一种程度可控的形态学多尺度梯度分水岭算法

为解决分水岭算法中的过分割现象,提出了一种基于多尺度形态学梯度的谷底填充算法,通过调整填充阈值的方式实现对分割区域数量的控制,同时利用Canny边缘检测算子获取图像边缘信息,以此对梯度图中的边缘位置进行强化和修正,确保分割出的区域轮廓在谷底填充过程中尽可能地保持与目标边缘拟合。仿真结果表明,此算法对于改善过分割现象有明显效果,并且对分割程度具备可控能力,在适应不同场景需求方面存在一定的应用价值。

基于改进多尺度形态学梯度的绝缘子边缘检测算法研究

为提高红外图像分割后的绝缘子串边缘的完整性、清晰性和准确性,文章提出了一种基于改进多尺度形态学梯度的边缘检测算法。应用改进算法与多种常用算法对绝缘子串进行边缘检测,比较取得的结果的峰值信噪比、交并比和假阳性率,可以确定基于改进多尺度形态学梯度的算法效果最优,可以用于绝缘子串图像分割。将此方法用于110 kV和220 kV电压等级的绝缘子红外图像,通过大量实际样本训练证明,改进的算法能够完整、清晰、准确地分割绝缘子串区域,并具有良好的抑制噪声能力。

一种形态学梯度滑降算法的研究

滑降算法是一种重要的图像分割工具,然而基于滑降算法的图像分割在很大程度上依赖于待分割图像梯度的计算.提出了一种多尺度形态学梯度滑降分割算法.该算法首先利用多尺度形态学梯度,通过大小不同的结构元素提取图像梯度特征,获得梯度图像,然后利用滑降算法进行图像分割,为了减少滑降算法的过分割现象,提出了区域面积和区域相似性规则的区域合并的方法.实验结果表明,本方法具有较好的分割效果,同时分割中结构元形状、尺度可以灵活选取,使得该方法适用范围相对比较广泛.

形态学分水岭算法在粘连图像分割中的应用

针对分水岭算法对噪声敏感和易于产生过分割的问题,提出运用顶帽变换对图像进行Ostu局部阈值处理,改善光照不均和噪声对图像分割的影响;采用多尺度形态学梯度,解决结构元素的形状和尺寸对梯度图像产生的影响。实验结果表明,该算法既能有效地分割粘连颗粒,又能有效抑制过分割现象。

一种基于形态学的脑肿瘤分割

由于脑部结构复杂,存在精密纹理并且由于成像技术的限制,传统分水岭算法分割脑肿瘤很容易产生过分割问题。本文提出一种改进的分水岭算法解决此过分割现象。在应用分水岭算法之前对图像进行一些预处理：首先,应用形态学开闭重建重构原图像,滤除噪声和复杂细小的纹理;其次,对重建后的图像做多尺度形态学梯度,并对修改了标识符的梯度图像进行分水岭算法分割。实验结果表明：结构元素半径大小取17~22,肿瘤能够完全地分割出来。与传统的分水岭分割算法相比,本文所采用的算法很好地抑制了过分割问题,可以很容易地分割出肿瘤。

基于多尺度图像增强结合卷积神经网络的纸病识别分类

针对造纸工业中传统纸病识别分类依赖于特征描述子和分类器的选择问题,提出一种多尺度图像增强结合卷积神经网络的纸病识别分类方法。该方法利用多尺度形态学梯度增强纸病图像的边缘轮廓信息,突出缺陷梯度特征,然后利用卷积神经网络(CNN)学习纸病图像的特征并分类识别,从而实现纸病的准确识别分类。实验结果表明,该方法对纸病识别分类的结果明显优于HOG+SVM、LBP+SVM以及传统CNN方法,在Caltech101、KTH-TIPS以及本课题的数据集上的分类正确识别率分别达到98.44%、99.23%和99.64%。与现有纸病识别分类方法相比,本课题方法不需针对各种纸病进行缺陷特征提取和特征描述,能快速实现纸病的准确识别分类。

基于运动信息和标记多尺度分水岭的运动目标检测算法

针对对称差分法检测目标时容易产生空洞以及当目标运动速度较慢或尺寸较小时易出现漏检等现象,提出了一种基于运动信息和标记多尺度分水岭的运动目标检测算法。首先将用高频强调滤波等处理的视频图像进行差分,再运用高阶统计运动检测算法检测出差分图像中运动目标的大概运动区域,经后处理得到运动目标的初始二值掩膜;并应用初始二值掩膜得到用于标记的前景与背景标识,用该标识修正当前帧的多尺度形态学梯度图像;最后进行分水岭分割,得到具有精确边界的运动目标。实验结果表明该方法能对运动目标进行准确检测,继承了变化检测和分水岭算法速度快的特点,克服了分水岭算法易产生过分割的缺点,且具有良好的鲁棒性。

一种基于WT⁃MMGR超像素技术的图像分割算法

在图像处理领域,谱聚类算法被广泛应用于图像分割任务。但对于背景复杂、色彩界限不明显的图像,传统的谱聚类算法往往无法准确地将目标物体分割出来,同时需要耗费大量的计算资源和时间。因此设计一种基于多尺度形态学梯度重构的分水岭超像素的改进谱聚类算法,它利用多尺度形态学梯度重构的分水岭超像素算法作为谱聚类算法的预处理步骤,将超像素处理所得的结果作为谱聚类的输入,以达到谱聚类算法的运算量目的。验证算法实验结果表明,所提出的改进谱聚类算法在图像分割任务中具有较好的边缘贴合度,并且程序的运行速率得到了显著提升。

