基于头饰特征的肖像类唐卡图像自动标注

人机交互选择肖像类唐卡图像的头饰区域,采用最大类间方差法取得阈值对图像进行分割,得到初始的唐卡分割图.计算头饰区域的欧拉数、头饰轮廓内部的颜色分布,综合这两个维度的特征刻画头饰的整体特征.头饰特征到肖像类唐卡图像名称具有对应规则.结合这一规则,实现肖像类唐卡图像的名称标注.实验结果表明,整合多特征,利用底层特征到名称的映射,可以有效地对肖像类唐卡图像进行标注.     

基于比重漂移的唐卡破损区域分割新方法

破损区域分割是数字化修复唐卡的前提。针对在局部区域内破损区域和邻域灰度值存在差别这一特点,提出了基于比重漂移的唐卡破损区域分割方法。首先获取局部块内各个像素的比重度,然后选取合适的阈值实现破损区域的分割,最后去除伪破损区域,得到最终的分割结果。通过对常见的几种破损唐卡进行分割实验,验证了方法的有效性和鲁棒性。另外所提方法对壁画和自然图像的分割也具有一定的有效性,说明了其应用的广泛性。     

融合云模型和比重阈值的唐卡破损区域分割

针对唐卡破损区域分割问题,提出了融合云模型和比重阈值提取破损区域的算法。首先获取RGB彩色图像的灰度图、HSV空间的V分量、YIQ空间的Y分量、LUV空间的L分量,合并这四个分量得到融合图像;其次利用云模型过滤融合图像,得到云过滤图像;然后计算云过滤图像的比重度并进行局部比重阈值分割,得到分割结果 1;再分块粗分割融合图像得到分割结果 2和分割结果 3;最后合并分割结果 1、2和3得到分割结果 4,对分割结果 4去除过分割区域,得到最终分割结果。实验结果表明,与一维最大熵法、OTSU算法、数字形态学算法等算法相比,该算法的分割效果较好并具有一定的稳定性。     

基于改进FCM算法的彩色图像破损区域提取

现有的大部分图像修复技术需要人工确定待修复区域。结合改进的FCM算法提出了一种自适应提取彩色图像破损区域的方法。该方法可以自适应获取彩色图像初始聚类数目,并采用交叉熵距离测度进行FCM聚类,同时利用颜色和纹理特征向量对彩色图像进行分割,进而提取破损区域。实验结果表明,该方法不仅能够有效提取图像的破损区域,而且算法的普适度也得到了相应提高。与传统的FCM算法相比,本文方法对彩色图像的分割更易于实现,分割效果令人满意。     

基于Hopfield神经网络的唐卡图像损伤区域的提取

反映藏族文化艺术特色的古唐卡由于自然和人为的原因有些遭受了不同程度的损伤。针对唐卡画面颜色脱落的一类特殊损伤形式,通过对Hopfield神经网络稳定性的分析,在HSI色彩空间研究Hopfield网络模型,并利用其记忆特性对古唐卡图像进行颜色聚类分割。实验结果表明这种方法可以有效地提取图像中的损伤区域。     

利用同步自回归模型和小波特征进行纹理图像分割

为了提高纹理图像分割的边缘准确性和区域一致性,提出了一种利用同步自回归模型和小波特征实现纹理图像分割的方法,包括特征提取、粗分割和细分割3个阶段．先提取图像的同步自回归模型参数特征,然后利用K-均值聚类实现对纹理图像的粗分割,细分割则是在粗分割的基础上提取图像的小波特征,然后利用最小距离分类器对粗分割图像中不稳定象素进行重新分类,实现图像的最后分割。     

基于SVM的多特征唐卡头饰分类

为了能够适应寺院、图书馆、文化馆、唐卡数字化保护研究机构等用户精确检索的需要,对唐卡头饰进行分类,从而实现语义标注、语义检索,提高唐卡检索的精准度。针对已有的唐卡头饰分类方法具有分割困难或交互繁琐等缺点,不利于实际应用,因此本文提出了基于SVM的多特征唐卡头饰分类方法。首先利用小波分割方法、FFT分割方法对头饰进行分割,获取头饰轮廓信息,分别提取Hu不变矩、傅里叶不变矩、Zernike矩和频率谱形状特征;其次合并这两类形状特征,得到合并形状特征,与头饰的颜色特征联合成多特征;最后SVM训练后分类。与其它方法相比,本文提出的分类方法具有分割效果好且交互简单等优点,可以达到对头饰分类实际应用的要求。     

消除图像噪声的方法研究

为使民族文化瑰宝藏族的唐卡得以永久保存,利用现代计算机图像处理技术,研究和恢复破损的图像,再现唐卡的完整画面,不失为一种好的手段,在消除图像噪声方面利用贝叶斯估计法可消除噪声、量化噪声,利用图像局部性质特征等方法也可消除噪声     

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。     

基于速度特征矢量提取运动目标的图像分割方法

研究基于速度特征矢量提取运动目标的图像分割方法,根据目标图像像素移动的一致性,在序列图像中利用块匹配法进行帧间图像配准,得到目标图像块的速度估计,将具有相同速度矢量的目标图像块聚类,即可分割出运动目标。仿真实验结果表明,该方法能有效地对复杂背景下的运动目标图像进行分割,并具有较好的抗噪能力。     

融合多特征和谱聚类集成的图像分割方法

针对图像单一特征分割结果的适应局限性,提出融合多特征和谱聚类集成的图像分割方法(MFSC-IS).首先对图像进行基于粒计算的多特征子分割;然后将分割结果映射到超图,利用谱聚类集成算法得到最终分割结果.实验结果表明,与Gpb(Globalized probability of boundary)算法相比,融合多特征和谱聚类集成方法可以得到一个相对较好的分割结果.     

