基于EHMM-HMT和MSWHMT的多尺度纹理图像分割

基于模糊率的自适应多阈值图像分割方法
丁艳;金伟其;刘伟
【期刊名称】《兵工学报》
【年(卷),期】2009(030)009
【摘要】针对目前图像模糊阈值分割法存在的窗口宽度自动选取困难以及阈值搜索范围难以确定的问题,本文提出了一种基于模糊率的自适应多阈值图像分割方法.利用图像直方图峰值分段的思想,在给定隶属函数的情况下,实现了窗宽的自适应选取以及图像多阈值的自动选取,有效地拓宽了模糊阈值图像分割方法的适用范围.实验结果表明,该方法对直方图呈多峰分布的图像可取得良好的分割效果.
【总页数】6页(P1211-1216)
【作者】丁艳;金伟其;刘伟
【作者单位】北京理工大学,宇航学院,北京,100081;北京理工大学,光电学院,北京,100081;北京理工大学,光电学院,北京,100081;北京理工大学,宇航学院,北京,100081
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于模糊率的FCM自适应图像分割方法 [J], 龚劬;权佳成
2.基于归一化割的自适应多阈值图像分割方法 [J], 朱友勇;王士同
3.基于模糊熵的自适应多阈值图像分割方法 [J], 宋欢欢;李雷
4.一种基于模糊C均值聚类的多阈值苹果病害图像分割方法 [J], JIA Qingjie;QI Guohong;HU Xiaowei
5.一种基于模糊C均值聚类的多阈值苹果病害图像分割方法 [J], 贾庆节;齐国红;忽晓伟;
因版权原因，仅展示原文概要，查看原文内容请购买。

