基于Mumford-shah模型的多目标分割

基于Mum ford-shah模型的图像分割中,多目标图像的分割是一个较难以解决的问题,其主要原因是由于目标物体多导致灰度级多,分割中可能使得灰度级相似的多个目标物体被划分到同一个目标内或者灰度值和背景灰度相似的目标物体被划分到图像的背景中,导致分割的失败.针对这些问题,提出了多个水平集的方法,该方法的基本思想是在图像区域建立多条位置不同的演化曲线(即多个零水平集),使它们各自按照原始的Mum ford-shah演化模型同时进行演化.数值实验结果表明,该方法可以把多个目标物体分割开来,得到正确的分割结果,所以该方法对于多目标图像在一定程度上是有效的.     

一种基于双阈值的实时图像灰度级压缩方法

基于图像的阈值分割和灰度变换原理,针对灰度图像处理系统中图像采集采用14bit的A／D而显示时需将灰度级压缩为2^8的问题,介绍了一种简单实用的灰度级压缩方法。实验结果表明该方法实时性好,抑制了噪声和背景信息的同时保持了目标细节信息。     

基于灰度与边缘的图像分割方法

提出一种基于多图像信息的图像分割方法，利用Ｂａｙｅｓ分类准则，根据每个像的多图像信息向量将其分为目标或背景，并对动态图像组成的图像序列或静态图像的分割给出了不同的像素分类准则，同时给出了硬件实时实现的原理。该方法适用于图像序列，低对比度图像和其它难于用一种图像信息分割的图像，实验证明了该方法的有效性。     

基于灰度与边缘的图像分割方法

提出一种基于多图像信息的图像分割方法，利用Ｂａｙｅｓ分类准则，根据每个像素的多图像信息向量将其分为目标或背景，并对动态图像组成的图像序列或静态图像的分割给出了不同的像素分类准则，同时给出了硬件实时实现的原理，该方法适用于图像序列、低对比度图像和其它难于用一种图像信息分割的图像。实验证明了该方法的有效性。     

一种基于对数正态分布的图像阈值模型

为了更准确地拟合图像的目标与背景的灰度级分布并分割出图像的目标部分,采用基于参数的阈值估计方法,提出了基于对数正态分布的粒子群EM混合算法,设计了对数正态分布参数的粒子群算法、EM算法和粒子群EM混合算法,给出了对数正态分布参数的计算过程。研究结果表明:对数正态混合分布能够很好地拟合一类图像的目标与背景的灰度级分布,粒子群EM混合算法具有较好的收敛性。该研究成果有助于解决一类图像的目标与背景的分割问题。     

基于C-V方法改进的红外图像自动分割

基于简化的Mumford-Shah水平集图像分割模型,Chan-Vese提出了不依赖于图像边缘的水平集图像分割算法(C-V方法).但是该方法分割参数难以确定,对于具有非均匀灰度背景的红外目标图像常常分割失败.针对这一问题给出了改进的拟合能量模型,新模型兼顾到了目标的同质性信息与其所占面积比例的关系.基于该模型的水平集图像分割方法自适应于灰度起伏的背景,可以较为理想地分割出与背景灰度差异不太明显的目标,对小目标也具有很强的适应性.实验结果表明,在固定水平集分割参数的情况下,新方法对于不同类型、不同背景的红外图像具有了良好的适应性.     

红外破碎人体目标的水平集修复算法

许多图像分割方法提取红外人体目标时的结果常存在破碎现象,需要修复.将图像修复转化为图像分割问题,首先应用薛定谔变换使人体碎片形成连通区域,然后提出一种综合图像区域和边缘信息的水平集分割模型提取该连通区域,模型收敛时目标修复完成.实验结果表明,该方法可自动确定目标碎片位置与归属,排除背景干扰,填补目标内部缺损,胶连缺损人体轮廓段,修复结果与真实外形总体相似度高于80％,内部残缺率低于4％,通过优化模型参数可获得良好鲁棒性.     

会议电视图像序列中的运动目标分割

提出了基于递归高阶阶段的运动目标分割方案,主要用于会议电视图像序列,与传统的高阶统计方法相比,基于递归高阶统计的分割方法从高斯噪声背景中提取信息,由于利用了前ｎ帧图像的信息冗余度,递归高阶统计方法可以更有效地减少噪声,检测小目标,并且提高了目标的分割准确度,模拟试验结果显示,分割结果较好。     

符合人眼视觉特性的焊缝射线数字图像增强方法

针对焊缝射线检测数字图像的灰度低、对比度低的问题,提出了一种符合人眼视觉特性的图像增强方法.该算法先标定数字化仪器,得到各种数字化条件下的黑度与灰度关系.其次,根据成像条件得到待处理图像的成像特性,通过该成像特性的2个极点来获得图像处理的目标特性.最后,利用由成像特性和目标特性得到的图像灰度级映射变换函数,对图像进行了空域增强处理.实验结果表明,该算法将原图的灰度级差异从145提高到157,使原图平均灰度级从35提高到120.与线性变换算法相比,该算法没有产生信息丢失;与直方图均衡算法相比,该算法将图像平均灰度级提高到120且属于人眼敏感的范围.     

基于交叉熵极小化的图像边缘检测算法

提出了一种自然图像边缘检测的算法,通过差分运算把边缘检测问题转化为目标检测问题,利用交叉熵极小化方法使背景区域和目标区域内的灰度级分布与差分图像灰度级的先验概率(广义高斯分布)相匹配,确定了背景与目标之间灰度分界阈值,检测出图像的边缘成分。实验表明,提出的方法具有良好的边缘检测性能。