一、灰度和彩色图象分割的一种改进算法(论文文献综述)
李岩[1](2008)在《基于模糊聚类分析的彩色图象分割算法的研究》文中进行了进一步梳理在对基于模糊聚类分析的图象分割方法的现状和存在问题的深入分析和研究的基础上,提出了一套在边缘信息指导下的模糊聚类的图象分割方法EFCM(Edge-based Fuzzy C-means Clustering)。该方法利用简易且敏感的边缘算子,对图象进行边缘检测,得到图象中所有边缘信息;采用改进的FCM(Fuzzy C-means Clustering)算法作为分割基础,完成图象的粗分割;以粗分割的区域数作为模糊聚类的类别数、粗分割的各区域中心作为初始聚类中心,提出对非边缘部分做模糊聚类,减少聚类迭代的次数,也减小聚类迭代陷入局部极值的可能性。对于彩色图象的分割,讨论了聚类用的颜色空间的选取,确定YUV颜色空间作为EFCM算法分割彩色图象的颜色空间,以及针对YUV颜色空间的基于亮度和色差的Sobel边缘检测算子。
浦晶[2](2008)在《基于分水岭与图论的图象分割技术研究》文中研究表明论文着重研究了基于分水岭与图论的图象分割技术。使用传统分水岭算法对噪声图象进行分割,由于缺少预处理及后处理,过分割现象严重。论文提出的改进分水岭算法基于数学形态学及图论理论,由以下三步实现:图象的预处理;使用Vincent-Soille分水岭算法对预处理过的图象进行分割;图象的后处理。提出基于新型GOC滤波器的预处理算法对噪声图象进行平滑去噪处理,该滤波器由两组适应不同形状要求的尺寸分别为3×3和5×5的结构元素组构成,每组结构元素组由水平、垂直、45度角及135度角四个方向的结构元素构成,有效地去除图象噪声。提出基于Ratio Cut准则的后处理算法,将分水岭分割产生的过分割小区域看作图的节点,建立浓缩的带权图,进行区域合并。在VC++6.0环境下实现了一个图象分割系统,对提出算法进行了验证,改进后的分水岭算法能够有效减轻过分割现象,得到有意义分割区域。
王兴[3](2007)在《几何活动轮廓模型在图象目标轮廓分割中的应用与研究》文中提出图象分割的目的是将原始图象划分为一系列有意义的区域或提取图象中感兴趣的区域(region of interest,ROI)。目前主要的分割算法划分为依赖边界的分割与依赖区域的分割,本文讨论的活动轮廓模型属于基于边界的分割。活动轮廓模型已成为图象分析的重要工具。目前常用的活动轮廓模型有参数模型和几何模型。本文研究活动轮廓模型在图象分割中的原理、方法及应用,其中重点研究几何活动轮廓模型在医学超声图象、弱边界区域与彩色图象分割中的应用,具体包含以下三个方面。1、针对医学超声图象的特点提出了一种改进的快速图象分割方法,该方法具有以下几个明显的优点:首先能够较好的权衡去噪与边界保持的关系,由于采用总变分方法去噪,其在去除噪声的同时还具有良好的边界保持特点,所以针对超声图象的复杂性,总变分能够较清晰的平滑源图象;其次具有较快的分割速度,本文针对水平集的计算复杂性采用一种快速的窄带水平集算法,使每次只计算零水平集窄带范围内的点,较原始方法极大的提高了曲线的演化速度;2、提出了一种基于Mean Shift聚类的图象弱边界区域分割方法,该方法具有如下优点:首先,能够较好的抵御噪声干扰;其次,对弱边界区域分割效果较好;最后结合水平集算法后能自由处理曲线的拓扑变化,能同时分割图象中的多个目标。3、提出一种基于彩色梯度的活动轮廓模型用于对彩色图象进行目标分割,该模型具有以下优点,首先分割的鲁棒性较好,由于颜色梯度更多的反映的是目标材质的变化,所以受图象中的阴影、高光等因素影响较小;然后,与水平集算法相结合后可以同时分割图象中的多个目标。最后总结了本文的研究内容和工作重点,并对本文中尚需改进的地方以及今后的研究方向提出了要求并进行了展望。
付斌[4](2006)在《基于活动轮廓模型的目标分割与跟踪的研究》文中研究表明论文的研究工作是哈尔滨工程大学“211”工程学科建设项目“智能机器人子项目中机器人遥现遥控环境建设”项目中的一个重要研究部分。 序列图象中运动目标的运动分析是计算机视觉技术的一个重要组成部分,运动分析包括目标的捕获(跟踪初始位置的确定)、目标的识别(或分割)、目标的跟踪、目标的理解等内容。其中,目标的捕获、分割、跟踪是进行运动分析的前提条件,一个良好的分割、跟踪效果是正确进行目标理解的保障。本文研究的内容是在图象序列中,基于活动轮廓模型的运动目标自动分割与跟踪技术,目的使计算机视觉系统可以自动的分割目标并进行连续的跟踪,同时在跟踪过程中自动提取目标轮廓信息。文中首先介绍活动轮廓模型的基础及其改进方法,然后围绕目标初始定位过程和目标跟踪过程两个部分进行研究。 在目标初始定位过程中,算法是基于多边形活动轮廓模型进行目标的图象分割,同时使用图象差分技术,细胞神经网络(CNN)和SUSAN角点检测算法解决活动轮廓模型初始化曲线设置问题和参数设置问题。在这部分,首先使用帧间差分梯度法进行运动目标的区域定位,在确定感兴趣(ROI)区域后,使用SUSAN角点检测算法得到目标角点,利用角点间连线所组成的轮廓作为改进的多边形活动轮廓模型的初始轮廓;由于在运动目标的初始跟踪阶段,已同步使用基于CNN的三帧差分法进行目标的图象分割,可以获得目标初始时刻的轮廓特征,文中利用CNN获得的目标轮廓作为参考轮廓,通过基于粒子群寻优技术的活动轮廓能量方程系数调整算法优化模型参数,使活动轮廓模型获得合适参数,保障轮廓曲线正确收敛在目标边缘,避免目标轮廓曲线的过收敛或收敛漂移。文中采用的活动轮廓模型是一种改进的多边形活动轮廓模型,由于经过前期的处理,模型已具备合理的初始轮廓和模型参数,因此可以充分发挥其收敛准确、抗噪声能力较强的特点,获得较好的目标轮廓形状曲线。在目标初始定位阶段使用该方法可以克服大多算法需人为干预的缺点,实现运动目标自动分割,而且使目标的定位和分割更加准确可靠。由
