基于多尺度LBP算子的大理石纹理分割算法

纹理分割算法是仿大理石石材生产的重要步骤。大理石图像中各种纹理特征交杂在一起,当前主流纹理分割算法无法将其清楚、连续地分割。受空洞卷积(Dilated Convolutions)的启发,提出一种多尺度LBP算子(MLBP),该算子将边缘和内部像素点组合排列,生成多个尺度算子,增大了特征提取的感受野,通过多个子尺度算子的融合能捕获到纹理的变化,可以适应大理石图像纹理风格多变的特点,增强特征提取的泛化能力。基于GMM聚类算法,在真实大理石数据集上验证了纹理分割效果,像素精度(PA)为93.2%,平均像素精度(MPA)为89.3%,平均交并比(MIoU)为71.2%,与FCN、K-means和FCM等聚类算对比实验显示,MLBP特征算子优于传统的LBP特征算子。

利用小波变换和特征加权进行纹理分割

为了提高纹理图象分割的边缘准确性和区域一致性以及降低分割错误率 ,提出了一种基于小波变换的利用特征加权来进行纹理分割的方法 .该方法包括特征提取、预分割和后分割 3个阶段 ,其中 ,特征提取在金字塔结构小波变换的基础上进行 ;预分割利用均值聚类算法来对原始图象进行初步的分割 ;后分割则根据预分割的结果对特征进行加权 ,然后利用最小距离分类器来实现图象的最后分割 .与传统的方法相比 ,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 .

一种方向Gabor滤波纹理分割算法

结合人眼视觉特性,设计了一种方向Gabor滤波器,该滤波器顾及了纹理图像的方向特性;利用Gabor滤波器的带通技术,抑制次要纹理图像的主频率分量,增强目标纹理图像主频率分量,使滤波输出图像具有较大的类间离散度和较小的类内离散度,将纹理图像的分割转化为传统的图像分割,使图像的分割质量和算法效率都得到了提高。

基于Gabor小波的无边缘活动围道纹理分割方法

该文提出了一种基于Gabor小波的活动围道纹理分割新方法。该方法先用Gabor小波提取图像的纹理特征,再用Chan-Vese模型进行分割。与其它基于Chan-Vese模型的纹理分割方法相比,基于Gabor小波的活动围道的纹理分割方法有两个优点:一是同时使用纹理特征和灰度信息演化围道,可分割纹理图像和非纹理图像,分割方法的灵活性好;二是在分割多类目标时,采用多级分层式曲线演化方法解决了初始围道难以选择的问题。对自然界真实图像和遥感图像的分割实验结果说明,该文提出的分割方法精度高。

基于测地线活动区域模型的非监督式纹理分割

提出了一种基于曲线演化的非监督式纹理分割算法.在用Gabor小波库提取纹理特征之后,可以得到一个多维的特征图像.为了避免直接在多维空间中应用曲线演化模型,采用高斯混合模型(Gaussian mixture model,简称GMM)来描述该特征图像的概率分布,再从分布模型中计算得到每个像素点的区域信息和边界信息.综合两种信息,并应用测地线活动区域模型来获得最终分割结果.实验结果显示,这种方法能够获得良好的区域边界.

一种基于Contourlet变换的多尺度纹理分割的新算法

受到基于模型的纹理分析方法的启发,提出了一种新的特征提取方法—有限混合纹理模式(Finite Texture Mixture Pattern,FTMP).FTMP是一个二元组的集合,可以通过聚类的方法进行计算.首先,基于Contourlet变换计算纹理的多尺度多方向变化信息;其次,对各尺度、各方向的变化信息分别进行聚类.这些聚类中心以及它们所占的比例组成的二元组的集合就构成了纹理图像的FTMP,反应了不同尺度不同方向的主要变化信息.这种纹理特征的计算方法充分利用了基于模型方法的基本思想,但却避免了复杂的参数计算.在FTMP的基础上,本文给出相应的纹理分割框架CFTMPseg,并通过定量和定性实验验证了所提算法的有效性.

