基于EMD边权的图论的图像分割

基于EMD分解的四元数域无监督纹理分割
崔峰;沈滨;彭思龙
【期刊名称】《计算机工程》
【年(卷),期】2006(32)4
【摘要】提出了一种基于EMD分解的四元数域无监督纹理分割方法.首先采用二维可分离EMD分解提高各图像成份的四元数Fourier频域特征的分离度,再使用四元数Gabor滤波器组进行解析特征提取,最后利用新的模糊c均值聚类评价函数实现无监督的纹理分割.实验结果验证了该方法的有效性.
【总页数】4页(P42-45)
【作者】崔峰;沈滨;彭思龙
【作者单位】中国科学院自动化研究所,北京,100080;中国科学院自动化研究所,北京,100080;中国科学院自动化研究所,北京,100080
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于FTMP特征的小波域非监督纹理分割新算法 [J], 刘国英;钟珞;王爱民
2.基于分形与灰度特征的无监督纹理分割技术 [J], 单雅静;马莉
3.一种基于小波变换的无监督纹理分割算法 [J], 侯艳丽;杨国胜
4.基于FCM的无监督纹理分割 [J], 蒋晓悦;赵荣椿;江泽涛
5.基于EMD细化四元数谱的纹理分割 [J], 崔峰;沈滨;彭思龙
因版权原因，仅展示原文概要，查看原文内容请购买。

医学图像分割理论方法概述医学图像分割就是一个根据区域间的相似或不同把图像分割成若干区域的过程。

目前,主要以各种细胞、组织与器官的图像作为处理的对象,图像分割技术主要基于以下几种理论方法。

1.基于统计学的方法统计方法是近年来比较流行的医学图像分割方法。

从统计学出发的图像分割方法把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量,观察到的图像是对实际物体做了某种变换并加入噪声的结果,因而要正确分割图像,从统计学的角度来看,就是要找出以最大的概率得到该图像的物体组合。

用吉布斯(Gibbs)分布表示的Markov随机场(MRF)模型,能够简单地通过势能形式表示图像像素之间的相互关系,因此周刚慧等结合人脑MR图像的空间关系定义M arkov随机场的能量形式,然后通过最大后验概率 (MAP)方法估计Markov随机场的参数,并通过迭代方法求解。

层次MRF采用基于直方图的DAEM算法估计标准有限正交混合( SFNM)参数的全局最优值,并基于MRF先验参数的实际意义,采用一种近似的方法来简化这些参数的估计。