基于对称分形的虹膜图像压缩算法

利用虹膜图像固有的对称特性,提出了基于对称性的快速分形虹膜图像特征区域的压缩算法;通过虹膜图像特征区域边缘的定位,确定对称轴,然后对于一值域图像块,与其匹配的定义域块被限定在其对称区域中,从而可减少定义域块的搜索范围,加快分形编码速度,最终达到加速虹膜图像压缩目的。     

一种基于区域分割的图像检索方法

提出了一种基于区域分割的图像检索方法:首先用改进的基于一致性分析的空间分割算法对图像进行区域分割,然后提取各区域的视觉特征,再对查询图像和目标图像中各区域的视觉特征进行多对多的匹配,采用最小平均准则和高斯归一化加权求和得到图像间的相似度.通过与基于全局特征的检索结果比较表明,该方法可以产生比较满意的结果.     

基于改进FCM和形态学的浮选泡沫形态特征提取

针对浮选过程中因气泡粘连及形状不规则导致泡沫形态特征难以提取的问题,提出一种基于改进模糊C均值(fuzzy C-means,FCM)聚类和数学形态学的浮选泡沫形态特征提取方法。引入聚类有效性指数及特征散度对模糊C均值聚类算法加以改进,并利用改进的聚类算法对泡沫图像进行聚类,得到泡沫大致区域。依据灰度分布和形状特征,采用面积重构开闭算法对图像进行除噪处理。基于形态重构方法思想,提出采用高低精度距离变换方法,同时,结合改进面积重构变换提取标志图像,进而利用分水岭算法对泡沫图像进行分割。通过测量分割区域和标定像素提取泡沫形态特征,并与浮选工艺参数做相关性分析。研究结果表明,该方法能够准确地分割粘连泡沫,且提取的泡沫形态特征能有效反映浮选工况。     

面向对象的遥感图像水陆场景快速分类

针对传统方法对过分割未作处理以及边界语义上下文信息不强的缺点,对水陆场景图像进行区域分类,得到描述大尺度地物分布的分类结果.该方法分为3个过程:首先对图像进行纹理特征聚类,得到初始分割结果;然后对分割图像进行区域合并;最后利用边缘密度作为区域的特征,通过对大量样本的统计分析,确定一个经验值作为分类阈值,根据阈值将各个区...     

基于区域特征的模糊多尺度Markov模型在纹理图像分割中的应用

针对传统Markov模型中似然函数假设条件过于严格,观测图像像素间的相依关系不能充分利用的缺点,提出了一种基于区域特征的模糊多尺度Markov模型实现纹理图像分割模型.该模型首先利用一种区域特征提取方法,描述像素间的相依关系;然后,以区域特征的聚类结果作为先验信息,通过模糊多尺度Markov模型得到分割结果;最后采用Brodatz纹理库合成的人工图像作为实验数据,从定性和定量两方面验证了该模型的有效性.     

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。     

基于双特征的前方车辆实时检测

提出一种在无先验知识的情况下,综合利用车辆阴影和对称性两种特征进行前方车辆检测的算法.该算法通过检测车底阴影特征生成车辆存在假设,首先,利用大津阈值分割方法(OTSU)得到车辆阴影特征,采用阴影区域融合方法解决阴影边缘的变形问题,得到可能包含车辆的区域;然后,利用车辆对称性特征对感兴趣区域进行验证,并对其中的车辆区域进行准确定位.通过对实际采集的道路图像序列进行测试,结果表明:该算法能够实时、有效地检测出前方车辆.     

结合多特征赋权的谱聚类水下多目标分割技术

由于声呐图像受噪声污染严重，导致水下多目标分割存在精度低的问题.为此，提出一种自调整谱聚类结合熵权法进行多特征赋权的水下多目标分割技术.该技术首先通过自调整谱聚类对声呐图像的像素点进行聚类处理，使图像划分为多个独立的区域，然后根据多特征的互补性和冗余性统计每个区域的信息熵、亮度、对比度和狭长度等特征，利用熵权法对多特征进行赋权并筛选出最优的一个目标区域，再将该最优目标区域和所有区域进行多特征相似度匹配，最后根据相似度的匹配结果使用自适应阈值迭代法自动分割出所有的目标区域.实验结果表明没有对噪声干扰区域误分割，分割出的目标区域精度更高，验证了所提方法的有效性.     

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.