基于小波域的模糊化区域竞争模型的图像分割方法

本文中提出了一种基于小波变换的模糊化区域竞争图像分割算法。该算法利用小波变换在纹理分类的优越性,在模糊化区域竞争算法的框架下对图像实施非抽样小波变换,建立起基于小波域的统计特征参数,并根据此特征参数构造能量函数。在算法求解过程中,通过采用快速迭代算法加快算法求解的速度。本文提出的图像分割算法可以有效地降低信噪比的敏感性,有效地解决模糊图像分割问题。实验结果表明,本文提出的分割方法在分割质量和速度上比经典的主动轮廓模型和模糊化区域竟争分割算法更具有优越性。

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.

基于纹理特征的木材年轮图像检测方法研究

针对树木年轮人工检测效率低、劳动负担重的问题,提高木材年轮检测自动化程度显得尤为重要。通过钻孔获取木芯并用电荷耦合器件CCD采集云杉(Picea)年轮扫描图像,提出一种基于纹理特征的木材年轮图像检测算法。首先,将RGB彩色图像转换到HSV空间,利用V分量的梯度值生成结构张量,并构成图像的纹理特征集,并用全变差(Total Variation,TV)模型进行灰度图像去噪,用模糊区域竞争(Fuzzy Region Competition,FRC)模型进行图像分割。最后,对二值图像进行形态学滤波,并利用长宽比和面积特征识别出年轮线。试验结果表明,提出的算法去噪能力强,分割效果好,边界数正确率100%,能很好地提取云杉木材年轮边界。该方法有助于提高木材年轮的自动化检测水平,可拓展应用于其它树种,在林业科学研究和林木生长监测等方面有很好的应用前景。