林亚忠等采用的混合金字塔Gibbs随机场模型,有效地解决了传统最大后验估计计算量庞大和Gibbs随机场模型参数无监督及估计难等问题,使分割结果更为可靠。

2.基于模糊集理论的方法医学图像一般较为复杂,有许多不确定性和不精确性,也即模糊性。

所以有人将模糊理论引入到图像处理与分析中,其中包括用模糊理论来解决分割问题。

基于模糊理论的图形分割方法包括模糊阈值分割方法、模糊聚类分割方法等。

模糊阈值分割技术利用不同的S型隶属函数来定义模糊目标,通过优化过程最后选择一个具有最小不确定性的S函数,用该函数表示目标像素之间的关系。

这种方法的难点在于隶属函数的选择。

模糊C均值聚类分割方法通过优化表示图像像素点与C各类中心之间的相似性的目标函数来获得局部极大值,从而得到最优聚类。

Venkateswarlu等改进计算过程,提出了一种快速的聚类算法。

图论在图像分割中的应用图论在图像分割中的应用图像分割是计算机视觉领域的一个重要任务，其目标是将图像划分为不同区域，每个区域具有相似的特征。

图像分割在许多应用中都有着广泛的应用，比如目标检测、图像识别、医学图像分析等。

在图像分割中，图论作为一种重要的数学工具和方法，发挥着重要的作用。

图论是关于图和网络的研究，它研究的是由一组顶点和边组成的图结构。

在图像分割中，图可以被用来表示图像中的像素或图像的局部区域。

每个像素或区域可以看作图的一个节点，而它们之间的连接关系可以看作边。

通过构建图，并利用图论中的算法和方法，可以实现对图像的有效分割。

在图像分割中，有两种经典的图论算法被广泛应用，它们分别是最小割算法和随机游走算法。

最小割算法基于一种最小化连接不同区域的代价函数的思想，通过将图分割为两个子图来实现分割。

随机游走算法则是基于马尔可夫链模型，通过在图上进行随机游走来判断节点属于哪个区域。

这两种算法都有各自的优缺点，适用于不同的图像分割场景。

除了最小割和随机游走算法，图像分割中还有许多其他基于图论的算法和方法。

例如，标准切割算法、图割算法、图分裂算法等。

这些算法和方法通过不同的图分割策略和优化目标，可以实现对图像的不同类型的分割，比如边界分割、区域分割等。

同时，图论还可以与其他计算机视觉技术相结合，比如边缘检测、纹理分析等，从而进一步提高图像分割的效果和准确度。

图论在图像分割中的应用不仅仅局限于静态图像，还可以应用于视频分割和动态图像的处理。

对于视频分割，可以利用图论中的空间和时间上的一致性来实现对视频中不同帧之间的分割。

而对于动态图像，可以将其看作时间序列的一种表达形式，通过图论算法进行分割。

总结起来，图论作为一种重要的数学工具和方法，在图像分割中有着广泛的应用。

它通过图的表示和图论算法的运算，可以实现对图像的自动分割，并取得优秀的效果。

未来，随着计算机视觉和图论的发展，图像分割在更多的领域和问题中将得到广泛的应用和发展。

基于边缘检测的图像分割算法研究摘要在计算机视觉领域中，图像分割技术是一项基本且重要的任务。

它是将一副图像分割成若干个具有特定语义的区域。

边缘检测技术是许多图像分割算法的基础。

本文主要研究了基于边缘检测的图像分割算法，并对其进行了比较分析。

第一章绪论图像分割是计算机视觉领域中的一个基本问题。

它是将一副图像划分成具有特定语义的子区域。

图像分割技术可用于许多应用领域，如医学图像分析、工业自动化和机器人视觉等。

边缘检测是许多图像分割算法的基础。

它是通过检测图像中边缘的位置来分割图像。

边缘是图像中灰度变化显著的区域，它是区分不同区域的重要标志。

第二章基于边缘检测的图像分割算法基于边缘检测的图像分割算法是一种常见的图像分割方法。

它通过将图像转换为边缘图像，然后将边缘连接起来形成物体的轮廓。

以下是几种基于边缘检测的图像分割算法。

2.1 基于Canny算法的图像分割Canny算法是一种经典的边缘检测算法，被广泛地应用于图像分割领域。

该算法分为四个步骤：噪声抑制、计算梯度幅值和方向、非极大值抑制和双阈值检测。

通过这四步操作，将得到一张二值化的边缘图像，然后可以通过边缘连接得到物体的轮廓。

2.2 基于Sobel算法的图像分割Sobel算法是一种基于梯度的边缘检测算法。

该算法将图像锐化，并通过计算梯度值来检测边缘。

在图像分割中，可以利用Sobel算法得到一张二值化的边缘图像，并通过边缘连接得到物体的轮廓。