Shannon小波包分解自适应Gabor滤波器设计及其在纹理分割中的应用

本文首先研究了Gabor滤波器进行确定性纹理分割时纹理结构与Gabor函数的关系，提出了利用在频域中具有紧支集的Shannon小波包分解检测纹理的主频;最后.提出了基于小波包分解自适应Gabor函数设计的纹理分割算法.该算法首先用Shannon小波包分解检测纹理的主频，求设计Gabor函数，然后根据Gabor函数与纹理图象卷积、就可以在纹理的连接处产生良好的阶跃边缘，并通过实验验证了该算法的有效性及其对噪声的鲁棒性。

基于改进的Fuzzy C-means聚类算法的纹理分割

提出了一种基于改进的Fuzzyc means聚类算法的纹理分割方法. 改进的Fuzzyc means聚类算法(MFCM)的目标函数不仅考虑了样本类内紧致性,而且还考虑了样本类间分离性,加快了MFCM算法的速度;纹理分割实验验证了MFCM算法的有效性.

基于纹理谱的纹理分割方法

纹理分析是图象处理中的一个重要领域。本文提出一种基于纹理谱特征分割纹理图象的方法。它首次将纹理谱特征与区域生长算法结合起来，从而实现了无监督的纹理分割。纹理谱特征具有对方向性敏感等优点，基于纹理谱的纹理图象分割取得了良好效果。

基于Gabor环滤波的纹理分割方法

针对纹理分割问题,提出了一种在频率域呈环形分布的Gabor滤波器组(Gabor环)的设计方法,在能量意义下给出了自适应选择滤波环带的步骤,并给出了经Gabor滤波后纹理特征的计算公式。根据给定Gabor滤波器环具有的多方向特性对不同纹理图像进行滤波,然后计算滤波后各点特征,并利用这些多方向特征进行纹理分割。实验表明该方法能取得较好的分割效果,并具有很强的通用性。

Gabor滤波器和ICA支持的无监督纹理分割

纹理分割已经取得了很大的进展 ,但仍然缺乏一个轻便的解决方案 建立了一个无监督纹理分割框架 ,其核心是将Gabor滤波器所提取的特征视为统计量 ,用独立分量分析 (ICA)整合特征 ,并用独立分量作为新的纹理特征 ,避开了Gabor滤波器参数选择的难题 实验结果表明 ,ICA比主分量分析更利于纹理特征重整

无须反复初始化的活动围道纹理分割方法

针对纹理图像分割问题,提出了一种无须反复初始化的快速活动围道纹理分割模型.与现有的基于几何活动围道的纹理分割技术相比,该分割模型具有三个优点:一是使用图像的灰度信息和纹理信息来驱动活动围道进行图像分割,因而,不仅适用于分割纹理图像,而且适用于分割非纹理图像;二是使用局部二进制模式来提取纹理特征,计算复杂度小;三是模型求解时,增加了约束项不需要对符号距离函数进行反复初始化,因此可采用大的时间步长,迭代步数明显减少,从而提高了活动围道的收敛速度.对自然界真实图像和合成纹理图像的分割试验结果说明,无须反复初始化的活动围道纹理分割方法精度高、速度快.

小波分析用于菌落图像的纹理分割

微生物菌种是发酵工业的基础与核心，筛选和改良菌种有利于稳定和降低成本．菌落的形貌特征是菌种生化特性的宏观表象，一直是实际工业生产中人工筛选的主要判定依据．用计算机视觉代替人眼，实现菌种的自动分类与识别，能极大地提高生产效益．文中以“绿僵菌”为例，基于小波分析理论，实现了“绿僵菌”菌落显微图像的纹理分割．该算法首先对原始图像实施二维多分辨率小波分解，得到特征图像；然后对其直方图进行一维小波变换，多阈值选择，生成区域图像．实验表明，通过调整参数：一维小波分解级数Ｓ和模糊阈值β，能得到图像的最佳纹理分割，为菌种的自动分类与识别提供了有效信息．