基于多任务学习与上下文信息的遥感图像语义分割基于多任务学习与上下文信息的遥感图像语义分割摘要：遥感图像语义分割是指将遥感图像按照其语义信息进行分类和分割的过程。

由于遥感图像具有多样性、复杂性和大规模性等特点，传统的单一任务学习方法在处理遥感图像语义分割问题上面临一定的挑战。

本文提出了一种基于多任务学习与上下文信息的遥感图像语义分割方法，旨在克服传统方法的局限性，并在遥感图像语义分割任务中取得更好的性能。

1. 引言随着遥感技术的快速发展和卫星遥感数据的广泛应用，遥感图像语义分割成为了一个具有重要意义的研究领域。

遥感图像语义分割的目标是将遥感图像中的每个像素点按照其语义信息进行分类和分割，以获取图像中不同地物和目标的空间分布情况。

2. 相关工作在遥感图像语义分割的研究领域，以深度学习方法为核心的语义分割网络取得了显著的进展。

然而，由于遥感图像的特殊性，仍然存在一些问题，如数据集的标注困难、类别不平衡、语义信息局部化程度较高等。

针对这些问题，本文提出了一种基于多任务学习与上下文信息的遥感图像语义分割方法。

3. 方法介绍首先，本文将语义分割任务分解为两个子任务：像素级分类任务和像素级分割任务。

像素级分类任务旨在将每个像素点分为不同的类别，而像素级分割任务旨在获取每个像素的具体边界。

通过多任务学习的思想，将这两个子任务结合起来，可以提高模型的鲁棒性和泛化能力。

其次，在模型训练过程中，本文引入了上下文信息以增强语义分割网络对图像语义信息的感知能力。

具体而言，通过引入空间注意力机制和上下文感知模块，可以使网络更好地利用图像的空间结构和语义联系信息，提高模型对遥感图像语义的识别和分割准确性。

最后，本文还提出了一种分层推理策略，该策略将遥感图像分割任务分解为不同层次的子任务，并逐层进行推理。

这种分层推理策略可以有效地捕捉遥感图像中的多尺度信息，提高分割结果的细节和准确性。

4. 实验与结果分析本文在公开的遥感图像语义分割数据集上进行了大量的实验。

一种多尺度灰度共生矩阵的纹理特征提取算法王民;王静;王羽笙【摘要】As an important feature,texture feature is very important in the category of Chinese paint-ing,but the majority of the existing texture extraction algorithms is based on gray-scale information. To solve the problems in Chinese painting texture extraction classification,a multi-scale,multi-color domain texture feature extraction algorithm has been proposed.This algorithm combines the advanta-ges of Contourlet transform and Gray-level Co-occurrence Matrix.In order to extract Chinese painting features by the new algorithm,the image is first transformed into HSI color space.Then,the three color components of HSI is extracted to sub-regional operation,which is to extract the texture charac-teristics of each color component.Finally,three feature vectors are integrated and the dimensionality of matrix is reduced using Principal Component Analysis.Experimental results show that compared with Gray-level Co-occurrence Matrix,the algorithm improves the precision of 7.5%,re-check rate increased by 8.7% in terms of Chinese painting classification.The experiment show that the new algo-rithm presented in this paper is better than Gray-level Co-occurrence Matrix algorithm.%纹理特征作为图像的一个重要特征，在国画分类识别中的地位十分重要，但现有的纹理提取算法大多基于灰度信息而忽略了颜色信息。