2.3 基于Prewitt算法的图像分割Prewitt算法也是一种基于梯度的边缘检测算法。

它与Sobel算法相似，但是使用了不同的滤波器。

在图像分割中，可以利用Prewitt算法得到一张二值化的边缘图像，并通过边缘连接得到物体的轮廓。

第三章研究结果与分析本文通过实验比较了基于Canny算法、Sobel算法和Prewitt算法的图像分割效果。

比较了它们的边缘检测效果及图像分割效果。

实验结果表明，Canny算法的图像分割效果最好，其次是Sobel算法和Prewitt算法。

segment anything解读Segment Anything是指对任意目标进行分割或划分的技术。

它在计算机视觉和图像处理中得到了广泛的应用。

这项技术可以将图像或视频中的目标从背景中分离出来，从而为目标检测、图像分析和人机交互等领域提供了有力的支持。

Segment Anything的应用领域包括自动驾驶、智能监控、虚拟现实等。

Segment Anything的关键是图像分割。

图像分割是指将图像划分为若干个具有独特特征的区域的过程。

一般情况下，图像分割可以分为两类：基于区域的图像分割和基于边缘的图像分割。

前者是将相似像素聚类成区域，后者是根据边缘检测来实现图像分割。

在Segment Anything中，图像分割有以下几种方法：1. 基于阈值的分割：这是最简单和常用的图像分割方法之一。

它通过对图像中的像素进行阈值处理来实现分割。

通过设定一个阈值，大于或小于该阈值的像素被分为目标或背景。

2. 基于边缘的分割：这种方法使用边缘检测算法来确定图像中目标的边界。

常用的边缘检测算法包括Sobel算子、Canny算子等。

通过检测图像中的边缘，可以将目标从背景中分割出来。

3. 基于区域的分割：这种方法将图像分为若干个区域，每个区域具有相似的像素特征。

该方法通过计算像素之间的相似性来实现分割。

常用的区域分割算法包括K-means聚类、分水岭算法等。

4. 基于深度学习的分割：深度学习在图像分割中有着广泛的应用。

通过使用卷积神经网络（CNN）等深度学习模型，可以实现对图像中目标的高精度分割。

常用的深度学习模型包括U-Net、Mask R-CNN等。

除了以上方法，还有一些其他的图像分割技术，如基于图论的分割、基于能量最小化的分割等。

这些方法在不同的场景和任务中有着各自的优势。

Segment Anything的应用广泛，其中最具代表性的就是图像分割在自动驾驶中的应用。

自动驾驶系统需要准确地识别和分割出道路和交通标志等目标，以实现车辆的智能行驶。

基于深度学习的图像实例分割技术研究基于深度学习的图像实例分割技术研究摘要：图像实例分割是计算机视觉领域的重要任务之一，旨在将图像中的每个像素分配给相应的对象实例。

近年来，随着深度学习的快速发展，基于深度学习的图像实例分割技术取得了显著的进展。

本文将从深度学习的基本原理入手，详细探讨了现有的一些主流实例分割方法，包括全卷积网络(Fully Convolutional Networks, FCN)、Mask R-CNN等，并分析了它们的优缺点。

此外，我们还介绍了一些用于改进实例分割性能的方法，包括多尺度输入、上下文信息引入和数据增强等。

最后，本文以一个真实的图像实例分割任务为例，通过实验验证了基于深度学习的图像实例分割方法在相同数据集上的性能优势。

1. 引言图像实例分割是计算机视觉领域的热门研究方向之一，其在物体检测、图像分割、医学图像处理等领域具有广泛的应用价值。

传统的图像实例分割方法通常基于手工设计的特征和机器学习算法，但由于特征提取的复杂性和算法的局限性，往往难以取得令人满意的结果。

近年来，深度学习技术的兴起为图像实例分割领域带来了颠覆性的进展。

2. 深度学习基础深度学习是一种模仿人类大脑神经网络结构的机器学习方法，其核心是通过多层神经网络模型来自动学习高层次的抽象特征。

典型的深度学习模型包括卷积神经网络(ConvolutionalNeural Networks, CNN)、循环神经网络(Recurrent Neural Networks, RNN)等。

在图像实例分割任务中，常用的深度学习模型是全卷积网络(Fully Convolutional Networks, FCN)，它通过将全连接层替换为卷积层，可以接收任意尺寸的输入图像，并在输出层产生像素级的分割结果。

