一种图像纹理分割的小波—像素曲线演化方法

提出了图像纹理分割的小波—曲线演化方法,该方法运用二维小波对纹理图像进行分解,由四个小波系数描述纹理特征,并组成四维小波系数特征矢量图,然后采用最大后验概率模型的曲线演化方法,对特征矢量图进行分割和分类,从而获得原图像纹理分割结果.实验结果表明,与小波—FCM聚类纹理分割方法相比,该方法对双纹理图像能取得较好的分割效果,分割出的边界连续,并且具有较强的抗噪能力.

基于变分水平集的多尺度纹理图像分割方法

为了更有效地对纹理图像进行多尺度分割,我们提出了一种混合模型。该模型使用全变分模型来控制纹理图像的多尺度表示,并且引入局部自相似性以及局部高斯分布拟合函数作为边界提取项,最终得到一个混合的多尺度纹理图像分割模型。实验结果表明,所提模型能够在不同尺度下对纹理图像进行较好地分割,使分割过程更加符合人类视觉的感知机制,并且当图像受到不同程度的高斯噪声污染时,该模型也能够对目标边界进行精确地提取。

基于结构张量特征值的纹理图像分割模型

通过对结构张量的研究和对纹理图像的分析,提出了一种基于结构张量特征值的标量型纹理特征描述,将其和原图像分别嵌入到两相模糊区域竞争模型和CV模型中,给出了一种纹理和灰度相结合的无监督纹理图像分割模型.为获得新模型的全局最优解,采用了Chambolle对偶法加以实现.针对自然和合成纹理图像进行了相关实验,结果表明该模型特征数据维数少,具有较快的收敛速度和更准确的分割效果.

知识迁移的极大熵聚类算法及其在纹理图像分割中的应用

本文研究了一种新型的基于知识迁移的极大熵聚类技术。拟解决两大挑战性问题:1)如何从源域中选择合适的知识对目标域进行迁移学习以最终强化目标域的聚类性能;2)若存在源域聚类数与目标域聚类数不一致的情况时,该如何进行迁移聚类。为此提出一种全新的迁移聚类机制,即基于聚类中心的中心匹配迁移机制。进一步将该机制与经典极大熵聚类算法相融合提出了基于知识迁移的极大熵聚类算法(KT-MEC)。实验表明,在不同迁移场景下的纹理图像分割应用中,KT-MEC算法较很多现有聚类算法具有更高的精确度和抗噪性。

基于LBP纹理特征的随机游走图像分割

本文通过求解融入纹理特征信息的对称、半正定线性方程组,提出一种新的基于随机游走(Random Walker)的纹理图像分割算法。为了构造该方程组,首先通过局部二元模式(Local binary pattern,简称LBP)算子来描述纹理,将图像映射至不同纹理之间有显著区别的LBP图(LBP map)上,进而将其与梯度和几何信息结合并构造倒数型像素相似度,形成方程所需的权值矩阵,在随机游走模型下使已标号区域向未知区域传递,从而实现纹理图像分割。最后以纹理图像、噪声合成图像、MRI、CT图像为实验对象来验证算法的有效性。定性及定量实验结果表明,在多目标分割任务下,本方法有更好的有效性和精确性。

架构于双树轮廓波方向及相位特征的纹理图像分割

考虑到纹理的方向及相位特性,提出一种基于双树轮廓波变换的纹理图像分割新方法.双树轮廓波由塔型双树方向滤波器组构建,它不仅保持了轮廓波灵活的方向选择性,克服了传统轮廓波不具有移不变性的缺点,而且提供了复子带系数.本文以各方向子带的能量作为方向特征,复系数的平均相角作为相位特征,生成特征向量,利用模糊C均值聚类算法进行纹理图像分割.实验结果表明,相位特征是方向特征的有效补充,与传统方法相比,该方法在分割错误率、边缘准确性以及区域一致性等方面均有明显的改善.

