。     

18位彩色图象很容易压缩编码

用简单的游程度编码和位“ＸＯＲ”运算，实现１８位彩色图象数据流的压缩编码。每个压缩码字节由高位的压缩属性指标码和低位的压缩数据码组合而成，仅凭残余信息能将后续的图象解码恢复。     

旋转及伸缩不变纹理分割算法

纹理分割是图象分割的一种重要方法，因此，近２０年来提出了许多有关图象纹理分割的算法．文中将介绍一种思想比较新颖的算法——旋转及伸缩不变的纹理分割算法，其核心是利用圆周（Ｃｉｒｃｕｌａｒ）变换和Ｍｅｌｉｎ变换产生一个Ｃｉｒｃｕｌａｒ－Ｍｅｌｉｎ操作数（ＣＭＯ），将ＣＭＯ与图象进行卷积，以达到旋转及伸缩不变纹理分割的目的．实验结果表明，这种算法是相当有效的     

基于MRF模型的多层前馈网络纹理分割方法

提出一种基于马尔柯夫随机场模型和多层前馈神经网络进行纹理分割的方法，利用二阶高斯ＭＲＦ模型对图像纹理进行描述，采用最小平方误差方法进行参数估计，将估计参数作纹理的特征向量，并且利用改进的ＢＰ算法对特征进行分类。对纹理图像进行了实验表明，与常规距离方法相比，采用这种方法进行纹理分割能取得更好的效果。