胡敏[5](2005)在《基于Snake的图象分割与癌细胞识别方法研究》文中认为随着医学图象可视化技术的发展和各种医学成像模式的出现,医学图象自动分析和处理已成为图象工程领域和生物医学工程领域一个重要的研究方向。作为医学图象处理中的一个热点问题,细胞图象的自动分析和识别一直受到人们的普遍重视。由于细胞核浆形态多样,细胞涂片中存在细胞重叠与杂质污染,染色不均匀,涂片细胞图象的高精度分割与恶变性状特征提取成为细胞图象处理和癌细胞定量分析与识别中的难点课题。 本文研究细胞图象分析技术和癌细胞识别方法。针对食管涂片的细胞图象,应用图象分析和模式识别技术研究细胞的分割方法和细胞形态、颜色、纹理特征的提取,以及癌细胞分类识别技术。本文的研究成果主要体现在以下几个方面: 1、提出了一种基于模糊灰度一致性的Snake生长模型。针对传统Snake须将初始轮廓曲线置于真实边界附近的缺点,该模型在能量函数中增加了一项基于像素点与目标灰度一致性模糊度量的生长能量,使得能量优化过程不易受局部极小值的影响,具有较强的抗噪能力。轮廓曲线采用极坐标描述,计算简便。实验结果表明,该模型分割效果良好,分割性能稳定。 2、针对细胞核边界重叠和模糊现象,提出了一种基于信息融合的新的Snake生长模型,并构成了一种彩色细胞核分割方法。该方法充分利用细胞图象的先验信息,对细胞核进行椭圆拟合和边界重叠(污染)信息估计,基于椭圆边界和不同区域的颜色分布特点,建立多个模糊度量函数分别从几何关系和颜色一致性上描述像素点对细胞核的隶属程度,然后融合边界估计信息和各种模糊度量,建立新的Snake生长模型实现细胞核的分割。椭圆信息增强了对重叠或模糊部分的边界跟踪能力,多种信息的融合改善了分割效果。实验结果表明,新方法分割精度进一步提高,分割性能更稳定。 3、提出多种细胞核恶变性状的特征分析方法。针对癌细胞核染色颗粒特征明显的特点,提出一种基于形态学颗粒分析的纹理描述方法(MSGF方法)。该方法构造一种二维粒度分布图对二值图象作颗粒元素分解,以颗粒元素的数量、尺度分布和几何特征参数代替传统SGF纹理分析中的连通区域特征参数,对细胞核染色颗粒特征具有更好的描述能力。此外,本文还采用曲率熵描述细胞核的形状不规则程度,给出了改进的Tamura纹理粗糙度和对比度参数描述细胞核的染色质粗细程度。 4、在应用上述方法对细胞图象进行精确分割和恶变性状分析的基础上,对提取出的一系列细胞核形状、颜色和纹理特征参数,分别应用贝叶斯分类法和k-近邻法进行癌变细胞与非癌变细胞的分类识别实验。实验表明,单细胞的分类正确率达到86%以上,在对少量样本作拒分决策的情况下可以获得更高的分类正确率:与传统的SGF特征和癌细胞识别中使用较多的GLCM特征相比,本文提出的MSGF特征描述细胞核恶变性状更有效,分
温玉娟[6](2005)在《蚁群算法在图象分割中的应用》文中研究表明20世纪90年代初,意大利学者等人受蚂蚁在觅食过程中可以找出从巢穴到食物源的最短路径的启发,提出了蚁群算法(ant colony algorithm),它是继禁忌搜索算法、模拟退火算法、遗传算法、人工神经网络等启发式搜索算法之后出现的一种新的启发式搜索算法。蚁群算法不仅能够智能搜索、全局优化,而且具有稳健性(鲁棒性)、正反馈、分布式计算、易与其它算法结合等特点,鲁棒性强,在基本蚁群算法模型的基础上进行修改,便可用于其它问题;正反馈过程使得该方法能很快发现较好解;分布式计算使得该方法易于并行实现,个体之间不断进行信息交流和传递,有利于发现较好解,不容易陷入局部最优;与启发式算法相结合,可改善算法的性能。它成功应用于解决许多组合优化问题。一些初步研究和应用已显示出蚁群算法在求解复杂优化问题(特别是离散优化问题)方面的一些优越性。目前的研究主要集中在比利时、意大利、德国等国家,国内的研究始于1998年末,主要在上海、北京、东北少数几个学校和研究所开展了此项工作,主要围绕TSP及相关问题的实验仿真。 图像分割方法的研究始于上世纪50年代,它是图像处理中最为基础和重要的领域之一,近年来对通用分割方法的研究倾向于将分割看作一个组合优化问题,并采用一系列优化策略完成图像分割任务。 该文首先介绍了人工蚁群算法的基本原理,实现流程,分析了蚁群算法的特性,提出一系列改进算法。并概述了这种算法在优化问题中的多种应用。然后阐述了图象分割算法的现状,分割的原理和分类,以及一些常规的分割方法。 再根据蚁群算法和分割算法的特点,将两者进行结合。分割算法可以看作一个组合优化问题,人工蚁群算法就是一种优化方法,因此,将人工蚁群算法引入到图像分割处理中完全可行。实验结果也证明其方法是完全可行的。 最后,文章对蚁群算法和图象分割进行了总结和展望。 本文就是利用蚁群算法具有寻优特性,来寻找图象分割中的最佳阈值。进而达到分割的目的。