利用小波变换和FCM算法进行多特征纹理分割

提出了一种基于小波变换和模糊C均值(FCM)算法的两阶段纹理分割方法,各阶段采用不同的纹理特征。而且该特征结合了像素的空域和频域信息。实验表明该方法在分割错误率、边缘准确性及区域一致性方面均有较明显的改善,同时也有较高的分割效率。

基于小波和高斯-马尔可夫随机场的纹理分割

为了提高纹理分割的准确性和区域一致性,降低分割的错误率,在文献的基础上,提出了一种基于小波和高斯-马尔可夫随机场(GMRF)的纹理分割方法。该方法首先对图象进行Gabor小波分解,得到一系列分辨率不同的子图象,然后采用基于GMR的K-均值聚类算法从最低分辨率图象进行聚类,一直到最高分辨率为止,这样就得到一个原始图象的初始分割,最后引入特征加权算法,进行后分割,得到最终分割结果,并对仿真结果与文献的算法进行了比较,表明该算法是比较有效的。

基于不完全树结构小波变换及模糊聚类神经网络的纹理分割

提出了一种新的不完全树结构小波变换用于纹理特征提取 ,给出了一种与人类视觉过程相一致的多分辨率多通道纹理分析方法 ,它由 :1)特征提取 :使用不完全树结构小波变换抽取纹理特征 ;2 )基于模糊神经网络的特征粗分类 :1基于样本分布密度的模糊 Kohonen聚类网络权值初始化 ,2使用缩减的特征向量对网络进行训练 ,得到粗分割结果 ;3)细化粗分割结果等几部分构成 .

结合FCM和SVM的纹理分割算法

支持向量机由于其具备的各种优点在图像分割领域得到越来越广泛的应用。但是作为有监督的分类器,它无法自动获取图像中的类别特征。针对这一问题,提出一种结合模糊聚类技术与支持向量机的纹理分割算法,实现了纹理图像的自动分割。在Matlab 7.0平台下进行仿真实验,得到良好效果。实验结果证明该算法能有效地提高纹理图像分割的精度。

自仿射拟合的虹膜纹理分割及粗分类

提出一种应用于虹膜图像粗分类的自仿射拟合纹理分割算法,实现虹膜肠环外边界检测。该方法在多尺度下拟合图像局部到整体信息的自仿射性,有效地在小区域内描述肠环内外纹理的差异,通过分析差异的变化规律确定肠环区域。在此基础上提出利用肠环信息的虹膜图像粗分类,分别研究了肠环位置区域分布和肠环内纹理复杂度2种分类方式。在自采的1 000幅虹膜图像库下分别进行实验,分类正确率分别为98.8%和98.7%。实验结果表明,所提出方法能够有效地实现肠环区域检测,检测到的肠环信息能够应用于大样本虹膜图像粗分类。

基于排列组合熵和灰度特征的纹理分割

提出了一种基于排列组合熵和灰度特征的纹理分割方法。该方法将不同方向上的排列组合熵与灰度均值、灰度方差结合起来构成一个多维特征向量,利用模糊C均值聚类算法进行聚类实现纹理图像的分割。实验结果表明该方法对纹理分布均匀的图像有着良好的分割效果。在保持较高纹理分割精度的前提下,该方法能减小计算复杂度,并且具有较强的鲁棒性和抗噪声能力。

空间灰度相关图象纹理分割方法

本文给出了图象纹理分割的空间灰度相关法(SGLDM)中四个描述性强的纹理特征。定义了纹理特征矢量。在此定义基础上,给出了一种新的图象纹理分割方法。最后以四幅分割难度较大的纹理图象实验,说明利用四种纹理特征的方法可以有效地对纹理子图案非随机旋转的图象进行纹理分割。