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.     

基于贪婪Snake模型与多尺度分析的图像分割

为了准确分离目标区域,提出了一种基于贪婪Snake与多尺度图像增强相结合的新的轮廓分离模型.首先对输入的图像给定一个初始轮廓,然后应用多尺度分析进行图像增强,之后在不同的尺度中运用贪婪Snake模型进行轮廓的分离,最终分离出理想的目标轮廓.实验证明该方法提高了分割的精度.     

基于多尺度模糊聚类与DGVF模型分割颈动脉超声造影图像

超声造影(contrast-enhanced ultrasound, CEUS) 图像在血管疾病诊断与治疗中有很高的应用价值, 其中通过提取颈动脉CEUS 图像中的血管边界对血管形态及弹性等属性进行测量具有重要意义. 由医生手工勾勒血管轮廓耗时耗力, 且重复性差、主观性强, 而传统计算机分割方法因受到图像中斑点噪声的干扰而存在鲁棒性差和初始化难两大问题. 首先, 结合多尺度模糊聚类方法与粒子群优化算法提取血管的粗略轮廓, 以此作为方向梯度矢量流(directional gradient vector flow, DGVF) 模型的初始轮廓; 然后, 对轮廓进行形变收敛至最终结果. 通过分割来自14例患者的48张颈动脉CEUS 图像的实验, 结果表明所提出的方法优于传统方法, 能自动、精确地提取颈动脉CEUS 图像中的血管边界.     

基于多特征融合的图像区域几何标记

提出一种基于多特征融合的图像区域几何标记方法.首先,提出了一种新型卷积网络结构——多尺度核卷积网络用于提取像素点的多尺度特征信息,推断像素点的几何类别,并结合图像超像素分割获得图像超像素区域的几何标记;其次,将提取的多尺度特征与超像素区域传统特征相结合,建立超像素区域的特征表达.最后,建立超像素图像的条件随机场(conditional random field,CRF)模型,对超像素区域的几何类别进行推断.在公开数据集Geometric Context(GC)上的实验结果表明,同已有算法相比,所提方法提高了图像区域几何标记的准确率.     

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.     

基于多尺度特征融合的小样本遥感图像分割

针对绘制遥感图像标签成本高、在实际场景中训练样本有限情况下遥感图像检测精度低的问题,提出了一种结合多尺度特征融合与注意力机制的深度金字塔注意力网络(DPA-Net)并集成迁移学习方法进行小样本遥感图像中建筑物与道路的提取．因为有限训练样本包含的信息有限,所以首先在DeeplabV3+网络架构基础上,增加两路低层特征的来源以充分利用低级特征的空间信息,并且利用注意力机制获取丰富的上下信息并增强模型对目标通道的学习能力,降低对其他目标和噪音的响应能力,改善模型在小样本上检测效果差的问题．最后利用公开遥感图像数据集和小样本数据集进行联合训练的迁移学习方法降低训练样本过少对网络学习性能的影响．实验结果表明：本文方法的精度提高了3.69%,可节省1/2的标注成本．     

融合多尺度纹理特征森林资源信息提取

基于SPOT-5多光谱和全色影像进行图像融合,构造NDVI植被指数,提取多尺度纹理特征并参与分类;基于SVM方法进行森林资源植被分类.结果表明:高通滤波(HPF)为最佳的图像融合方法,与单尺度纹理与光谱信息融合的分类相比,多尺度纹理与光谱信息融合的分类方法总精度提高了3%,验证了新方法的可行性.     

基于多尺度分析的归一化割图像分割算法

不同尺度的图像拥有不同的特性,针对单一尺度图像进行分割容易出现过分割或欠分割的问题,本文提出一种基于多尺度分析的归一化割的图像分割方法,首先利用方向能量模型得到不同尺度子图像的边缘方向能量,然后根据干涉轮廓的思想建立各个子图像像素之间的相似度,形成多个不同尺度的权值矩阵,并归一化为一个权值矩阵,最后运用归一化割算法对图像进行分割。实验表明,本文方法在融合了多个尺度图像不同特性的同时,能很好地处理含有纹理区域和弱边缘的图像,在一定程度上避免了过分割或欠分割的问题。     

SAR图像的多尺度建模与分割

根据合成孔径雷达图像的成像机理,基于遗传算法,提出了SAR图像的期望最大建模方法和多尺度无监督分类方法。利用最小长度准则能够有效地确定SAR图像分类数,且集遗传算法和EM算法的优点于一身,使得算法能够取得全局最优结果。试验结果表明:该分割方法是可行的,与其它方法相比,分割质量有明显改进。     