刘明慧[7](2005)在《基于图象分类的图象分割算法研究与实现》文中进行了进一步梳理图象分割是图象处理中的一个重要问题,也是计算机视觉研究中的一个经典难题。它是由图象处理过渡到图象分析的关键步骤,在图象工程中占据着重要的位置。一方面,图象分割是目标表达的基础,对特征测量有重要影响。另一方面,因为图象分割及其基于分割的目标表达、特征提取和参数测量等将原始图象转化为更抽象更紧凑的形式,使得更高层的图象分析和理解成为可能。图象分割质量的好坏直接影响到后续识别和理解的成败。尽管每年都有大量的研究成果被提出,但是直到目前为止还不存在一种通用的分割方法。 本文针对图象分割现状和实用性进行了研究,主要内容包括如下几个方面: (1)按照分割方法的分类,简单介绍了基于区域和基于边界两大类图象分割方法的经典理论。这是开展后续研究的基础。 (2)提出了基于图象分类的分割策略,将图象分为纹理图象与非纹理图象,分割工作在分类的基础上进行,使其针对性更强、分割效果更好。算法基于RGB颜色空间,首先从图象离散小波变换的低频子带提取一定的颜色和纹理特征用于K-均值聚类,将图象的低频子带分割成为一定的区域,然后根据分割的结果将图象自动语义分类为纹理或者非纹理图象,分类效果令人满意。 (3)对归为纹理类的图象,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,采用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、聚类数的确定、粗分割和细分割四个阶段。其中,特征提取在金字塔结构小波变换的基础上进行,聚类数的确定采用改进的MH指标数,粗分割利用K-均值聚类算法来对原始图象进行初步的分割,细分割则根据粗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。 (4)对归为非纹理类的图象,探讨了一种基于色调、饱和度和亮度联合概率分布的彩色图象分割方法。该方法首先将RGB图象转换为HSV图象,并以色调为主要依据对图象进行粗分割,然后利用亮度和饱和度信息进行细节分割并组合成有意义的区域。实验表明该方法的分割效果良好。
余卫宇[8](2005)在《几种图像结构语义模型和图像》文中研究指明本论文对图象语义理论和应用做了深入的研究,图象语义是图象处理学科的一个崭新的方向,它包括图象的低层语义特征和图象的高层语义特征以及如何从低层语义映射到高层语义。目前国内外较少有关图象语义的理论研究,本文主要针对图象结构语义信息、人对图象的主观感知、图象结构模型、彩色图象分割和基于语义的图象物体和区域的提取等进行了深入的研究。本论文的主要工作如下: 1. 较严格的导出了图象结构信息的表达式,定义了一个由结构参数组成的结构空间T,用心理测度函数的变换函数族把图象从结构空间T 映射到结构信息空间IT, IT反映人从图象结构中了解到接收到的结构信息。并用δ函数反应人对某个结构参数刺激的特殊响应。指出结构信息是在分析图象结构后得出人对图象结构了解越清楚,则人所得的结构信息就越大,从而人对图象的结构语义的判断就越正确。2. 研究了人对图象的主观感知,分析了人对图象特征点、颜色、形状等的心理响应。由此构造出类似于人的接收机模型,试图把主观感觉和通信及信号处理联系起来进行分析,并说明该模型是可实现的。3.提出了几种图象结构模型。首先应用一维信号的进化模型,建立图象广义空间的进化模型,指出各种参数与图象物理参量的关系。据此建立了图象结构信息模型,指出H(Tran)是图象结构熵,图象应向结构熵最大的方向进化,建立了层次结构模型,指出各个终节点构成语义字符串,定义了图象语义码,码包含的信息量及熵称为语义信息及语义熵。4. 应用聚类算法提取图象的语义物体区域。本文主要考虑了在彩色空间中,用最近邻算法和K-均值算法根据彩色信息进行语义提取。最后根据实际要求提取出具有语义性质的物体,并对两者进行了比较。k-均值算法分割效果较好。通过上述两种方法,可以提取出感兴趣的物体,对于语义分析提供了较大的帮助。Lab5 提出了一种基于形态学分水岭算法的边缘和区域合并的方法,由于分水岭算法具有过分割的效果,在分割之前进行预处理,通过开闭运算分割出图象的前景和背景,实验验证该方法能够节省时间,是一种较好的彩色图象分割方法。6 主要对语义的客观和主观进行了初步研究,提出了一个客观语义与主观语义结合的语义分析模型。7.在图象语义的基础上,提出了一种新的彩色图象检索方法,主要考虑了在HSV
