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。     

灰度矢量多波段遥感影像纹理特征及其描述

提出了多波段影像灰度矢量纹理的概念和实施方法。以中心像元的邻近像元作为灰度矢量纹理基元,纹理基元的灰度矢量统计规律反映出影像纹理的特征,并以马尔柯夫随机场的特征参数作为其分类依据。实验分析表明,所提出的理论和算法是可行的。     

灰度矢量多波段遥感影像纹理特征及其描述

提出了多波段影像灰度矢量纹理的概念和实施方法. 以中心像元的邻近像元作为灰度矢量纹理基元,纹理基元的灰度矢量统计规律反映出影像纹理的特征,并以马尔柯夫随机场的特征参数作为其分类依据.实验分析表明,所提出的理论和算法是可行的.     

基于MRF与纹理特征的图像深度信息估计

提出了一种基于马尔科夫随机场(MRF)模型与多尺度纹理特征的单幅图像深度信息估计方法,该方法采用了Laws滤波器分别对图像的边缘、梯度、点进行滤波,捕捉二维场景图像中不同尺度的纹理能量以获得深度信息的特征.并根据纹理特征在不同尺度范围的不同值,计算出纹理线索与场景深度间的概率关系,在此基础上,构建MRF概率模型.MRF模型通过分析邻域系统和设计迭代准则很好地描述了纹理特征与场景深度之间的关系,最后通过迭代算法获得二维场景图像的深度信息.实验结果表明,该方法对场景深度信息的提取具有较好的效果,对于二维场景图像的场景结构、空间布局的约束较少,算法鲁棒性好.     

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。     

基于粗糙集和MRF的彩色图像分割方法

提出了基于粗糙集和马尔科夫随机场(MRF)的彩色图像分割方法.将图像分割分为两个阶段:粗分割阶段和细分割阶段.基于粗糙集分割方法不仅仅考虑了每个像素点的颜色特征,也考虑了像素点邻域的颜色信息,这提高了粗分割的分割精度.在基于粗糙集分割的基础上,采用颜色特征和纹理特征,建立多特征的自适应可变权重马尔科夫随机场分割模型,再利用禁忌搜索算法逐步更新像素点标记,实现图像的最大后验概率估计.传统的MRF分割模型中需要人工设定图像分割数目以及随机给定初始分割,文中的算法,初始分割和初始类别数都将由粗分割获得.实验表明,文中算法可以有效地实现彩色图像分割.     

基于多随机场遥感图像分割

结合二维Wold分解技术来对遥感图像进行分割，将图像分解为确定性随机场和纯不确定性随机场，通过调整它们之间的比例关系，来加强纹理边缘，从而改善马尔可夫标记场模型对纹理边缘过平滑的现象．实验对城区目标进行提取，结果表明本方法的有效性优于纯马尔可夫随机场所采取的分割方法．     

纹理图像吉布斯模型参数的模拟退火估值

把纹理图像吉布斯随机场模型参数地估值问题转化为一个组合优化问题，用模拟退火不进行求解实验结果表明该算法是有效的。     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。     

基于高斯-马尔可夫随机场模型的织物纹理特征参数提取方法

将高斯-马尔可夫随机场用于织物纹理的建模.在估计模型参数时,采用不完全 Cholesky共轭梯度法.获得特征参数后,通过纹理合成方法,仿真原始纹理图像.试验表明:仿真织物纹理图像与真实织物纹理图像具有较为一致的视觉效果,从而论证了高斯-马尔可夫随机场模型对织物纹理建模的有效性.     

基于树型小波变换和Hopfield神经网络的纹理图像分割

纹理分割是图像分析、模式识别、计算机视觉等领域的基础，也是个经典难题．采用树型小波变换方法提取纹理图像特征，并采用Hopfield神经网络进行象素聚类，从而实现对纹理图像的分割，实验结果表明该方法是有效的。     

一种基于遗传神经网络的医学图像分割方法

针对一类具有纹理特征的医学图像,提出一种结合纹理信息,利用遗传神经网络的图像分割方法。该方法以混合递阶遗传算法优化径向基神经网络,同时优化其结构及参数。试验表明,该方法应用于生物医学图像,能够区分图像不同的纹理区域,获得较好的分割效果。     

基于灰度共生矩阵和BP神经网络集成的纹理图像分类

通过对灰度共生矩阵的分析,提取图像的纹理特征参数,并用BP神经网络集成的方法对Brodatz纹理库图像进行分类,仿真结果显示,其分类效果优于单一的BP神经网络,可有效提高分类识别率。     

基于数学形态学和神经网络的纹理分类

本文提出一种基于数学形态学和神经网络的纹理分类方法．首先运用数学形态学的开、闭运算提取纹理图像的特征,然后用ＢＰ神经网络对纹理进行分类．实验证明这种方法是有效的     

基于Gabor变换的雷达图像滤波及无监督分割

提出了一种基于Gabor小波变换的多尺度、多方向的SAR图像去除斑点噪声及纹理分割算法．根据SAR图像的特点设计一组Gabor滤波器，对SAR图像进行二维Gabor变换，得到一组滤波后多分辨率、多方向的图像．通过对滤波后的图像分别进行非线性变换，再用非相干均值平滑滤出斑点噪声，并计算每个像素在选定窗口内的能量，以此检测出纹理特征，用均方误差聚类方法得到分割的图像．给出对SAR图像进行纹理分割的满意实验结果，对照试验表明，该方法优于空间灰度共现矩阵方法．     

基于神经网络的纹理识别技术

作者通过一个实例叙述了图像识别技术中用神经网络进行纹理识别的基本思路，处理过程，以及具体实现，并对处理的结果进行分析，说明了运用神经网络作为分类器的准确性。     

磨粒图像的纹理分析及识别

以磨粒显微图像分析为应用背景，引入方向测度对磨粒图像表面纹理特征进行描述．该方法对磨粒图像各方向的灰度变化规律进行统计分析，提取了8个纹理特征．然后以提取的纹理特征为输入矢量，利用径向基函数神经网络对磨粒纹理进行分类识别．应用实例表明，方向测度综合反映了磨粒纹理的方向性和粗糙性，可用于磨粒纹理特征的描述；所建立的基于神经网络的磨粒纹理分类模型学习速度快，识别率较高．     

图像纹理分析与纹理测度

为了从更深层次上进行系统的纹理分析 ,首先概括了纹理分析中的困难并从寻找纹理的本质入手 ,回答了纹理图像与普通数字图像间的差异、成像尺度与图像纹理间的关系、窗函数的选取等问题并给出了计算一幅具体图像纹理性大小的算法。从采样频率和成像尺度的角度来看待图像纹理在该领域内尚属首次。仿真实验对Brodatz像册中全体纹理图求取了纹理性因子的大小并进行了排序 ,试验表明该求取纹理性因子的算法与视觉感受趋于一致。对图像纹理理论探讨的欠缺是纹理分析的瓶颈 ,该文是在一这方面努力尝试的结果     

基于二元树复小波和SVD不变性的纹理图像分类算法

针对双树复小波变换(DT-CWT)用于图像的纹理特征提取时,不具有旋转和尺度不变性的局限,提出了一种基于DT-CWT和SVD的纹理分类算法.该算法首先利用DT-CWT从图像中提取出纹理特征,然后对纹理特征进行奇异值分解获得具有旋转和尺度不变性的特征向量,采用BP神经网络作为分类器,并提出改进的BP算法训练网络,使得网络很快找到全局最优解.将本方法与其他的分类算法进行比较,实验结果表明,本算法具有较高的分类正确率.