基于模糊信息原理的纹理图像分割方法

提出了一种基于同步自回归（ＳＡＲ） 模型和模糊信息原理进行纹理分割的方法。利用二阶ＳＡＲ 模型对图像纹理进行描述，用最小平方误差方法对模型参数进行估计，在对模型参数分析的基础上，将估计的参数进行改进后作为纹理的特征向量用于纹理图像的分类与分割。由于实际图像带有许多的模糊信息，组成纹理的基元和基元之间的关系也具有很大的模糊性，文中根据模糊信息原理，分析了纹理图像的模糊特性，给出了一种基于模糊贴近度的纹理分割方法。实验结果表明，与常规的距离方法相比，用文中的方法进行图像纹理分割能取得更好的效果。

基于Kohonen神经网络的深度图像分割方法

提出一种基于Kohonen神经网络无监督的深度图像分割方法。首先计算了深度图像各点的导数,进而得到各点的法向,以法向和深度值作为每一点的特征矢量,引入自组织神经网络进行初始的聚类;为消除初始聚类产生的过分割现象,采取相邻表面片法向分析的方法进行再分割,得到最终的分割结果。本方法避免了通常的区域分割方法初始种子不易选取的弱点,聚类所用样本少,速度快。

基于左右导数算子类的边缘提取

根据图像灰度的左右导数及其性质构造了几个提取和检测图像阶跃型边缘和屋顶型边缘的算子，并从理论和实验结果上同Ｐｒｅｗｉｔｔ 算子、Ｓｏｂｅｌ 算子、Ｃａｎｎｙ 算子及Ｌａｐｌａｃｉａｎ 算子等进行了比较和分析，发现此类算子包含了这些重要的传统微分算子，而且还具有算法简单灵活，检测精度高和抗噪声干扰能力较强等优点。实验结果还表明在没有进行进一步细化加工的情况下，文中所述的广义左右导数算子无论是检测阶跃型边缘还是屋顶型边缘。