一种两步HMT 文本图像分割方法杨晓艺,侯玉华(河南大学数学系,河南开封475001)摘　要:引入一种新的文本图像分割方法:两步隐马尔科夫树模型(H MT )多尺度文本图像分割.该分割方法是在文献[1]的基础上,先将背景分出,再将文本分为文字与图像两种类型,分别建立H MT 模型,完成文本图像的分割.最后通过实例阐明了方法的有效性.关键词:多尺度文本分割;H MT 模型;二维小波变换中图分类号:TP391.4 文献标识码:A 文章编号:1003-4978(2002)02-0032-04　收稿日期:2001-10-10　基金项目:河南省教委自然科学基金项目(1999120003).　作者简介:杨晓艺(1978-)女,硕士生.A Method of Document Segmentation U sing H iddenMarkov T ree Models By Tw o StepsY ANG X iao-yi ,H OU Y u-hua(Department o f Mathematics ,H enan Univer sity ,Kaifeng ,475001,H enan China )Abstract :In this paper ,we introduce a new document segmentation method based on wavelet trans formation and the hidden Markov tree (H MT )m odel by tw o steps.With the method ,background is firstly made certain based on the sm ooth image ,and then the tw o -state H MT m odel is applied to text and image.At last we illustrate that the method is m ore effective than the tw o -state H MT m odel proposed in [1].K ey w ords :multiscale document segmentation ;H MT m odel ;2-D wavelet trans form1　引言1.1　多尺度文本图像分割文本图像作为主要由背景、文字、图像混合组成的版面,其处理方法包括滤波、增强、压缩、复原等,而文本图像分割作为文本处理的一个重要的预处理步骤,主要是针对每类文本像素,设计一个分类指标,最终将文本图像分割成若干个同质区域,且不同区域具有不同的纹理.近年来,一般采用Bayes 统计技术,估计区域的形状和确定其类型,Bayes 方法将某个图像x 看成是一个随机场X 的一个样本,而把具有类别c 的子区域记作X c <X ,其样本为x r ,记x r 的联合分布密度为f (x r |c ).在实际应用中,通常对区域的形状与分布密度的类型强加一定的限制,缩小其备选范围,在确定了x r 及f (x r |c )的类型后,由极大似然法得到使f (x r |c )最大的分类指标,最终实现对文本图像的分割.本文采用文献[1]引入的多尺度文本分割,假设文本图像X 由2J ×2J 个像素组成,看成0尺度数据块,整个图像记为d 00,通过对数据块四等分,记所得4个数据块为d 1i (i =1,2,3,4),依次类推,j -1尺度数据块为d j -1i (i =1,2,…,4j -1),把每个数据块d j -1i 进行四等分,得到j 尺度数据块为d j i (i =1,2,…,4j ),最后得到J 尺度数据块,即每个d Ji 为单个像素.上述过程构成一个四叉树结构,每个j -1尺度上的数据块对应j 尺度的4个子块d j i ,记相应每个数据块d j i 的父结点为ρ(i ).通过d j i 对每个数据块确定其分类,最终完成对文本图像的分割.第32卷第2期河南大学学报(自然科学版)V ol.32　N o.22002年6月Journal of Henan University (Natural Science )Jun.20021.2　小波变换与小波树[3,4,5,6]由于在实际应用中,像素概率的密度函数未知,通常转而通过像素的变换域模型反映文本图像不同纹理的特征.这是因为当变换是可逆时,可以较好的重构原始图像.这样问题转而对结构相对简单的变换系数建模.而大多数实际图像,尤其是灰度纹理图像,可以通过其奇异结构较好的刻划,小波变换具有检测局部突变的能力,是一类较好反映图像奇异特征的变换.二维小波变换可以理解为从三个不同方向,多个尺度上反映图像奇异特征的多尺度边界检测器.奇异区域对应大的小波系数、平滑区域对应小的小波系数.本文采用最简单的Haar 小波变换.通过4个二维小波滤波器,即局部平滑滤波器h LL ;水平边界检测器g LH ;垂直边界检测器g H L ;对角边界检测器g HH ;计算得到一个图像经Haar 小波变换后的尺度系数及小波系数.具体地,为计算由2J ×2J 个像素点组成的离散图像X 的小波系数及尺度系数,先设u J [k ,l ]:=x [k ,l ],0Φk ,l Φ2J -1,与h LL ,g L H ,g H L ,g HH 作卷积,从而得到子带图像u J -1[k ,l ],w L H J -1[k ,l ],w H L J -1[k ,l ],w HH J -1[k ,l ],0Φk ,l Φ2J -1-1.下次再用u J -1与h LL ,g LH ,g H L ,g HH 作卷积得u J -2,w LH J -2,w H L J -2,w HH J -2,依此类推,得到各尺度u j ,w LH j ,w H L j ,w HHj ,0Φj ΦJ -1.且用上述递推算法得到每个子带的小波系数组成一个四叉树结构,以L H 子带为例,相应的四叉树的根结点为w L H 0[0,0],叶节点为w L H J -1[k ,l ],0Φk ,l Φ2J -1-1.上述递推算法终止到某个尺度j >0,最粗尺度小波系数有多个,每个子带上对应由多个四叉树组成的森林.以标号T i 表示根结点为w i 的相应小波系数的子树.2　两步HMT 文本图像分割2.1　两状态H MT 文本图像分割算法由文献[1]中分析可知,由于文本图像的小波系数是由大量的较小的系数与少量的较大的系数构成的,故可用一个隐状态随机变量表示小波系数的大小,当隐状态确定之后,可认为较大的小波系数服从一个方差较大的G auss 分布,同理,较小的小波系数服从一个方差较小的G auss 分布,则小波系数看作服从一个混合G auss 分布,即由来自大方差的G auss 分布与来自小方差的G auss 分布混合而成的两状态混合G auss 分布.以S i 表示隐状态随机变量,r =L ,S 表示隐状态的取值,对应的小波系数分别服从大方差或小方差G auss 分布,以p S i(r )代表隐状态的分布,则,f (w i )=∑r =S ,L p S i (r )f (w i |S i =r ),(2.1)这里,在S i =r 的条件下,w i 服从正态分布N (μi ,r ,σ2i ,r ),p S i (S )+p S i(L )=1.文献[1]中提出的基于小波域的隐马尔科夫树模型(H MT )就是将尺度之间的小波系数的这种大小转移关系,用隐状态变量表示,并假设隐状态变量是一个一阶的隐马尔科夫树结构(如图1所示,其中黑色节点代表小波系数,其服从由一个隐状态变量控制的混合G auss 分布,白色节点代表该隐状态变量).对应父结点与子结点隐状态{S ρ(i ),S i }的状态转移概率矩阵为ερ(i ),r i ,r ′,其中r ,r ′=S ,L ,,即图1　二维小波隐马尔科夫树(H MT )模型ερ(i ),S i ,S ερ(i ),S i ,L ερ(i ),L i ,S ερ(i ),L i ,L =ερ(i ),S i ,S 1-ερ(i ),S i ,S 1-ερ(i ),L i ,L ερ(i ),L i ,L . H MT 分割算法分类的标准是c ML i :=arg max c ∈{1,2,…,N c }f (d i |M c ),(2.2)其中,M c 是模型的参数集.事实上,基于小波域HMT 模型的参数集M :={ΘL H ,ΘH L ,ΘHH },每个子带的参数集包括混合G auss 分布的数学期望μi ,r 、方差σ2i ,r 与状态转移概率矩阵εr ′,r i ,ρ(i ),这里,r ′,r =S ,L.杨晓艺,等:一种两步H MT 文本图像分割方法33　 利用文献[2]中的EM 算法,通过大量图像训练模型参数,可以得到局部优的参数集.设HMT 模型的某个子带的参数集为Θ,定义βi (r ):=f (T i |S i )=r ,Θ),可得f (T i |Θ)=∑r =S ,L βi (r )p (S i =r ,Θ),(2.3)其中,状态概率p (S i =r ,Θ)可在训练参数集Θ的过程中得到.又假设三个子带的小波系数是彼此独立的,则f (d i |M )=f (T L H i |ΘLH )f (T H L i |ΘH L )f (T HH i |ΘHH ).(2.4)从而,由(2.1)～(2.4)式即可得到对一欲分割图像的不同尺度上的分割结果,完成对一个图像的H MT 分割.2.2　两步H MT 文本图象分割算法在这一部分,将引入一种新的文本图像分割方法———两步H MT 文本图像分割.这种方法,主要是根据背景的像素值的特点及小波变换后的平滑信息来改进2.1部分的H MT 分割方法.通过对大量的文本图像进行分析发现,在应用了前面所述的方法进行分割后,文字明显分割准确,而背景与图像分割效果较差,主要是由于在背景与图像中都存在有相对平滑的区域,在经过小波变换以后,其小波系数都相对较小,因此,前面介绍的分割方法可能会产生误判.为了解决这一问题,结合经小波变换后各个尺度上的平滑信息,即尺度系数的大小来改进原有的方法.由于背景较之图像、文字不仅相对平滑,而且像素值较大,而平滑图像像素值是加权平均的结果,因此,背景经小波变换后的尺度系数较大且相对集中.可以对其设定一个阈值,以此来对文本图像作第一步分割,即将背景首先判断出来,该分类也具有多尺度的特点,具体的步骤如下:图2　应用第2部分中所述两种分割算法的结果比较以大量的背景为训练图片,分析其经小波变换后的尺度系数的大小及分布特点.对于第i 幅背景,其每34　河南大学学报(自然科学版),2002年,第32卷第2期个尺度上尺度系数的下界记为t i j (其中j 代表尺度),因此,对n 幅背景训练结果进行统计分析,以p j =1n ∑n i =1t i j 作为背景的尺度系数的阈值,本文中以n =50计算出的p j 作为阈值.第一步分割的标准是,对一个欲分割的文本图像作小波变换,如果每个尺度上的点(k ,l )的尺度系数u j (k ,l )Εp j ,则该点对应的数据块就判断为背景,否则分类待定.依此为准则,可以得到每一个尺度上的初始分割结果.至此完成第一步的文本图像初始分割.第二步,在第一步的基础上,应用2.1所述的分割方法,仅对文字,图像两种纹理分别建立两状态H MT 模型,对每个尺度上的经第一步后分类待定的数据块进行判断,其为文字或图像.这样,经过上述两步就完成了对一欲分割文本图像的分割.显然,这种方法与文献[1]中所述的方法相比,由于只需对两种纹理建立H MT 模型,则模型参数的数量会大大减少,从而带来计算量的大幅度减少.图2给出的是一幅待分割的文本图像分别利用两状态H MT 分割以及两步H MT 分割方法的分割结果(图(c ),图(d )中白色代表背景,黑色代表文字,灰色代表图像).文本图像由512×512个像素点构成,我们显示的是从7尺度到9尺度的分割结果,也就是对应的由8×8、4×4、2×2个像素组成数据块的分割结果.从图中可以看出,两步H MT 分割方法的分割结果相对于两状态H MT 分割结果有明显改进.3　结论本文在文献[1]的基础上,基于背景像素值及小波变换后的平滑信息的特点,提出一种改进的文本分割的方法———两步H MT 文本图像分割方法,并通过实例说明了这个方法的可行性与有效性.参考文献:[1]Choi H ,Baraniuk R G.Multiscale image segmentation using wavelet -domain hidden Markov m odels [J ].IEEE T rans.on Image Proc.2001,10(9),1309～1321.[2]Crouse M S ,Baraniuk R G.Wavelet -based statistical signal processing using hidden Markov m odels[J ].IEEE T rans.on S ignal Proc.1998,46(4),886～902.[3]杨福生.小波变换的工程分析与应用[M].北京:科学出版社,1999.[4]程正兴.小波分析算法与应用[M].西安:西安交通大学出版社,1997.[5]李世雄.小波变换及其应用[M].北京:高等教育出版社,1997.[6]Daubechies I.T en Lectures on Wavelets[M].Philadelphia :SI AM ,1992.[7]杨晓艺,汪远征,文成林.信号序列经小波变换后的相关性分析[J ].河南大学学报(自然科学版),2000,30(4):30～34.杨晓艺,等:一种两步H MT 文本图像分割方法35　。