结合分水岭和互信息的医学图像自适应分割方法

针对现有的改进分水岭算法中对弱边界分割精度不高、计算复杂及梯度谷底阈值不能自适应选取等缺点,提出一个结合互信息的自适应医学图像分割方法。首先通过形态学滤波和高斯平滑滤波来增强图像的边缘区域和抑制图像噪声;然后经过多尺度形态学梯度的谷底填充算法来减少分割区域块数,同时利用基于数学形态学的多元图像边缘检测算法来提取图像的边缘对获得的梯度图像进行修正;通过引入互信息量对填充的阈值进行自适应调整实现控制分割区域的数量,最后实现自动优化分割。实验结果表明,该方法最大程度保留了图像的弱边缘信息,参数选取更加合理,自适应程度提高。

基于改进分水岭算法的医学图像分割

医学图像存在病变区域和背景区域,病变区域是分割的重点。针对传统分水岭算法对噪声敏感和易于产生过分割的问题,提出了一种将形态学滤波、多尺度形态学梯度和控制标记符分水岭相结合的分割策略。首先利用数学形态闭-开运算完成预处理以滤除原始医学图像中的噪声和非感知信息。其次做闭运算以平滑图像,并对平滑的图像计算多尺度的形态学梯度。再次对形态学梯度图像进行重建,然后采用控制标记符的分水岭变换算法对重建后的梯度图像进行分割。最后将分割结果变换回原始尺度。仿真实验结果表明,这种改进的方法不但使经典分水岭算法中的过分割现象得到了很好的抑制,医学图像中的病变区域被有效分割出来;而且分割算法简单,同时具有多尺度的特点,能够适应医学图像分类与信息提取的需求。

基于阈值标记的分水岭算法遥感图像道路提取

针对传统分水岭分割算法在遥感图像道路信息提取过程中存在过分割和计算量大的问题,提出基于阈值标记的分水岭改进算法,从而获得有效的遥感图像道路信息。实验结果表明,该方法有效地避免了伪极小值对图像处理的影响,减少了计算的重复率,有效地提取出遥感图像道路信息,针对遥感图像道路信息识别提取算法的研究具有广泛应用的价值和学术意义。

加权L1范数测度的模糊核区域估计及空可变复原

先进的图像盲复原方法主要体现在模糊核估计的准确性和快速性两方面。针对目前图像复原方法存在信息冗余和有效信息利用不足所引起的模糊核估计耗时长和不精确等问题,我们提出了加权L 1范数测度的模糊核区域估计及空可变复原方法。首先提取退化图像的多尺度形态学梯度,抑制噪声对图像有用信息的干扰;然后定义利于模糊核估计的梯度加权L 1范数测度,解决小结构区域和细纹理区域导致的模糊核求解不精确问题,提取利于模糊核估计的区域;最后利用区域模糊核的相似性区分图像退化的空不变性和空变性,分别采用空不变和空变复原方法对退化图像进行复原。在反卷积阶段,采用FFTW进行傅里叶变换计算,较大地提升了复原速度。大量实验结果表明,提出的算法仅用单帧图像就能够快速有效地复原图像。

结合自适应TV模型和分水岭变换的图像分割算法

针对传统分水岭算法对噪声敏感,易出现过分割的现象,提出一种自适应全变分模型和标记分水岭算法相结合的图像分割算法。采用自适应全变分模型对原始图像进行滤波处理,平滑去噪的同时保留图像的边缘信息;求解其多尺度形态学梯度图像,并用基于最大熵的扩展极小值技术获得的前景和背景标记并对其多尺度梯度图像修改;对修改后的梯度图像进行分水岭变换,实现准确的分割。对比常用和相似的图像分割算法,实验结果表明,该算法在抗噪性、运行时间和分割交并比上有一定的优势。尤其是在噪声强、灰度值接近的医学图像上能够获得合理有意义的分割区域,效果良好。

基于超像素和最近邻图合并的彩色图像分割

针对传统的分水岭算法在分割图像时存在过分割的问题,提出了一种基于多尺度形态学梯度重建与最近邻图合并准则的分水岭图像分割方法.该方法首先使用基于标记符控制的多尺度形态学梯度重建进行图像预处理,消除冗余的区域极值和噪声;然后通过构建最近邻图合并准则进一步对分水岭变换产生的超像素区域进行合并,提高了对目标特征的描述能力,使得算法在分割前景目标的同时也能获得背景目标的特征信息.实验结果表明,该方法能够较好地将相似的区域进行合并,与传统分水岭分割方法相比,可以有效弱化过分割问题,大幅提升目标的分割精度.

基于简化脉冲耦合神经网络和改进稀疏表示的脑部图像融合算法

为解决单一模态脑部图像存在的局限性,进一步突出细节特征,增强视觉效果,提出一个基于多尺度边缘保持分解和改进稀疏表示(improved sparse representation,ISR)的算法框架。首先,分解源图像获得高频子带和低频子带。其次,采用多范数加权度量改进的稀疏表示融合低频子带,以多尺度形态学梯度(multiscale morphological gradient,MSMG)改进的引导滤波器去除细节特征;同时,经简化的脉冲耦合神经网络(simplified pulseoupled neural network,SPCNN)融合其高频子带。最后,逆变换得到融合后的脑部图像。实验证明,本文在边缘信息的保护,融合效率的提高,时间成本的节约等方面优势显著。