基于EXG因子的水稻秧苗图像分割

针对水稻稻田图像中秧苗和背景分割问题,采用基于最大类间方差法(OTSU法)的分割方法,成功地把水稻秧苗像素和背景像素分割开.首先用CCD相机获取水稻插秧机插秧作业后的水稻稻田图像,选择超绿特征因子(EXG因子)将水稻秧苗RGB彩色图像转化为灰度图像,使用OTSU法计算阈值,成功地将灰度图像转变为二值图像.又采用该方法分割了20幅水稻秧苗图像,结果表明,EXG因子可以对水稻秧苗图像有效分割.     

基于期望最大算法的高斯混合模型参数估计

高斯混合模型（GMM）已在图像处理和计算机视觉领域得到了广泛应用,对于该GMM模型中各项参数的估计依然是一件值得研究的问题。采用期望最大算法（EM）来估计该模型对应的多参数,并给出其详细的推导过程。试验结果表明,EM算法在估计GMM模型中各项参数时具有很强的鲁棒性,并取得了很好的效果。     

基于神经网络的植物图像分割算法的研究

图像分割是计算机视觉领域的关键技术之一,BP神经元网络被认为是好的学习分类方法之一。文中以6种植物图像为例,结合数字图像处理技术,采用BP神经元网络方法在植物图像颜色较复杂,且受周边环境影响较大的情况下,实现了植物图像与背景图像的分割。实验证明,与传统的分割方法比较,该方法是高效准确的。     

实木地板图像差分和形态学分割算法研究

针对现有实木地板表面缺陷分割算法分割速度慢、精度低的问题,提出基于图像差分和形态学的地板表面缺陷分割方法。首先,分别对目标图像和背景图像进行求补和低通滤波运算;其次,将预处理后的2幅图像做差分运算,得到差分图像;最后,采用形态学开闭运算去除差分图像噪声并获得目标缺陷。选取活节、死节、裂纹3类缺陷样本各20个进行试验,结果表明：该研究算法对3类样本平均分割准确革分别达到92．63％、94．31％、93．88％,平均分割时间为9．583ms。     

基于云模型的图像分割

数字图像处理中图像分割有着非常重要的地位,分割结果直接影响图像处理的效果。常用的图像分割算法几乎都是基于确定性方法的,但是在图像信息处理过程中存在着不确定性。因而,降低提取信息的不确定性的研究成为图像分割中重要的研究方向。采用云模型来描述论域空间中不确定的数据元素。实验表明,由于云模型能对概念的不确定性很好地表达和降低概念分层的不确定性,这使得图像分割中存在的不确定性问题能得到很好地、有效地处理。     

基于色彩通道融合的火焰图像分割

提出了基于色彩通道融合的回转窑火焰图像分割方法，由彩色火焰图像的红绿通道、红蓝通和绿蓝通道构成三幅新的图像，分别从中提取训练样本集，对三个神经网络进行训练，神经网络收敛后，各自对相应的图像进行分割，会得到三种不同的结果，采用均值、中值、模糊逻辑和神经网络四种方法将其进行融合，会得到很高的分割准确率，实验结果表明该方法是可行的。     

基于云的过渡区提取与图像分割算法

提出了一种基于云的图像过渡区提取算法.该方法利用区域生长算法提取目标内部灰度同质性及相似性最高的区域作为云核,结合云发生器,对图像进行云化处理.通过相邻云之间的逻辑运算生成边界云,提取边界云的数字特征,利用边界云的熵来确定过渡区的两端极值.在此基础上,采用过渡区象素的直方图峰值对应灰度作为分割阈值并进行图像划分.试验结果表明,该算法在能取得较好分割效果.     

杂草图像分割中分割特征的研究

分析了4种来源于超绿特征（2g-r-b）的分割特征,并进行实证分析。结果表明,（R＋G＋B）是杂草图像分割特征中最主要的参数。     

医学图像三维分割技术

人体组织器官的三维图像分割是医学图像分析和医疗诊断的重要前提,是医学图像三维可视化的重要研究内容。随着医学成像技术和三维可视化技术的飞速发展,计算机辅助诊断成为现实。计算机技术的发展使得医生和研究者可以通过虚拟交互更好地理解人体的解剖结构,对病人做出正确地诊断。在对人体组织器官和感兴趣区域的分割中,三维分割发挥着十分重要的作用。为此,作者对不同的三维分割算法作一总体介绍。     

结合C-V模型水平集与形态学的彩色树木图像分割

树木图像分割是一种从图像中把树木与周围背景完整分离的技术,是计算机仿真学科在林业应用方面的核心内容,也是计算机视觉方向的研究热门,为林业应用提供一定的技术支持。根据树木图像含有分裂、合并、形成尖角等相对比较复杂形状的特点,首先对图像运用基于C-V模型水平集的计算,通过计算活动轮廓长度和差异量来判断迭代收敛的情况,待迭代稳定后对其进行形态学后处理操作,将某些过分割区的细密纹理和噪声剔除,从而得到全局最佳优化的图像分割效果。为彩色树木图像的分割提供一种更为有效的方法。     

一种Contourlet域高斯混合模型降噪方法

利用图像子带内部Contourlet系数的空间相关性,在平移不变Contourlet去噪方法的基础上提出了一种随像素自适应调整的混合高斯模型去噪方法.每个系数建模为两个均值为零、方差不同的正态分布之和,利用局部贝叶斯阈值对Contourlet系数进行分类,通过当前系数邻域窗中两类系数的信息,得到大、小方差以及有关概率的模型参数估计.该方法较平移不变小波去噪和平移不变Contourlet去噪的Contourlet域降噪方法具有更好的降噪效果,进一步提高了PSNR值,降低了MSE值,获得了更好的图像恢复质量.