3. 基于深度学习的实例分割方法3.1 全卷积网络全卷积网络是深度学习在图像实例分割任务中的重要突破之一。

通过堆叠多个卷积和池化层，FCN可以对输入图像进行端到端的像素级语义分割。

基于高斯模型的EM算法在图像分割中的应用图像分割是指把图像中不同部分分开的过程，也是计算机视觉和图像处理领域中一个重要的研究方向。

而基于高斯模型的EM算法在图像分割中得到广泛应用，本文就此话题进行探讨。

一、EM算法基础EM算法(Expectation-Maximization Algorithm)，期望最大化算法，是一种基于迭代的数值优化算法，广泛应用于机器学习、计算机视觉以及统计学等领域。

其主要思想是通过未观测变量的期望来解决模型参数的估计问题。

EM算法分为两个步骤：E步，计算未观测变量的期望；M步，最大化似然函数，得到模型的最优参数。

这两个步骤不断迭代，直至收敛为止。

二、高斯混合模型高斯混合模型(Gaussian Mixture Model, GMM)是指由多个高斯分布组成的混合模型。

它可以被广泛应用于图像分割和特征提取等领域中。

在GMM中，每个高斯分布对应于图像中的一个特定区域，从而完成图像分割的任务。

对于一个像素点，其可能属于GMM中的任意一个高斯分布，每个高斯分布都有一个权重参数，表示该高斯分布在混合模型中的占比。

因此，对于每个像素点，我们需要估计这些高斯分布的均值、方差和权重。

三、基于高斯模型的EM算法在图像分割中的应用基于高斯模型的EM算法可以被广泛应用于图像分割中。

在图像分割过程中，首先需要确定高斯混合模型的数量，即选择需要的高斯分布数量。

然后，以图像像素为基础，进行模型初始化，计算像素点和每个高斯分布之间的期望，并采用EM算法优化模型参数。

EM算法迭代过程中，通过计算高斯分布的权重和均值，得到每个像素点属于哪个高斯分布的概率。

这样，对于一个像素点，我们可以知道它属于哪个区域。

通过这种方式，可以完成对图像的自动分割。

四、总结本文介绍了基于高斯模型的EM算法在图像分割中的应用。

通过EM算法优化高斯混合模型的参数，可以实现自动分割图像的任务。

但是，在实际应用中，图像分割还面临着很多挑战，如图像噪声、复杂背景等问题。

二维EMD方法及其在图像处理中的应用研究的开题报告1. 研究背景和目的随着科学技术的发展，图像处理技术越来越被广泛应用，尤其是在医疗、航空及军事等领域。

在图像处理中，信号分解是一个关键的问题，而本研究将重点探讨二维EMD方法在图像处理中的应用。

2. 研究内容本研究将主要研究二维EMD方法及其在图像处理中的应用，具体包括以下研究内容：- 对二维EMD方法进行分析和研究- 将二维EMD方法应用于图像处理中，分离出图像中的高频和低频分量- 对比二维EMD方法与其他分解方法的效果，在实验中验证二维EMD方法的有效性3. 研究方法本研究将采用以下方法完成研究：- 文献综述：对二维EMD方法及其在图像处理中的应用现状进行调研和分析- 理论分析：对二维EMD方法进行深入分析，并探究其在图像处理中的可能应用- 编程实现：使用Matlab等相关工具，编写程序将二维EMD方法运用到图像处理中- 实验验证：从实验角度对二维EMD方法的优势和不足进行评估分析4. 研究意义本研究将深入探究二维EMD方法在图像处理中的应用，提高图像分解技术的准确性和效率，为图像处理技术的发展做出贡献。

