支持向量机与区域增长相结合的CT图像并行分割

针对经典区域增长算法中生长规则确定的困难和单纯使用支持向量机分割速度慢的问题,提出了一种支持向量机与区域增长相结合的图像并行分割方法。首先,从已知分割结果的图像中选取一定数量的目标区域与非目标区域样本点作为支持向量机分类器的训练样本并训练支持向量机,然后利用训练好的支持向量机自动寻找种子点并进行区域增长,在区域增长过程中使用支持向量机分类器作为增长规则,最后,针对边缘和噪声像素点进行必要的后处理。测试实验获得了较好的分割效果和较快的分割速度且能实现自动分割,表明所提出的方法是可行有效的。

基于支持向量机的并行CT图像分割方法

提出了一种基于区域增长和支持向量机的自动并行CT图像分割方法.传统的种子生长方法速度较快,但难于自动获得种子点;而单纯的支持向量机分割准确,但速度较慢.为了解决上述问题,本文将两种方法相结合:首先,训练支持向量机用于分类;然后用支持向量机判断种子点并使用曲率流滤波器进行降噪以光滑图像边缘;最后使用阈值区域生长进行分割.在基于Torque的并行环境下进行的实验证明了本方法的分割效果和速度都优于传统方法.

基于SVM与区域生长的彩色商品标签图像分割方法

传统区域生长的噪声和灰度不均可能会导致空洞和过分割,严重影响图像分割效果。针对此问题,文中提出了一种SVM与区域生长相结合的彩色标签图像分割算法。该算法将标签部分和商品部分的颜色信息和纹理等特征作为SVM的正负样本,既有效提高了效率,又提高了图像分割的精度。在提取正负样本时,利用改进区域生长算法分割出特征区域并提取特征。理论分析和实验结果表明,所提出的算法具有更正错误检测信息机制,提高了分割效率,较好地防止了传统区域增长算法分割时的过分割现象,并具有良好的鲁棒性,为后期拓展奠定了基础。