任继军[9](2005)在《彩色图象分割及其在中医舌图象处理中的应用》文中认为随着科学技术和医用科技的不断发展,中医中传统的“望闻问切”四诊法也面临着技术实现的现代化。‘望’诊,尤其是其中的舌珍是中医四诊的重要内容,它通过观察舌象的变化了解机体的生理功能和病理变化,对许多病症的前期确诊有着非常重要的意义。然而传统的舌珍是通过人眼观察舌象,会不可避免地引入人为的、主观的、不利于获取指标精确化的因素,给舌诊的进一步发展带来严重的困难。因此,将现代的信息处理技术和中医专家的临床经验结合起来,实现中医舌珍的定量化、客观化、标准化,是发展中医舌诊的必出之路。 舌诊医疗中,病人的舌图象可以通过数字采集仪器(如数码相机等)获得。获得图象后,必须首先实现对目标区域进行智能化分割,因此,舌图象分割成为连接图象采集和图象处理与分析的重要一环,它的分割质量将直接影响到后续的舌图象分析工作。本文根据舌图象的特点,提出了将感兴趣区域(Region OfInterest ROI)应用在对舌图象分割的预处理中,并使用了一种简单的基于灰度空间图象投影的方法成功地实现了感兴趣区域的自动提取。然后,在经过对许多已有的图象分割算法的学习消化后,结合舌图象本身的一些特点,提出并实现了一种基于RGB空间自动阈值选取和灰度空间分割处理的算法,显着的减少了运算复杂度和数据量,提高了处理速度。另外,在对分割处理后的舌图象进行区域划分的研究中,结合神经网络的一些特点,使用了自组织特征神经网络(SOFMNN)方法在灰度空间进行区域划分,试验证明了该方法的有效性。最后介绍了开源图象处理库OpenCV,使用VC+OpenCV平台,在彩色空间中实现了金字塔结构分裂合并方法和基于区域灰度差生长准则的区域生长法的彩色舌图象分割,降低了处理的复杂度,效果也令人满意。
李晓卉[10](2004)在《基于小波理论的彩色图象分割方法的研究》文中进行了进一步梳理图象分割是计算机图象识别与理解中一个十分活跃的研究领域,是计算机图像理解方法实现的基础,而彩色图象的分割是近些年越来越引起人们重视的一种图象分割方法。本文研究的主要内容为: 首先,对彩色图象分割过程进行分析,并对两种彩色图象分割算法即模糊c-均值和特征空间投影算法、直方图多阈值及融合算法的分割结果进行比较,从算法本身分析了其优缺点。虽然两种算法都取得了较好的分割效果,但其算法较复杂,计算时间较长。 然后,针对上述缺点,在对小波的相关理论和方法进行较全面、系统的研究基础上,提出了一种新的彩色图象分割方法,主要内容包括:针对两种彩色图象分割算法较复杂和计算时间较长的缺陷,利用小波变换的特点,提出了一种基于二维小波的直方图多阈值彩色分割算法。该方法不仅减小了算法的复杂性,节约了计算时间,同时也考虑了图象的颜色和空间信息,具有较强的抗噪能力。 最后,对图象分割评价的方法进行了研究,在此基础上提出了彩色图象分割评价框架,设计了两组试验模型,并用MATLAB语言对这两组试验模型和其他图象进行仿真,从而得出了各种算法的应用场合:模糊c-均值和特征空间投影算法适用于噪声、模糊程度较小以及目标尺寸比较大的场合;直方图多阈值及融合算法对噪声以及目标尺寸不敏感,因此适用于分割有噪声以及目标尺寸较小的图形:在目标尺寸较大时,与其他两种算法相比,基于二维小波的直方图多阈值彩色图象分割算法受噪声和模糊程度影响最小,因此适用于分割有噪声以及模糊的图象,即基于二维小波的直方图多阈值彩色图象分割算法对采集条件具有最强的鲁棒性。
二、灰度和彩色图象分割的一种改进算法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、灰度和彩色图象分割的一种改进算法(论文提纲范文)
(1)基于模糊聚类分析的彩色图象分割算法的研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 模糊聚类分割的原因 |
1.2 FCM 算法的图象分割研究综述 |
1.2.1 图象分割面临的问题 |
1.2.2 图象的模糊 C-均值聚类分割的应用和发展 |
1.3 图象分割的原理 |
1.4 本文研究目标和主要研究内容 |
1.5 本文的组织结构 |
2 彩色图象分割的研究 |
2.1 引言 |
2.2 彩色空间的表示 |
2.2.1 色彩模型 |
2.2.2 彩色坐标变换 |
2.2.3 线性彩色空间和非线性彩色空间的比较 |
2.3 彩色图象分割的方法 |
2.3.1 直方图阈值法 |
2.3.2 色彩空间聚类 |
2.3.3 基于区域的分割方法 |
2.3.4 边缘检测的分割方法 |
2.3.5 基于模糊集理论的方法 |
2.3.6 基于神经网络的方法 |
2.4 本章小结 |
3 模糊聚类(FCM)算法及其改进算法 |
3.1 引言 |
3.1.1 数据集 X 的 C-划分 |
3.1.2 硬 C-均值聚类算法 |
3.1.3 模糊 C 均值聚类算法 |
3.2 FCM 算法 |
3.2.1 标准的 FCM 算法 |
3.2.2 加权 FCM 算法 |
3.2.3 带有惩罚项的 FCM 算法 |
3.2.4 全局 FCM 算法 |
3.2.5 快速全局 FCM 聚类算法 |
3.3 本章小结 |
4 基于改进的 FCM 算法的彩色图象分割 |
4.1 引言 |
4.2 基于 FCM 聚类的图象分割算法的描述 |
4.2.1 图象的二维灰度特征空间 |
4.2.2 基于 FCM 聚类的图象分割算法 |
4.3 改进的 FCM 聚类算法 |
4.3.1 EFCM 图象分割算法 |
4.3.2 EFCM 分割算法参数的初始化 |
4.4 灰度图象中的 EFCM 分割算法 |
4.4.1 灰度图象的去噪处理 |
4.4.2 灰度图象的边缘检测 |
4.4.3 EFCM 聚类迭代 |
4.4.4 灰度图象分割算法对比 |
4.5 彩色图象的 EFCM 分割算法 |
4.5.1 彩色空间的选择 |
4.5.2 彩色图象的边缘检测 |
4.5.3 彩色图象的 EFCM 分割 |
4.5.4 彩色图象分割算法的对比 |
4.6 本章小结 |