5. 预期结果本研究预计在以下方面获得研究成果：- 深入探究二维EMD方法的实现原理及其在图像处理中的应用价值- 获得二维EMD方法在图像处理中的实验结果，验证二维EMD方法的优势和不足- 提供一种可行的图像处理方案，较好的实现图像中的分解处理6. 研究进度本研究的研究进度如下：- 第一季度：对二维EMD方法进行理论分析和编程实现- 第二季度：对二维EMD方法应用于图像处理中进行实验验证- 第三季度：对比二维EMD方法与其他方法在图像处理中的效果，并进行数据分析和总结- 第四季度：完成论文写作及答辩准备7. 参考文献[1] Huang, N. E., Shen, Z., Long, S. R., et al. (1998). The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London A: Mathematical, Physical and Engineering Sciences, 454(1971), 903-995.[2] 王姗姗. 基于希尔伯特–黄变换的图像分解研究[D]. 北京科技大学, 2008.[3] Kulkarni, S. R., & Dubey, S. R. (2016). Image analysis using two dimensional empirical mode decomposition. Procedia Computer Science, 79, 438-445.。

基于图论的图像分割算法研究重庆大学硕士学位论文（学术学位）学生姓名：***指导教师：葛亮副教授专业：计算机软件与理论学科门类：工学重庆大学计算机学院二O一四年四月Research of Image Segmentation Algorithms based on Graph TheoryA Thesis Submitted to Chongqing Universityin Partial Fulfillment of the Requirement for theMaster’s Degree of EngineeringByJunduo YangSupervised by Associate Professor Liang GeSpecialty: Computer Software and TheoryCollege of Computer Science ofChongqing University, Chongqing, ChinaApril 2014摘要图像分割是计算机视觉中一个基本而关键的研究方向。

图像分割是将图像划分成若干个区域的过程，以便于人类理解图像内容或计算机处理图像信息。

迄今为止，大量的图像分割算法已被提出，其中基于图论的图像分割算法由于具有成熟严谨的图论理论的支撑以及良好的分割结果近年来备受关注。

本文回顾了图论的基础知识，并将图像与图的对应方式进行了描述，在此基础上，分类详细介绍基于图论的图像分割算法，并挑选每一类中有代表性的算法进行了比较和分析。

基于图论的图像分割将图像映射为带权无向的图，在图结构上，利用图论的知识将图划分成若干个子图，从而完成图像分割。

图的最小生成树、图割准则、图的最短路径等都已成功地应用于图像分割。

归一化切分(Normalized Cut，NCut)是一种基于图割准则的图像分割算法，它构建了一个全局优化的图分割准则并利用谱聚类进行求解。

NCut的分割结果体现了图像的全局特征，而且NCut倾向于对图像进行比较均衡的分割，这是它的优点。

基于图论的Norrnalized Cut图像分割算法作者：赵春兰来源：《科技创新导报》 2014年第18期赵春兰(齐齐哈尔医学院计算机教研室黑龙江齐齐哈尔 161000)摘要：基于图论的图像分割算法是近年来图像分割领域研究的的热点问题，该文就其Normalized Cut算法进行了简要的介绍，并利用其对图像进行了仿真分割。

关键词：图论图像分割算法中图分类号：TP391文献标识码：A 文章编号：1674-098X(2014)06(c)-0049-011 图论相关背景知识图论(Graph Theory)，起源于18世纪欧拉研究和解决的柯尼斯堡七桥问题(Konigsberg)，是研究顶点与边所组成的图形的理论与方法，20世纪50年代初刚刚开始发展，以图（Graph）作为研究对象，是离散数学的分支。

近年来，计算机技术在各个领域的被广泛应用，使得图论其在电子、信息论等学科中的应用也取得了很大的进展。

2 基于图论的图像分割准则基于图论的图像分割方法主要是利用分割准则实现的，到目前为止，基于图论的图像分割准则主要被分为基于特征向量分割准则、基于区域合并分割准则、与基于归一化割分割准则三类。

2.1 最小割CutCut是由Wu和Leahy共同提出的一个分割准则，它把加权图G=（V,E），删除其一些边可将其划分为两个部分A和B，且满足A∪B＝V，A∩B＝φ的条件，w(i,j)为连接两个节点间的边的权值大小，用以衡量节点i与节点j之间的相似程度，w(i,j)值越大，节点i与节点j同属于一个区域的可能性也就越大。

