论文网
关于图像方面论文范文素材,与东南大学硕士文模板目录单相关论文答辩
本论文是一篇关于图像方面论文答辩,关于东南大学硕士文模板目录单相关专升本毕业论文范文。免费优秀的关于图像及计算机及方法方面论文范文资料,适合图像论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。
从而逐步检测出边界的方法.哈夫变换法是利用图像全局特性将边缘像素连接起来组成闭合边界的一种方法,它的主要优点是受噪声和曲线间断的影响较小.串行边缘检测技术首先要检测出一个边缘起始点,然后根据某种相似性准则寻找和前一点同类的边缘点,再将它们串行连接成闭合边界.图(G口ph)搜索法1是其中
一种典型的方法,它用图结构表示边界点和边界段,通过在图中搜索对应最小代价的通道找到闭合边界,它把边缘检测和边界连接有机地结合起来,在图像受噪声影响较大时仍能取得较好的效果.但这种方法比较复杂,计算量也很大,在许多情况下,为加快运算速度,常常使用动态规划(DynamicProgramming]的优化方法.它通过把一个N步过程转化为N个单步过程,使算法复杂度降低,根据动态规划的原理,将全局最优转化成局部最优之和.
3,区域分割方法
区域分割方法的主要思想是根据图像数据的特征将图像空间划分为不同的区域,常用的区域分割1]方法有区域生长,分裂与归并等方法.
(1)区域生长:区域生长是把图像分割成若干小区域,比较相邻小区域特征的相似性,若它们足够相似,则作为同一区域合并,以此方式将特征相似的小区域不断合并,直到不能合并为止,最后形成特征不同的各区域.进行区域生长首先要解决三个问题:①确定区域的数目,②选择有意义的特征,③确定相似性准则.特征相似性是构成与合并区域的基本准则,相邻性是指所取的邻域方式.区域生长根据所用的邻域方式和相似性准则的不同,产生各种不同的区域扩张法.可分为:①单一型(像素与像素),②质心型(像素与区域),③混合型(区域与区域)三种区域扩张法.区域生长法的优点是计算简单,对于较均匀的连通目标有较好的分割效果,缺点是需要人为确定种子点,对噪声敏感,可能导致区域内有空洞,而且由于它是一种串行算法,当目标较大时,分割速度较慢.
(2)分裂-合并:当事先完全不了解区域形状和区域数目时,可采用分裂合并法.它基于四叉树的思想,把原图像作为树根或零层,将该图像等分成4个子块,作为被分裂的第一层.第一层的每个子块,如果像素属性一致则不再等分,如果属性不一致,子块则须分裂成相等的4块作为第二层,如此循环.分裂与合并的原则是这样的,合并:当同一层的4块中的像素满足某一特性的均匀性时,将它们合并为一母块:分裂:当第一层中的某一子块内像素不满足特性均匀条件时,将它们分裂成4个子块.某一特性的均匀性,可以是灰度的均匀性,也可以是某种纹理特征的均匀性.分裂合并法对复杂图像的分割效果较好,但算法较复杂,计算量大,分裂还可能破坏区域的边界.
4,基于偏微分方程的分割方法
基于偏微分方程的图像分割方法是图像分割领域中的一个重要分支,近年来,日益成为研究人员关注的热点.它的基本思想是将所研究问题归结为一个泛函极小问题,通过变分方法将泛函极值问题转化为对偏微分方程的求解,然后把偏微分方程的解作为图像分割后的结果.目前,已经出现了许多成熟的图像分割方法,其中主动轮廓模型以及Mumford-shah模型[12,15]都是较为常用的方法.
5,基于数学形态学的分割方法
近年来,数学形态学[16]已发展为一种新型的数字图像处理方法和理论,在边缘检测和图像分割中得到了广泛的研究和应用.它的基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的.利用膨胀,腐蚀,开启和闭合四个基本运算进行推导和组合,可以产生各种形态学实用算法.数学形态学用于图像分割的缺点是对边界噪声敏感.文献[17]提出的基于图像最大内切圆的数学形态学形状描述分割算法和基于目标最小闭包结构元素的数学形态学形状描述分割算法,以及文献[18]提出的一种基于数学形态学的深度图像分割算法,都有效地提高了算法的抗噪性能.将数学形态学与其他方法综合运用以克服自身缺陷,将是数学形态学以后的工作方向.
5,基于小波分析和变换的分割方法
小波变换[20]是近年来得到了广泛应用的数学工具,它在时域和频域都具有良好的局部化性质,将时域和频域统一于一体来研究信号,而且小波变换具有多尺度特性,能够在不同尺度上对信号进行分析,比较适合对图像进行多尺度的边缘检测.以零点为对称点的对称二进制小波适合检测屋顶状边缘,而以零点为反对称点的反对称二进制小波适合检测阶跃状边缘[19].近年来多进制(Multi-Band)小波[20]也开始用于边缘检测.小波变换的计算复杂度较低,抗噪声能力强.近年来利用小波变换和其它方法结合的分割方法逐渐成为研究的热点.
6,基于人工神经网络的分割方法
基于神经网络的分割方法的基本思想是用训练样本集对神经网络进行训练以确
定节点间的连接和权值,再用训练好的神经网络分割新的图像数据,但这种方法需要大量的训练数据.文献[21]提出了一种图像序列的多特征聚类分割方法,先用自组织特征映射(SOFM)神经网络聚类方法将一个多特征空间转换成一维空间,然后将神经网络的输出融合,从而得到期望的分割结果.文献[22]提出了一种基于竞争Hopfied网络的自动聚类图像分割方法.神经网络存在巨量的连接,容易引入空间信息,能较好地解决图像中的噪声和不均匀问题,选择何种网络结构是这种方法要解决的主要问题.
7,基于模糊集理论的分割方法
基于模糊集合和逻辑的分割方法是以模糊数学为基础,利用隶属度值解决图像中
由于信息不全面,不准确,含糊,矛盾等造成的不确定性问题.目前,模糊集理论在图像分割中应用的一个显着特点就是它能和现有的许多图像分割方法相结合,形成一系列的集成模糊分割技术,例如模糊聚类,模糊阈值,模糊边缘检测技术等.如文献[23]提出了一种基于有偏场的适配模糊聚类分割算法,文献[24]提出了一种新的基于图像间模糊散度的阈值化算法,采用了模糊集合分别表达分割前后的图像,通过最小模糊散度准则来实现图像分割中最优阈值的自动提取.
目前,图像分割的研究有几个明显的趋势:一是对原有算法的不断改进,二是新方法,新概念的引入和多种方法的有效综合运用.尽管人们在图像分割领域做了许多研究工作,但是由于尚无通用的分割理论,现在已经提出的分割算法大都是针对具体问题的,并没有一种适合于所有图像的通用的图像分割算法.
1.3本文工作
找到一种能较为准确的分割昆虫图像的levelset算法,论文内容的安排如下:
绪论.简要介绍了图像分割的意义及现有的图像分割方法,
对levelset算法进行论述,
基于levelset算法的图像分割,重点介绍窄带法,
最后,对论文进行总结,指出进一步的研究方向.
第二章levelset概述
基于偏微分方程的图像处理是图像处理研究领域中的一个重要分支.近年来,基于偏微分方程的图像处理技术成为相关领域研究人员关注的一个热点.
关于图像方面论文范文素材,与东南大学硕士文模板目录单相关论文答辩参考文献资料：