基于目标的图像分块算法

针对图像分割中的图像分块算法不能根据图像本身的特性进行分块的问题,提出了一种基于目标的图像分块算法。首先提取图像边缘,对边缘图像中的每一条边,构造包含它的最小矩形。针对构造矩形后出现小矩形太多的问题,提出了一种矩形合并算法,通过对有相交区域并满足相应条件的矩形进行合并,减少矩形的个数。分块后的每个区域可以使用阈值分割方法进行分割。

基于模糊C均值聚类的医学图像压缩算法

作为图像存储、传输系统和远程医疗的关键技术,图像压缩应该以无损低压缩率的方法提供好的视觉效果以保证诊疗质量。随着医学图像的尺寸和分辨率的提高,亟需更高性能的压缩方法。提出一个基于模糊C均值分割和矩形分裂合并的医学图像压缩编码方法。首先通过模糊C均值分割方法将图像分为几部分,然后通过我们的方法获得差值图像。第1个数据流标识分割后留下数据的位置,这些信息通过基于二值图像的矩形分裂合并算法进行编码;第2个数据流包含差值图像,采用无损压缩的方法对其进行压缩编码。实验结果表明此算法能获得高压缩率,好的诊疗质量和改进的参数性能。

基于最大稳定极限区域的车牌定位

车牌定位是车牌识别系统的重要组成部分,目前常用的车牌定位方法主要受环境尤其是光照影响较大。针对这一情况,提出基于最大稳定极值区域特征的车牌定位算法,利用最大稳定极值区域特征特有的仿射不变性和对光照的适应性,提取图像中最大稳定极值区域;尤其是车牌字符区域。在排除部分噪声区域后,根据车牌字符区域稳定的几何特征和排列规则,将满足条件的相邻字符区域组成最近邻对,进一步剔除噪声区域。然后将所提取的最近邻对进行合并即可以得到所有可能的车牌区域。实验结果表明,相比较目前常用车牌字符切分算法,在切分的准确性和稳定性上都有较大提高。