基于多尺度特征图像分割的车道线提取方法

识别与检测车道线作为自动驾驶感知周围环境的一环，为自主车辆在众多复杂场景中提供交通数据信息参考.为了提取车道线本身含有的交通语义信息，按照实际含义分为不同类别，提出一种多尺度分辨率特征的图像分割方法提取车道线，生成低分辨特征，同时保持高分辨尺度子网.针对卷积神经网络无法充分探索空间信息的局限，引入全自注意力网络结构改进下采样解码部分，将特征图通过嵌入向量映射完成线性采样，再经由全自注意力网络结构提取空间上下文语义信息，最后对图像进行降采样完成最终的下采样过程.利用滑窗多头注意力机制，解决嵌入向量映射层因划分造成边界上下文语义信息的不连续问题.针对改进的模型采用交并比损失函数进行优化，能够在保持精度的情况下正确识别相应类别，交并比和F1系数分别达到49.36%和63.02%.经实际测试，在遮挡、阴影等复杂场景下的车道线识别也能更加准确，具有更好的鲁棒性.     

一种基于模糊C均值聚类的图像区域分割方法

提出一种基于模糊C均值聚类的彩色图像区域分割方法。该方法首先选用适当的彩色空间对图像中的每个像素抽取颜色、纹理及空间位置等综合特征;然后,利用模糊C均值聚类方法进行聚类,利用提出的确定最佳聚类簇数的方法,确定聚类簇数、中心等参数;根据每个像素的隶属函度,将像素初步划归不同的组,利用连接原理对图像区域进一步分割,并提供了图像描述特征。实验结果表明,该方法分割效果很好。     

基于小波和模糊理论的纹理分割方法

提出了一种基于小波和模糊理论的纹理分割方法,该方法首先对图象进行高阶小波分解,得到一系列分辨率不同的子图象;然后采用模糊聚类方法从最低分辨率图象进行聚类,将低一级的分割结果扩展后再应用于较高级分辨率,一直到最高分辨率为止,这样就得到一个原始图象的初始分割;最后引入空间约束算法,得到原始图象的粗细分割结果．由于考虑了图象象素之间的相互关系,故提高了分割的准确性．仿真结果表明该方法是比较有效的．     

基于模糊阈值的图象分割方法

叙述了采用模糊阈值进行图象分割的基本原理，提出了简化资格函数形式和采用直方图中值滤波处理方法，算法简单直观，计算机仿真表明图象分割结果比较理想．     

基于特征散度的模糊彩色图像分割算法

为提高算法的普适能力,提出了一种新的基于特征散度的模糊彩色图像分割算法(FDCIS).算法引入了特征散度和模糊相异性函数来度量差异性,利用特征散度进行数据聚类,实现图像的区域融合.实验证明,算法较好地降低了彩色图像大样本数据的运算量,简单而有效地解决了过度分割现象,避免了聚类算法对初始条件的依赖性,与人的主观视觉感知具有良好的一致性.     

基于区域特征的胃炎病理图像二值化分割方法

二值化图像侵害方法因方法简单、易于实现而得到广泛应用,文章提出了一种基于区域特征的二值化图像分割方法。实验表明,该方法针对胃炎病理图像能得到较好的效果。     

基于模糊最大类间方差的图像分割算法

阈值分割是一种被广泛使用的图像分割技术,其技术关键,确定合适的分割门限。为了体现图像中因模糊不确定性产生的信息量,本文在Ostu算法的基础上引入隶属度的概念,提出了模糊最大类间方差法。通过利用亚采样图像获取分割门限,提高了算法效率。实验仿真结果表明：该方法在分割质量上取得了很好的效果,时间复杂度也有所降低。     

基于小波局部能量特征的多分辨率图像融合

研究了基于小波变换的多分辨率图像融合的理论和方法,提出了一种以小波局部能量作为融合特征的融合算法,并讨论了融合图像的评价问题.实验表明：所提算法在熵、交叉熵、均方根误差和峰值信噪比等方面都有较好的效果.     

基于向量模糊模式识别的纹理图像分割方法

提出了一种基于同步自回归（ＳＡＲ） 模型和模糊信息原理进行纹理分割的方法．利用二阶ＳＡＲ模型对图像纹理进行描述,用最小平方误差方法对模型参数进行估计,将估计的参数作为纹理的特征向量．根据模糊信息原理,分析了纹理图像的模糊特性,给出了一种基于向量模糊集合簇模糊模式识别的纹理分割方法．实验结果表明,用所提出的方法进行图像纹理分割取得了较好的分割效果．     

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。     

多分辨分析和K均值聚类改进FCM图像分割

模糊C均值(Fuzzy C-Means,FCM)聚类广泛应用于图像分割,但FCM聚类中随机确定初始聚类中心容易导致图像的错误分割.为了避免这个缺点,提出一种用于图像分割的FCM聚类初始聚类中心的选取方法.该方法利用图像灰度-邻域均值二维直方图的峰值的个数确定图像聚类数目,然后对图像的低频子带图像利用K均值聚类得到FCM聚类初始聚类中心.实测图像的分割实验表明该方法具可行性.