5 总结与展望 |
5.1 创新点和主要工作 |
5.2 今后的研究工作 |
攻读硕士学位期间发表的学术论文 |
致谢 |
参考文献 |
(2)基于分水岭与图论的图象分割技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景及意义 |
1.1.1 图象分割 |
1.1.2 图象分割的分类 |
1.2 课题的研究现状 |
1.2.1 基于边界的图象分割技术 |
1.2.2 基于区域的图象分割技术 |
1.3 图象分割研究的重点 |
1.4 论文主要工作和内容安排 |
2 数学形态学、分水岭算法原理及图论理论 |
2.1 数学形态学理论 |
2.1.1 数学形态学的产生与发展 |
2.1.2 集合论 |
2.1.3 数学形态学理论构成 |
2.1.4 二值形态学基本运算 |
2.1.5 灰度形态学基本运算 |
2.1.6 灰度形态学组合运算 |
2.2 分水岭原理及算法 |
2.2.1 分水岭概述 |
2.2.2 分水岭原理及常用算法介绍 |
2.3 图论理论 |
2.3.1 割集 |
2.3.2 图的最佳划分准则 |
2.3.3 图象的最佳分割准则 |
2.3.4 权函数 |
2.3.5 相似度矩阵、度矩阵及Laplacian矩阵 |
2.3.6 割集准则的比较 |
2.4 本章小结 |
3 基于新型GOC滤波器和比率切割的改进分水岭分割算法 |
3.1 问题的提出 |
3.2 论文改进算法的主要思想 |
3.3 基于改进GOC滤波器的分水岭分割预处理算法 |
3.3.1 滤波器的发展 |
3.3.2 改进GOC滤波器的定义 |
3.3.3 改进GOC滤波器的理论证明 |
3.4 Vincent-Soille分水岭算法进行初步图象分割 |
3.4.1 分水岭算法的数学描述 |
3.4.2 快速分水岭算法步骤 |
3.4.3 快速分水岭算法描述 |
3.5 基于比率切割的分水岭分割的后处理算法 |
3.5.1 Ratio Cut割集准则的重要概念 |
3.5.2 Ratio Cut缩减算法 |
3.5.3 后处理算法描述 |
3.6 本章小结 |
4 图象分割验证系统 |
4.1 图象分割系统的设计 |
4.1.1 图象变换模块 |
4.1.2 图象预处理模块 |
4.1.3 图象分割模块 |
4.2 图象分割系统的实验结果分析 |
4.2.1 传统分水岭算法的实验分析 |
4.2.2 改进GOC预处理算法的验证 |
4.2.3 基于比率切割的后处理改进算法的验证 |
4.3 本章小结 |
5 结论 |
5.1 本文的主要工作 |
5.2 未来工作的展望 |
攻读硕士学位期间发表的学术论文 |
致谢 |
参考文献 |
(3)几何活动轮廓模型在图象目标轮廓分割中的应用与研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题背景 |
1.2 图象分割方法综述 |
1.2.1 基于边缘的图象分割 |
1.2.2 基于区域的图象分割 |
1.3 活动轮廓模型的研究现状 |
1.3.1 参数活动轮廓模型 |
1.3.2 几何活动轮廓模型 |
1.4 本文的主要工作及其意义 |
第二章 一种改进的快速医学超声图象分割方法 |
2.1 超声图象分割的意义 |
2.2 总变分去噪 |
2.2.1 图象的复原 |
2.2.2 总变分方法的优点及方法 |
2.2.3 实验分析 |
2.3 水平集理论 |
2.3.1 水平集理论 |
2.3.2 水平集方程的数值计算 |
2.4 快速测地活动轮廓模型 |
2.4.1 测地活动轮廓模型 |
2.4.2 快速水平集算法 |
2.5 实验分析 |
2.6 本章小结 |
第三章 一种基 Mean Shift聚类的图象弱边界区域分割方法 |
3.1 几何活动轮廓模型的缺陷 |
3.2 Mean Shift区域分割 |
3.2.1 Mean Shift基本思想 |
3.2.2 Mean Shift算法 |
3.2.3 实验分析 |
3.3 基于区域力的几何活动轮廓 |
3.3.1 区域力的产生与扩散 |
3.3.2 结合区域力的几何活动轮廓模型 |
3.3.3 基于区域力的几何活动轮廓模型的水平集表达 |
3.4 实验分析 |
3.5 本章小结 |
第四章 彩色活动轮廓模型在图象分割中的应用 |
4.1 彩色梯度模型 |
4.1.1 RGB图象梯度的原理 |
4.1.2 彩色图象梯度的产生 |
4.1.3 基于颜色梯度的活动轮廓模型 |
4.2 实验分析 |
4.3 本章小结 |
第五章 总结 |
5.1 本文总结 |
5.2 进一步的研究工作 |
参考文献 |
致谢 |
攻读硕士学位期间的研究成果 |
(4)基于活动轮廓模型的目标分割与跟踪的研究(论文提纲范文)
第1章 绪论 |
1.1 目的和意义 |
1.2 研究动态 |
1.2.1 运动检测技术 |
1.2.2 目标的图象分割技术 |
1.2.3 目标的跟踪技术 |
1.2.4 基于活动轮廓模型的图象处理技术 |
1.3 论文研究内容和章节安排 |
第2章 活动轮廓模型理论 |
2.1 引言 |
2.2 活动轮廓模型基本理论 |
2.2.1 活动轮廓模型基本表达式 |
2.2.2 能量最小化基本求解算法 |