子图A和B之间的不相似程度也称为分离度为连接A和B之间的所有边的权值和，在图论中被称为割（Cut），也是将图G分为A和B两部分的代价函数，文献[4]中定义如下：令代价函数最小的划分即为图G的最优二元划分，这种划分准则称为最小割集(Minimum Cut，Mcut)准则。

然而，Mcut分割方法存在一定的缺陷，它通常会把孤立的点当作分割目标，因此对图像中的噪音敏感。

基于EM算法的图像分割技术研究现代技术的快速发展使得图像处理领域得到了极大的改善与提升。

在图像处理中，图像分割是一个重要的领域。

它将图像分割为具有语义特征的区域，是许多计算机视觉和图像处理应用的基础。

而EM算法作为一种非常实用的算法，在图像分割领域也得到广泛应用。

EM算法（Expectation-Maximization Algorithm）是一种解决统计学中带有缺失数据的问题的算法。

其基本思想是在不完整数据的情况下，通过数据样本经验分布，自适应估计模型参数。

在图像分割中，EM算法可以用来估计某种特定的统计模型来分类像素，这个模型可以包含任意数量的源组件，每个源组件也可以有自己的参数。

图像分割过程中，我们首先需要定义一个模型。

由于图像是由不同的像素组成的，因此我们可以使用高斯混合模型（Gaussian Mixture Model，简称GMM）来模拟不同区域的像素分布。

GMM假设不同区域是由不同的高斯分布混合而成的。

这个模型包括了多个分量，每个分量对应了一种基本的像素分布。

在这个问题上，EM算法的目标是从分割图像数据中估计GMM的分量参数。

首先，EM算法假设每个像素是由每个分量所贡献的概率加权平均而成的，在此基础上，通过迭代从数据中计算出每个模型分量所占的权重、均值和协方差矩阵等参数。

这个过程包括两个步骤：E-step（Expectation），计算样本的概率分布；M-step（Maximization），通过最大化目标函数来得到一个新的模型参数值。

在图像分割中，我们使用EM算法来自动学习图像中不同区域的像素分布，从而实现图像分割。

EM算法的收敛速度可能会很慢，所以一般会使用一些启发式方法，如超像素分割或者基于颜色直方图的分割方法，来减少计算开销。

除此之外，EM算法还可以应用于其他领域的问题，例如文本处理、模式识别和生物信息学等领域。

值得注意的是，EM算法的收敛性证明并不困难，但分析可能会比较复杂。

基于EMD边权的图论的图像分割摘要：基于图论的图像分割是当前研究的热点，但是以单个像素为节点进行分割会出现计算复杂度高问题。

本文提出通过DMN（马尔可夫可分解网）对图像进行预处理，然后使用EMD距离建立小区域之间的权重，最后用最小生成树实行分割。

实验结果表明，这种方法有很好的分割效果。

关键词：EMD DMN 图论最小生成树一、图像分割图像分割是利用图像的灰度、纹理、形状、颜色等特征，将图像分割成若干个独立的表示一定特征的连续区域。

图像分割作为图像处理的关键技术，已经有几十年的发展史。

人眼可以借助大脑很直观的识别一幅图像的特征，但是要想让计算机要把数字化的图像的特征识别出来，就需要利用各种数学工具和数学模型，基于图像数字化的灰度特征将图像分割。

目前对图像分割的技术研究十分广泛，各种方法相互交叉影响，相互促进，形成了一个庞大的体系。

但是目前还没有一种通用的方法，适合所有图像的分割，各种方法都是某一类图像具有很好的分割效果，但是对于不同类型的图像就会失效。

本文研究是的基于图论的图像分割。

二、图论分割方法图论的图像分割，其主要是思想是把图像映射为一个带权的无向图，图像中的原素对应于图的节点，像素之间的相邻关系对应图的边，而像素之间的关系形成边的权重，然后使用一定的图论分割理论，根据边权特征，对图进行分割，形成各自独立的图。