基于WTMM的多重分形图像去噪算法
李会方;俞卞章
【期刊名称】《计算机工程与应用》
【年(卷),期】2003(039)025
【摘要】提出一种新的多重分形图象去噪算法,讨论了基于小波极大模的多重分形谱估计算法.在此基础上推导了图像取噪声的谱移位算子.该方法没有对噪声的类型提出任何假设条件,而是通过定义一个变换算子对每一点的Hausdorf指数进行处理,使处理后的图象的Hausdorf指数接近于2,从而取得最佳效果.实验结果表明,该方法在去除噪声的同时可很好地保留了原始图像的纹理信息.
【总页数】3页(P54-56)
【作者】李会方;俞卞章
【作者单位】西北工业大学电子工程系,西安,710072;西北工业大学电子工程系,西安,710072
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于小波的多重分形图像去噪新算法 [J], 李会方;俞卞章
2.基于Z-ordering的多重分形维数及多重分形谱算法 [J], 闫光辉;马志程;刘利松;杜琳娜;杨霞霞
3.基于小波模极大值求取多重分形谱多重分形克里格算法探究 [J], 张庆敏;岳云娟
4.基于WTMM与多重分形的信号毛刺去除方法 [J], 卢一相;高清维
5.基于多重分形-贝叶斯融合算法的变压器绕组机械状态识别 [J], 赵莉华;张振东;刘浩;吴晓文;黄小龙
因版权原因，仅展示原文概要，查看原文内容请购买。