2.2.3 活动轮廓模型的特点 |
2.3 改进的活动轮廓模型 |
2.3.1 气球模型 |
2.3.2 GVF模型 |
2.4 改进的能量最小化算法 |
2.4.1 动态规划DP算法 |
2.4.2 Greedy算法 |
2.5 本章小结 |
第3章 基于图象差分技术的目标检测与分割 |
3.1 引言 |
3.2 基于对称差分梯度法的视频分割算法 |
3.2.1 帧间差分法 |
3.2.2 背景差分法 |
3.2.3 对称图象差分梯度法 |
3.2.4 实验分析 |
3.3 基于细胞神经网络的运动目标图象分割 |
3.3.1 细胞神经网络的理论基础 |
3.3.2 CNN差分图象合并法 |
3.3.3 实验分析及讨论 |
3.4 本章小结 |
第4章 基于多边形活动轮廓模型的图象分割 |
4.1 引言 |
4.2 多边形活动轮廓 |
4.2.1 最优路径活动轮廓模型及算法 |
4.2.2 多边形活动轮廓模型及算法 |
4.2.3 多边形活动轮廓算法 |
4.3 SUSAN算子 |
4.4 基于PSO的多边形活动轮廓 |
4.4.1 粒子群优化算法 |
4.4.2 基于PSO的多边形活动轮廓模型的系数的确定 |
4.5 本章小结 |
第5章 基于改进的Camshift及活动轮廓模型的目标跟踪 |
5.1 引言 |
5.2 Camshift算法 |
5.2.1 Meanshift算法 |
5.2.2 Camshift算法 |
5.2.3 改进的Camshift算法 |
5.3 基于改进的Camshift和活动轮廓模型的跟踪算法 |
5.3.1 利用改进的Camshift算法对视频流进行实时的跟踪 |
5.3.2 贪婪算法与Camshift结合进行精确跟踪分割 |
5.6 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文和取得的科研成果 |
致谢 |
(5)基于Snake的图象分割与癌细胞识别方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
§1.1 细胞图象处理与细胞定量分析 |
§1.2 癌细胞自动识别研究的意义 |
§1.3 研究的现状 |
§1.4 本文的主要工作 |
第二章 食管癌细胞学诊断的基础知识 |
§2.1 食管的组织和细胞结构 |
§2.2 食管癌的分类 |
§2.3 食管癌的临床诊断方法 |
§2.4 食管涂片的细胞形态学 |
§2.5 本文的数据来源 |
第三章 基于模糊灰度一致性的Snake生长模型 |
§3.1 基于形态学的细胞核检测方法 |
§3.2 Snake模型简介 |
§3.3 基于模糊灰度一致性的Snake生长模型 |
§3.4 实验结果 |
§3.5 本章小结 |
第四章 基于信息融合的Snake生长模型与彩色细胞核分割 |
§4.1 彩色细胞图象的颜色分布特征 |
§4.2 细胞核的椭圆估计 |
§4.3 模糊度量方法 |
§4.4 能量函数的定义 |
§4.5 实验及结果 |
§4.6 本章小结 |
第五章 细胞核的特征提取 |
§5.1 形状特征 |
§5.2 纹理特征 |
§5.3 颜色特征 |
§5.4 本章小结 |
第六章 细胞核的分类识别 |
§6.1 特征的降维 |
§6.2 贝叶斯决策论 |
§6.3 k-近邻法 |
§6.4 拒分决策 |
§6.5 分类实验方法 |
§6.6 实验结果 |
§6.7 本章小结 |
第七章 总结与展望 |
§7.1 本文工作的总结 |
§7.2 进一步研究的方向和展望 |
致谢 |
参考文献 |
附录A 对30幅测试图象的分割结果 |
附录B 攻读博士学位期间发表的学术论文 |
(6)蚁群算法在图象分割中的应用(论文提纲范文)
第1章 概论 |
1.1 蚁群算法 |
1.1.1 蚁群算法的历史和科学意义 |
1.1.2 蚁群算法国内外研究概况 |
1.2 图象分割 |
1.2.1 图象分割的科学意义和历史 |
1.2.2 图象分割的国内外研究概况 |
第2章 蚁群算法的基本原理 |
2.1 蚂蚁的群体行为及信息系统 |
2.2 蚁群算法的原理 |
2.3 蚁群系统模型 |
2.3 蚁群算法的实现 |
2.4 一些改进的蚁群算法 |
2.4.1 蚁群系统(ACS) |
2.4.2 最大最小系统(MMAS) |
2.4.3 调整ρ挥发系数的自适应算法 |
2.4.4 相遇算法 |
2.4.5 分段算法 |
2.4.6 动态自适应调整信息素的蚁群改进算法 |
2.4.7 调整人工信息素改进算法 |
2.4.8 小窗口算法 |
2.4.9 智能蚂蚁算法 |
2.5 蚁群算法目前的应用 |
2.5.1 蚁群算法在静态组合优化中的应用 |
2.5.2 蚁群算法在动态组合优化中的应用 |
2.5.3 蚁群算法在其他领域的应用 |
第3章 蚁群算法在图象分割中的应用 |
3.1 图象分割 |
3.1.1 图象分割简介 |
3.1.2 图象分割的定义 |
3.2.3 图象分割分类 |
3.2 蚁群算法在图象分割中的应用 |
3.2.1 简介 |
3.2.2 图象分割特征的提取 |
3.2.3 蚁群算法的描述 |
3.2.4 算法流程 |
第4章 实验及其分析 |
4.1 实验过程 |