结合Nystrm逼近的图半监督纹理图像分割

针对半监督学习算法在图像分割中的应用,提出了一种基于流形插值的半监督图像分割方法。该方法将分类问题看作一个流形上的函数的插值问题,通过优化某些系数来更好地拟合数据。该算法采用稀疏图可解决大规模矩阵特征值和特征向量的求解。但是,对于图像分割来说,构造稀疏图的运算时间较长,针对这一问题,提出采用Nystrm逼近方法来降低计算复杂度。合成纹理图像分割结果验证了该算法可获得良好的分割质量,结合Nystrm逼近方法在保证分割质量的前提下从很大程度上提高了计算效率。

基于对偶树复小波和MRF模型的纹理图像分割

基于对偶树复小波(DT-CWT)和马尔可夫随机场(MRF)模型提出了一种监督纹理图像分割算法,算法包括两个步骤,首先对复小波变换系数进行较为精确的建模,提取其一阶统计信息作为纹理特征,综合多个尺度的信息,基于极大似然标准进行初始分割;其次,将初始分割结果用MRF模型表示,基于贝叶斯最大后验(MAP)融合初始分割结果,得到最终的分割结果。算法应用于合成纹理图像和实际图像得到了良好的结果,对比实验表明算法所采用的纹理特征的提取方法、小波变换方式、用MRF模型来建模标号等是算法简洁有效的基础。

基于塔形小波和特征加权的墙地砖纹理图像分割方法

目的基于小波变换的图像分割方法对随机纹理图像进行分割.方法通过墙地砖表面的原始纹理特征,改进原有的图像分割算法,对原始纹理图像进行高阶小波分解.结果图像整体中的背景纹理边缘被有效去除,降低了图像纹理带来的干扰,在有效提取近似信息的基础上提高了系统的实时性.结论根据墙地砖的纹理特征,采用基于塔形小波的改进分割方法,对墙地砖的原始图像进行处理,提高了边缘准确性和区域性,降低了分割错误率.

基于灰度秩数向量的非监控纹理图像分割

纹理图像分割的首要问题是纹理特征的提取与描述 .传统的统计纹理描述方法和结构纹理描述方法各有特点 ,但也各有不足 .本文从结构与统计结合的角度 ,提出了一种基于灰度秩数的结构性统计方法 ,该方法可以较好地抽取物体表面的结构特征 .在用本算法对纹理进行描述的基础上 ,本文采用了一种广义最小体积椭球聚类算法(GMVE)对所抽取的纹理特征进行聚类分割 .

基于Gabor小波和主元分析的纹理图像分割

提出了基于Gabor小波和主元分析相结合的纹理图像分割算法。首先对纹理图像进行多通道滤波,获得了一系列滤波后的纹理图像。其次,借助于“能量测度”的概念,求解出各象素有效的纹理特征。为了进一步减少特征之间的信息冗余,降低聚类分析的计算负荷,采用主元分析(PCA)对所得的纹理特征进行降维。然后利用K M ean算法实现纹理图像的分类。最后针对所提算法,进行了仿真试验。

基于小波变换的纹理图像分割

基于小波的纹理图像分割方法是把小波变换应用于纹理的特征提取。通过对原始纹理图像进行高阶小波分解,构成每个象素对应一个特征矢量,对所提取的特征利用均值举类算法进行分类,最终获得图像的分割结果。为了提高纹理分割图像的边缘准确性和区域性以及降低分割错误率,提出了利用特征加权来进行后分割的方法。

一种基于活动围道的纹理图像分割方法

将Gabor滤波器和各向异性扩散方程相结合,提出了一种基于活动围道的无监督纹理图像分割算法.采用基于总变分流的扩散函数,各向异性扩散方程可以有效地在保留纹理图像大尺度边界信息的同时,对图像纹理区域进行平滑,获得比原始图像更易分割的简化图像.但是平滑过程中纹理信息的丧失,限制了该方法的通用性和有效性.为了在利用各向异性扩散方法的同时,有效地提取和利用纹理信息,我们利用Gabor滤波器提取一组表征纹理方向性和尺度性的特征图像;同时将原始图像作为表征纹理灰度信息的一个特征通道考虑;再利用矢量形式的各向异性扩散方程,对特征图像进行边界保持的各向异性平滑.将基于区域灰度统计参数估计的活动围道分割方法扩展到矢量空间,来对平滑后的纹理特征量进行分割.实验证明,利用该纹理分割算法可以获得较好的效果.