图论算法有很多优点，比如它很好的结合图像全局和部分的特征，还有目前关于图论的数学算法研究成果颇丰，为图像分割提供了很好的数学基础。

但是图论算法也有它的局限性，一幅图像的像素数是个很庞大的数字，要是用单个的像素来表示图论的节点，计算复杂度太大。

其次，常用的基于欧式距离的边权关系，相对简单，抗噪性太差。

所以本文提出了一种改进的图论图像分割算法，首先是把一幅图像分割成众多小区域，把每个小区域作为图的节点，然后使用EMD距离形成节点之间的权重，实现了图像的有效分割，且大大提高了计算效率。

三、本文算法的实现（一）使用DMN算法将图像分割成小区域DMN（Decomposable Markov Networks），即可分解马尔科夫网，它是概率网络的一种。

基于有限邻域EMD和小波分析的图像边缘检测
李广琼;蒋加伏
【期刊名称】《微计算机信息》
【年(卷),期】2011(27)1
【摘要】提出了一种基于有限邻域EMD(Neighborhood Limited Empirical Mode Decomposition)与小波分析相结合的图像边缘检测方法.首先将图像信号进行有限邻域EMD分解,将其分解成n个IMF(Intrinsic Mode Function)函数,再对每个IMF函数进行小波变换.将该方法应用于图像的边缘提取,较好地得到了图像的边缘信息.
【总页数】3页(P304-306)
【作者】李广琼;蒋加伏
【作者单位】410205,湖南长沙,湖南商学院计算机与电子工程学院;410076,湖南,长沙,长沙理工大学计算机与通信工程学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于小波分析的图像边缘检测 [J], 沈洋;单士娟
2.基于小波分析理论的火灾图像边缘检测 [J], 李虎胜;宋鑫超;王振华
3.基于邻域彩色变化矢量场的图像边缘检测技术研究 [J], 刘思远;李晓峰;李在铭
4.基于可变邻域的小波变换的球团图像边缘检测算法 [J], 张国华;张学东
5.一种基于边缘邻域关系的图像边缘检测算法 [J], 李瑞
因版权原因，仅展示原文概要，查看原文内容请购买。

基于增强型EM模型重叠区域图像分割算法
房宜汕
【期刊名称】《微电子学与计算机》
【年(卷),期】2013(30)2
【摘要】针对图像大规模重叠区域的有效分割一直是一个难题,传统的Log算子、Sobel算子、Canny算子以及梯度算子等算法解决大规模像素重叠问题时,模型会陷入不收敛的境地,导致分割效果较差,为了解决这样问题,提出一种增强型EM模型解决重叠区域图像分割的问题,利用curvelet变换在curvelet域内提取图像的边缘特征,并定位特征curvelet系数.通过增强特征curvelet系数,增强边沿特征对比性,分割多尺度多结构元素形态学检测的边缘图像,消除重叠带来的干扰.仿真实验结果表明:分割的边缘更为完整准确,取得了令人满意的效果.
【总页数】4页(P157-160)
【关键词】EM像素模型;图像边缘;分割算法
【作者】房宜汕
【作者单位】广东工业大学计算机学院;嘉应学院计算机学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于类自适应高斯-马尔可夫随机场模型和EM算法的MR图像分割 [J], 王文辉;冯前进;刘磊;陈武凡
2.基于t混合模型和Greedy EM算法的彩色图像分割 [J], 汪慧兰;陈思宝;罗斌
3.基于测地线区域模型的图像分割修正算法研究 [J], 翟书娟
4.基于EM算法的混合模型医学图像分割 [J], 刘艳琪;胡亨伍
5.基于区域的活动轮廓图像分割模型的变步长优化算法 [J], 郑汉翔;王美清
因版权原因，仅展示原文概要，查看原文内容请购买。