4.2 实验结果分析 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
作者在硕士期间发表的学术论文 |
致谢 |
(7)基于图象分类的图象分割算法研究与实现(论文提纲范文)
第1章 绪论 |
1.1 图象分割的概述 |
1.2 图象分割的定义 |
1.3 分割算法的分类 |
1.4 论文的研究背景、任务和结构 |
1.4.1 论文研究的背景、目的和意义 |
1.4.2 本文所做的主要工作与文章框架 |
第2章 图象分割的基本方法 |
2.1 基于边界的分割 |
2.1.1 微分算子边缘检测 |
2.1.2 边缘拟合与边界闭合 |
2.1.3 哈夫变换 |
2.1.4 边界跟踪 |
2.1.5 曲线拟合 |
2.1.6 状态空间搜索 |
2.1.7 动态规划 |
2.2 基于区域的分割 |
2.2.1 阈值化分割 |
2.2.2 特征空间聚类 |
2.2.3 区域生长 |
2.2.4 分裂合并 |
第3章 纹理与非纹理图象的自动分类 |
3.1 小波变换的基本原理简介 |
3.1.1 连续和离散小波变换 |
3.1.2 多分辨率分析 |
3.1.3 小波变换的Mallat算法 |
3.1.4 信号的小波分解与重构 |
3.1.5 二维小波变换 |
3.2 利用小波变换的提取特征矢量 |
3.3 K-均值聚类区域分割 |
3.4 图象自动分类 |
第4章 纹理图象的分割 |
4.1 小波基的选择及纹理特征的提取 |
4.2 聚类数的确定 |
4.3 纹理图象粗分割 |
4.4 纹理图象细分割 |
4.4.1 特征矢量的加权 |
4.4.2 最小距离分类 |
4.5 纹理图象分割结果 |
第5章 非纹理图象的分割 |
5.1 HSV颜色空间直方图定义 |
5.1.1 常用的彩色空间及颜色模型的转换 |
5.1.2 HSV颜色空间直方图 |
5.2 直方图高斯函数拟合 |
5.2.1 自适应旋转投影分解法 |
5.2.2 灰度直方图的高斯函数拟合 |
5.2.3 最优阈值分割及阈值分离度 |
5.3 基于 HSV联合概率度区域分割 |
5.4 非纹理图象分割结果 |
第6章 总结与展望 |
6.1 论文所做的主要工作 |
6.2 改进与展望 |
参考文献 |
致谢 |
硕士期间参加的科研项目和发表的论文 |
(8)几种图像结构语义模型和图像(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.1.1 课题的研究背景 |
1.1.2 研究语义的意义 |
1.2 国内外研究状况 |
1.2.1 图象语义的研究方向 |
1.2.2 图象语义特征 |
1.2.3 图象语义的提取 |
1.2.4 MPEG-7,21 的框架 |
1.2.5 人视觉系统的特性 |
1.2.6 图象语义检索 |
1.3 汉字文本语义研究中的重要进展 |
1.4 图象语义发展方向及存在问题 |
1.5 本研究课题的来源 |
1.6 本文的主要工作及主要创新点 |
第二章 图象语义结构信息的理论分析 |
2.1 引言 |
2.2 与本章相关的一些数学方法 |
2.2.1 拓扑空间 |
2.2.2 度量空间 |
2.2.3 Hilbert 空间 |
2.2.4 同调代数基本概念 |
2.3 图象语义 |
2.3.1 图象语义的定义 |
2.3.2 图象结构信息的分析 |
2.4 结构信息映射函数族的选择 |
2.5 结构参数的表达形式 |
2.6 图象语义的形式化的数学模型 |
2.7 小结 |
第三章 人对图象主观感知响应 |
3.1 引言 |
3.2 人视觉系统 |
3.2.1 视觉的空间特性 |
3.2.2 视觉的时间特性 |
3.2.3 视觉的方向选择性 |
3.3 图象输入刺激的分析 |
3.3.1 人眼的信息处理机制 |
3.3.2 视觉处理分析过程 |
3.3.3 模拟人视觉特性 |
3.3.4 边缘轮廓提取 |
3.4 对图象刺激的心理响应 |
3.4.1 心理响应函数 |
3.4.2 知觉颜色和语义颜色的作用 |
3.5 近似的人接收机模型 |
3.6 小结 |
第四章 基于彩色特征的图象区域的提取 |
4.1 引言 |
4.2 语义颜色特征 |
4.3 彩色分类 |
4.4 用最近邻算法提取语义物体 |
4.4.1 最邻近聚类准则 |
4.4.2 具体实现 |
4.4.3 实验结果与分析 |
4.5 用 K-均值算法提取语义区域 |
4.5.1 具体算法 |
4.5.2 实验结果与分析 |
4.6 小结 |
第五章 几种图象结构模型的分析 |
5.1 引言 |
5.2 图象结构的进化模型 |
5.2.1 一维进化模型 |
5.2.2 图象进化模型 |
5.3 图象结构信息模型 |
5.3.1 信息熵、条件熵及平均互信息 |
5.3.2 图象结构的信息模型 |
5.4 图象层次结构的字符串模型 |
5.5 小结 |
第六章 基于数学形态学的彩色图象分割 |
6.1 引言 |
6.2 彩色特征 |
6.3 图象分割预处理 |
6.3.1 图象去噪 |
6.3.2 梯度算子的选择 |
6.4 形态学灰度膨胀与腐蚀 |
6.4.1 二值形态学 |
6.4.2 灰度形态学 |
6.6 分水岭算法原理 |
6.6.1 基本原理 |
6.6.2 分水岭算法 |
6.7 前景和背景物体的标记 |
