灰度直方图与K-最近邻的影像分割算法

针对灰度直方图在影像分类时需要考虑阈值和K-最近邻分类算法分类效率低等问题,提出了一种基于灰度直方图与KNN相结合的影像分割算法:首先对待分割的影像进行灰度直方图统计;其次利用灰度直方图对影像进行硬阈值的划分,得到已知类别样本和未标记样本;然后选择一定数量已知类别的样本对KNN分类器进行训练;最后利用KNN分类器对未标记样本进行类别划分,得到最终分割图像。实验结果表明,该算法结合了灰度直方图高效性和KNN高精度的优势,避免了直方图分割最佳阈值的选取;与传统的KNN算法相比,本文算法大大提高了分类效率,且精度相当,满足实际生产应用的需求。     

侧扫声呐图像分割的中性集合与量子粒子群算法

针对现有的侧扫声呐图像分割方法存在分割准确率不高和效率偏低的问题,提出了一种基于中性集合和量子粒子群算法的侧扫声呐图像阈值分割方法。通过基于中性集合计算图像灰度共生矩阵,实现了侧扫声呐图像精细纹理的表达,提高了分割精度;基于二维最大熵理论,采用量子粒子群算法计算二维最优分割阈值向量,实现了分割阈值向量的快速准确获取,提高了分割效率和精度。最终实现了高噪声侧扫声呐图像目标的准确、高效分割。通过对含有不同目标的侧扫声呐图像的分割试验,验证了该算法的有效性。     

遥感图像村级道路提取方法研究

对高分辨率遥感图像0.64~0.72μm波段灰度图进行直方图拉伸增强对比度,通过设立阈值分割图像得到二值图,再基于数学形态学消除噪声填充孔洞。然后,利用软件进行自动矢量化。实验证明,该方法能有效处理遥感图像,已达到提取高分辨率遥感图像中村级道路的目的。     

基于道格拉斯-普克算法的图像分割初探

利用道格拉斯-普克算法化简灰度直方图,从化简后的直方图中获取图像分割的阈值。为了评估所提出算法的优劣,本文采用多峰法和大津法进行了对比实验。实验表明道格拉斯-普克算法分割某些图像具有一定的优势。     

一种基于灰度直方图的分割阈值自动检测方法

提出一种新的灰度直方图阈值点自动提取算法——最大落差搜索法。利用灰度直方图直观特点,计算统计直方图峰值和谷值。选取最大峰值点为基准点,其余峰值点到基准点区域中,任意非最大峰值点与区域中所有谷值点所形成的最大落差,选取最大落差集合中的最大值,对应该值的低谷值点即为分割阈值点。该方法能够准确得到分割图像的阈值。     

一种提取遥感影像中道路信息的方法

由于合理有效地选择分割阈值较难,因此基于阈值分割的道路信息提取方法对于遥感影像中含有多种类型道路、或非道路地物干扰比较明显的情况适用性不理想。为此,提出了一种将Mean Shift和阈值分割相结合的方法来提取道路信息。首先,采用Mean Shift方法对遥感影像进行平滑处理,在较好地保持道路边缘信息的同时使道路内部的纹理分布更加均匀;其次,对平滑处理后的影像进行Mean Shift分割处理,将具有相同或相似灰度值的道路用一种灰度值显示;然后,选择灰度直方图中像素数量值高的线所对应的灰度值作为分割区间边界点进行多阈值分割,得到初始道路信息;最后,对初始道路信息进行后处理,得到最终的道路信息。实验证明,该方法可以完成对遥感影像中道路信息的提取,拓宽了阈值分割方法提取道路信息的使用范围。     

形态学边缘检测和区域生长相结合的遥感图像水体分割

遥感图像水体区域中因水体自身流动和波动等因素造成图像噪声,利用传统方法直接分割水体容易导致分割精度较低。为此,利用遥感图像中水体区域具有连通性强以及像素灰度值相近等特点,提出了一种利用多结构元素形态学重构边缘检测结合区域生长实现遥感图像水体分割的方法。首先将遥感图像转化为灰度图像,运用多结构元素形态学重构边缘检测,在去除噪声的同时增强水体边缘,保持水体区域边缘的较准确定位;然后利用灰度直方图自动选取种子点,确定水体区域灰度范围,利用该灰度范围内像素的均值和方差、种子点及已生长区域灰度特性作为生长准则,实现对水体区域的分割。实验结果表明,该方法能够对因水体扰动等因素导致的噪声图像进行有效分割,且水体区域分割精度较高。     

基于目标灰度的土地利用变化信息边界提取

为了提高大区域土地利用变化信息提取效率,本文在变化信息自动发现的基础上,基于目标灰度信息,研究遥感影像中土地利用变化信息的边界提取方法.由于研究对象是大区域中的小目标,无法直接利用灰度直方图寻找分割目标的灰度分布范围.本文提出了一种典型区域法,方法是利用区域中分割目标密集的多个典型小区域的灰度直方图计算所有目标的分割阈值.由于影像中地物众多,为了减少噪声的影响,提高计算速度,先利用双阈值分割法对目标进行粗分割,再对其进行小波变换,利用其模值,以及结合目标灰度信息,可以将目标边界快速地提取出来.     

利用高速收敛PSO或分解进行二维灰度熵图像分割

首先,定义了灰度熵并导出了相应的二维灰度熵阈值选取公式;其次,利用高速收敛PSO算法寻找二维灰度熵法的最佳阈值,并采用递推方式避免迭代过程中适应度函数的重复计算;最后,将二维灰度熵的运算转换到两个一维空间上,计算复杂度由O（L2）进一步降为O（L）。实验结果表明,与基于粒子群的二维最大Shannon熵法相比,所提出的两种方法的分割效果具有明显优势,且运行时间大幅减少。     

基于粒子群优化算法的最大类间方差多阈值图像分割

最大类间方差法是图像分割中一种常用的阈值分割方法,对于单阈值分割具有显著的效果,但是对于多阈值分割,计算复杂度大、耗时较多。本文将粒子群优化算法与最大类间方差法结合,提出了一种新的图像分割方法,该方法利用粒子群优化算法的寻优高效性,并由灰度图像的最大类间方差值作为适应值,搜索最优分割阈值,实现图像的多阈值分割。实验结果显示,新方法大大缩短了寻找最优阈值的时间,降低了运算复杂度,提高了图像分割速度,说明基于粒子群优化算法的图像分割算法是可行的、有效的。