融合Ncut方法的脊椎图像OTSU分割算法

提出一种融合Normalized Cut方法和OTSU方法的脊椎图像分割算法。首先通过Normalized Cut方法得到粗略的分割结果,然后根据脊椎的形状特征提取出有效的脊椎区域,在有效的脊椎区域进行OTSU分割算法,并通过边缘检测算法得到脊椎内部的轮廓边界。实验结果证明该方法可以较为精确地检测出椎骨轮廓的边界,有效地消除了伪边缘的影响。提出了按需分割的概念,首先消除背景区域的影响,然后在有效区域进行更为精细的处理,这样可以较大程度提高算法的处理速度。

一种新的基于Graph cuts方法的SAR图像分割模型

Graph cuts方法是一种快速优化技术,能有效解决计算机视觉的低层次问题,如表面重构、分割、去噪等问题。其优点是迭代计算的高效性并能得到全局最优解。利用Graph cuts方法,将基于活动轮廓模型和水平集方法的SAR图像分割模型转化成一个新的模型,可用最大流/最小割方法来求解。实测SAR图像的分割实验表明:提出的新模型所需运行时间大约是基于水平集的活动轮廓模型所需时间的一半,分割精度也得到了较大的提高。

结合小波系数的normalized cut分割算法

为了提高normalized cut分割算法的准确率,结合小波系数调整图像的亲和矩阵。首先采用小波系数计算图像的边缘信息,然后使用边缘信息对原始图像构造一个图,求取图的拉普拉斯矩阵的前K个特征值,并对第二个特征值对应的特征向量进行分类,得到最终的分割结果。使用一些自然图像进行了验证,结果证明新方法能提取目标更为细致的细节,保留更多有用的信息。

基于Graph Cut与区域生长的连续CT图像分割算法

Graph Cut方法用于医学图像分割具有精度高,分割准确等优点,但处理每一幅图片都需要用户选定对象和背景,耗时较长.区域生长方法适于对面积不大的区域进行分割,分割速度快,但需要人工选取种子点,且在对比度低的情况下分割效果不理想.针对医学CT连续断层图像间相关性强特点,提出一种把Graph Cut方法和区域生长方法相结合的图像分割算法GCRGIS.首先使用Graph Cut法对连续断层图像的首幅图像进行分割,以分割出的图像轮廓作为后幅断层图像待生长区域的边缘,将边缘进行腐蚀后再进行区域生长,分割出目标图像.实验结果表明,该方法处理连续CT图像时仅需对首幅图像进行人工交互,在后续图像的分割中避免了每幅图像都要人工交互的繁琐,分割效果好,速度快.

基于新区域一致性度量与图论的SAR图像区域分割

由于SAR图像含有斑点噪声,传统区域分割方法已不再适用于SAR图像分割。为此提出了一种新的SAR图像区域分割方法。该方法通过定义一种可有效抑制斑点噪声影响的区域一致性度量,以指导四叉树技术分裂SAR图像得到初始分割区域;然后以区域为顶点和区域间的相似度为边权,构建一个完全赋权图。最后运用图论分割方法中可利用全局信息的Minimum Cut方法进行区域合并,获得最终的图像分割结果。实验结果表明了该方法的有效性。