6.7 实验结果与分析 |
6.8 小结 |
第七章 一种视频语义的表述模型 |
7.1 引言 |
7.2 视频语义信息的客观描述 |
7.3 语义信息的分析 |
7.4 主观语义 |
7.5 结束语 |
第八章 基于物体空间位置的图象语义分类 |
8.1 引言 |
8.2 HSV 彩色分量量化 |
8.3 彩色-空间特征的提取 |
8.3.1 彩色-空间特征的提取 |
8.3.2 划分颜色区域 |
8.3.3 特征提取 |
8.3.4 三种颜色的排列顺序 |
8.4 图象语义分类 |
8.5 小结 |
结论 |
参考文献 |
攻读学位期间发表的与学位论文内容相关的学术论文 |
致谢 |
(9)彩色图象分割及其在中医舌图象处理中的应用(论文提纲范文)
中文摘要 |
英文摘要 |
第一章 绪论 |
1.1 课题研究的背景和意义 |
1.2 该领域目前的研究状况 |
1.3 本文的主要工作和内容安排 |
第二章 舌图象分割基础 |
2.1 图象分割概述 |
2.2 舌图象获取平台 |
2.3 舌图象分割的研究内容 |
第三章 灰度空间舌图象分割方法研究 |
3.1 舌图象ROI自动提取研究 |
3.2 自动阈值选取的舌图象分割方法 |
3.3 基于自组织特征映射神经网络的舌图象区域分割方法 |
第四章 彩色空间舌图象分割方法研究 |
4.1 OPENCV特点简介 |
4.2 基于金字塔结构的分裂—合并方法实现舌图象分割 |
4.3 基于区域生长法实现的舌图象分割 |
第五章 总结与展望 |
5.1 总结 |
5.2 进一步的研究方向 |
参考文献 |
硕士期间撰写的论文 |
致谢 |
(10)基于小波理论的彩色图象分割方法的研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 小波分析的发展和应用现状 |
1.1.1 小波分析发展概况 |
1.1.2 小波分析的主要应用 |
1.2 彩色图象分割发展概况 |
1.3 基于小波理论的彩色图象分割研究的意义和作用 |
1.4 本文主要解决的问题 |
第二章 小波理论概述 |
2.1 连续小波与小波变换 |
2.1.1 连续小波变换及性质 |
2.1.2 离散小波变换及性质 |
2.2 多分辨率分析 |
2.3 Mallat算法 |
第三章 彩色图象分割过程分析 |
3.1 彩色空间 |
3.1.1 RGB空间 |
3.1.2 HSI空间 |
3.1.3 孟塞尔色空间 |
3.1.4 YIQ空间 |
3.1.5 LAB空间 |
3.1.6 Opponent颜色空间 |
3.2 分割策略 |
3.2.1 模糊c-均值和特征空间投影算法 |
3.2.2 直方图多阈值及融合算法 |
3.2.3 仿真结果分析 |
第四章 彩色图象分割新方法的研究 |
4.1 基于二维小波的直方图多阈值彩色图象分割算法设计 |
4.1.1 尺度函数φ(t)和小波函数ψ(t)的一些重要性质 |
4.1.2 算法设计 |
4.2 算法的仿真结果分析 |
4.2.1 基于二维小波的直方图多阈值彩色图象分割算法仿真结果 |
4.2.2 基于分割评价模型的仿真结果分析 |
第五章 彩色图象分割评价方法的研究 |
5.1 定量实验评价准则 |
5.1.1 区域间对比度 |
5.1.2 区域内部均匀性 |
5.1.3 形状测度 |
5.1.4 算法收敛鲁棒性 |
5.1.5 目标计数一致性 |
5.1.6 象素距离误差 |
5.1.7 象素数量误差 |
5.1.8 最终测量精度 |
5.2 最终测量精度评价准则及其性能研究 |
5.3 分割算法评价框架 |
5.3.1 性能评价 |
5.3.2 图象合成 |
5.3.3 算法测试 |
5.3.4 小结 |
5.4 彩色图象分割评价框架设计 |
5.4.1 彩色图象的特征选取 |
5.4.2 彩色图象模型合成 |
5.4.3 分割图测试 |
第六章 结束语 |
参考文献 |
致谢 |
附录A 小波常用数学名词 |
个人简历、攻读硕士学位期间完成的论文及科研情况 |
四、灰度和彩色图象分割的一种改进算法(论文参考文献)
- [1]基于模糊聚类分析的彩色图象分割算法的研究[D]. 李岩. 辽宁工程技术大学, 2008(09)
- [2]基于分水岭与图论的图象分割技术研究[D]. 浦晶. 辽宁工程技术大学, 2008(09)
- [3]几何活动轮廓模型在图象目标轮廓分割中的应用与研究[D]. 王兴. 中南大学, 2007(05)
- [4]基于活动轮廓模型的目标分割与跟踪的研究[D]. 付斌. 哈尔滨工程大学, 2006(12)
- [5]基于Snake的图象分割与癌细胞识别方法研究[D]. 胡敏. 解放军信息工程大学, 2005(06)
- [6]蚁群算法在图象分割中的应用[D]. 温玉娟. 武汉理工大学, 2005(04)
- [7]基于图象分类的图象分割算法研究与实现[D]. 刘明慧. 武汉理工大学, 2005(04)
- [8]几种图像结构语义模型和图像[D]. 余卫宇. 华南理工大学, 2005(01)
- [9]彩色图象分割及其在中医舌图象处理中的应用[D]. 任继军. 西北工业大学, 2005(04)
- [10]基于小波理论的彩色图象分割方法的研究[D]. 李晓卉. 电子科技大学, 2004(01)