基于WFCM算法在MRI图像分割中的应用韩红伟;苗加庆【摘要】Fuzzy C⁃means clustering(FCM)algorithm is an unsupervised clustering algorithm. The sample weighted fuzzy C⁃meansclustering(WFCM)algorithm is an improved FCM algorithm,which can significantly improve the speed of convergence and accuracy of clustering. Both FCM algorithm and WFCM algorithm are relatively sensitive to noise,but still need to deter⁃mine the number of the clusters manually. In this paper,an improved algorithm is proposed,in which the noise reduction algo⁃rithm of partial differential equations(PDE)is used to process the original brain MRI image,and the cluster validity is adopted to determine the optimal number of clusters to improve WFCM algorithm and execute the image segmentation. Experiment results show that the improved algorithm has a capability of automatic classification and better noise immunity.%模糊C均值聚类（FCM）算法是一种基于非监督聚类算法。

基于二代bandelets域HMT模型的图像分割
项海林;贾建;焦李成
【期刊名称】《计算机科学》
【年(卷),期】2009(36)1
【摘要】在小波域隐马尔可夫树模型(WHMT)图像分割算法的基础上,根据二代handelets系数的分布统计特性,提出一种新的bandelets域隐马树模型(BHMT)有监督图像分割算法.新算法试图利用二代bandelets能表示图像几何规律性的特点来改进分割效果.为证明算法的有效性,用合成纹理图像和真实的航空和遥感图像做分割实验,并和小波域隐马模型树分割算法作了对比,对合成纹理图像分割,用错分概率作为评价参数.实验结果表明,此方法错分概率低、分割效果理想.
【总页数】4页(P218-221)
【作者】项海林;贾建;焦李成
【作者单位】西安电子科技大学电子工程学院,西安,710071;西北大学数学系,西安,710069;西安电子科技大学电子工程学院,西安,710071
【正文语种】中文
【中图分类】TP3
【相关文献】
1.遥感图像分割的迭代上下文融合小波域HMT模型 [J], 韩冰;赵银娣;戈乐乐
2.用于SAR图像分割的第二代Bandelet域HMT-3S模型 [J], 侯彪;翟艳霞;焦李成
3.基于Contourlet域HMT模型的多尺度图像分割 [J], 沙宇恒;丛琳;孙强;焦李成
4.基于MG-HMT模型的正交有限脊波域图像分割 [J], 夏平;唐庭龙;向学军;邓丽华
5.基于第二代Bandelet域隐马尔可夫树模型的图像分割 [J], 侯彪;徐婧;刘凤;焦李成
因版权原因，仅展示原文概要，查看原文内容请购买。