基于自适应窗口固定及传播的多尺度纹理图像分割

本文提出一种基于自适应窗口固定及传播的多尺度纹理图像分割方法,在小波域隐马尔科夫树模型(WHMT)的初始分割基础上,根据分割粗尺度上的区域一致性好,细尺度上的边缘准确的特点,利用上下尺度像素之间以及本层邻域像素的马尔科夫性,标记出图像的一致性区域和边缘区域,将一致性区域固定,类标直接下传到下一尺度,边缘区域则利用邻域信息确定出上文权值背景传播到下一尺度,与下尺度一起共同指导图像分割,从而很好的保持了区域均匀性和边缘准确性.同时根据纹理图像区域聚集性的特性,利用基于多项式展开和置信区间交叉(LPA-ICI)方法找出各类区域聚集的物理位置中心,融入上下文权值背景中,使得指导分割策略能够更好的进行.实验表明,对于合成纹理图像来说,本文提出的多尺度融合算法在均匀区域内部及区域边界都大为改善,而且无须进行参数的训练,使算法快速的完成.

基于灰度共生矩阵和多尺度MRF的纹理图像分割

针对纹理图像分割问题的研究,经典的多尺度MRF方法是对不同尺度的纹理特征仅通过多尺度序列下的MRF邻域系统进行描述。为了更加准确地描述纹理特征,将从空间分布特性与MRF邻域系统两个方面综合考虑,提出一种带有联合灰度信息的灰度共生矩阵与多尺度MRF相结合的方法。实验结果表明,该方法能够有效地提高分割准确度。

基于薛定谔方程的纹理图像分析与分割算法

针对兼顾统计性和结构性纹理图像的分割存在的问题,提出了基于薛定谔方程的纹理图像分析与分割方法,实现了纹理图像有效分割,尤其是结构纹理图像的准确分割.该方法将纹理图像视作二维波函数,利用薛定谔方程获取纹理图像的势函数图像,然后采用耦合马尔科夫随机场与模糊聚类的算法分割函数图像.实验结果表明:文中给出的算法能够实现纹理图像较好的分割,特别是对于结构性纹理图像能获取较准确的分割.

基于Gabor小波变换的无监督纹理图像分割

本文提出了一种基于Gabor小波变换的无监督纹理分割方法 ,该方法首先对纹理图像进行Gabor小波变换 ,再经过一组Gauss滤波器滤波 ,然后将得到的纹理特征送入由Hopfield网络构成的无监督分类器 ,最后得到纹理分割结果。实验和分析表明 ,该方法对于不同的纹理图像都具有良好的分割效果。

利用总变分最小化方法的无监督纹理图像分割

纹理图像的分割是图像处理领域中的一个典型难题。不同于传统的提取纹理特征量进行纹理分割的方法,本文将图像复原和重建中的总变分最小化方法和活动围道分割方法相结合,提出了一种简单的线性纹理模型。利用总变分最小化方法在保持图像大尺度棱边信息的基础上对纹理体现的局部小尺度周期性灰度振动细节进行平滑得到简化的图像原型。对其进行分割获得不同纹理区域之间的低定位精度的边界围道,再利用原始图像对围道进行高精度细化。在总变分最小化导致的非线性扩散方程求解过程中,运用AOS(additiveoperatorsplitting)数值算法以改进算法效率。实验结果表明,该方法能很快提取出纹理图像的简化图像,同时是一种无监督的纹理分割方法。

基于小波域局部二值模式和活动轮廓模型的纹理图像分割

提出一种双树复小波域局部二值模式和活动轮廓模型的纹理图像分割方法.该方法首先使用双树复合小波(DTCWT)分解纹理图像,然后使用局部二值模式(LBP)提取纹理特征.利用最大熵准则对纹理特征图像进行选择.活动轮廓模型(ACM)用于最后得分割.实验结果表明提出的方法对于合成纹理和自然场景数据集达到了较高的分割精度.

两阶段纹理图像分割(英文)

谱聚类是一种以图和相似性为基础的聚类新算法.当图像很大时,计算相似性矩阵及其特征值和特征向量十分耗时.为了将谱聚类算法应用于大规模聚类问题,该文提出一种两阶段纹理图像分割算法,采用改进的分水岭算法进行预分割,然后用特征值尺度化特征multiway谱聚类算法进行最终分割.为了检验算法性能,将其应用于纹理图像分割,分割结果令人满意.