导读:本文包含了彩色纹理图像分割论文开题报告文献综述及选题提纲参考文献，主要关键词:纹理,图像分割,非局部,多通道全变差
彩色纹理图像分割论文文献综述
杨振宇,潘振宽,王国栋[1]（2019）在《彩色纹理图像分割的非局部Mumford-Shah多通道全变差模型》一文中研究指出彩色纹理图像分割的困难在于纹理图像成分的描述及彩色图像层与层之间的耦合。为解决该问题,基于多通道全变差规则项可优化彩色图像层与层之间的耦合,非局部算子可以描述纹理图像特征的特点,提出了彩色纹理图像分割的非局部Mumford-Shah多通道全变差变分模型。所提模型综合多通道全变差模型、非局部Mumford-Shah模型优点,并用二值标记函数划分区域。为了提高数值计算效率,对所提出模型设计了ADMM(alternating direction method of multipliers)优化算法。最后,通过数值实验对比以及定性与定量分析表明方法对于彩色纹理图像的分割取得较好结果。(本文来源于《重庆大学学报》期刊2019年01期）
杨勇,郭玲,代文征,叶阳东[2]（2016）在《区域可信度融合的彩色纹理图像分割方法》一文中研究指出提出一种将颜色信息与纹理信息有机结合的彩色纹理图像分割方法。通过对多尺度结构张量纹理信息进行奇异值分解与主成分分析降维,得到压缩多尺度纹理信息,同时与尺度信息、颜色信息相结合的方式来提高彩色纹理特征的描述能力。针对分割区域容易出现过分割与错误分割现象,采用区域的邻接关系、区域的大小、区域的公共边、以及区域间的J-散度距离来共同计算相邻区域间的可信融合度,通过合理判别,删除与融合可信度较低的区域。并在合成彩色纹理图像与自然纹理图像上进行大量的实验对比与分析,验证提出方法具有较高的准确率,且最终分割区域具有较高的区域整体性与地面真实性。(本文来源于《系统仿真学报》期刊2016年10期）
杨勇,郑良仁,郭玲,叶阳东[3]（2016）在《结合GAC与图割模型的彩色纹理图像分割方法》一文中研究指出提出了一种测地线活动轮廓模型(GAC)与多层图割模型相结合的彩色纹理图像分割方法。将Chan-Vese模型扩展到多类测地线活动轮廓模型,通过对每个类别进行高斯概率密度描述,它打破了区域内部恒定密度的假设。且在边缘约束项中引入了测地线,因此,它能够捕获具有凹性的边缘。对于多类能量函数的最小化,通过构建多层图割模型,利用最大流/最小割的方法可快速求得全局近似最优解。最终通过实验验证了提出的方法能够捕获凹型边界、且量化准确率高。(本文来源于《系统仿真学报》期刊2016年09期）
杨勇,郭玲,王天江[4]（2014）在《基于多尺度结构张量的多类无监督彩色纹理图像分割方法》一文中研究指出由于自然图像中包含丰富的颜色信息与多尺度的纹理信息,伴随多个同质目标区域的出现,依靠半监督手动交互标记的图像分割方法难以实现自动分割,因此提出一种多类无监督彩色纹理图像分割方法.首先,提取了颜色特征(向量结构)与多尺度纹理特征(矩阵集合),并对两者分别进行能量描述;对于2种具有不同特征结构的能量函数,通过多类融合策略计算两者的融合因子,并自适应地融合;再将融合后能量函数的全局最优化问题转化为其对应的多层Graph Cut图割模型,利用最大流?最小割理论计算得到全局近似最优解.为了自适应地控制分割过程,提出了自适应迭代分割收敛准则,并最终在自然图像及合成的彩色纹理图像上进行了质量评估与量化分析.实验结果表明,该方法具有较好的目标区域完整性与一致性,并具有较高的准确率.(本文来源于《计算机辅助设计与图形学学报》期刊2014年05期）
杨勇[5]（2013）在《基于多尺度结构张量的无监督彩色纹理图像分割方法研究》一文中研究指出图像分割是数字图像处理与计算机视觉领域的一项基本研究问题，通过将图像划分为若干互不重迭的子区域或光滑封闭的曲线，且每个子区域或封闭曲线具有特殊的含义，因此，它成为图像分析与视觉计算的研究基础。由于图像分割能为众多高层应用像跟踪、检测及识别提供最重要的依据，因而被广泛的应用于目标识别、场景分析、特效电影、目标检测、医学图像处理、工业检测、基于内容的图像检索等领域。然而，由于人类缺乏对视觉系统的深层认识，且视觉感知的自然彩色纹理图像中包含的内容具有多样性、复杂性、随机性等特点，截止目前，尚未有十分成熟的图像分割方法满足于各种应用环境需求，因此，如何提高图像分割的视觉效果、泛化性、通用性，依然成为图像处理和计算机视觉领域的研究热点与难点，并成为一个极具有挑战性的研究课题。针对计算机自主模拟人眼感知外部世界的微观结构、宏观结构以及抽象层次的功能，并能够准确识别和区分不同场景的目标，进而获得重要的语义信息，致使无监督的图像分割成为近几年来广泛关注的焦点。由于自然图像中包含丰富的色度、饱和度、光照、亮度等颜色信息，以及描述线性、均匀性、规则性、随机性、平滑性、粗糙度、密度、粒度、频率、相位、方向等与周围环境相互关联的纹理信息,导致将颜色信息与纹理信息进行有机结合的彩色纹理图像分割方法成为本章研究的重点。近年来，由于对图像分割任务的健壮性、鲁棒性、实时性的需求，促使利用Graph Cut图切割优化方法实现全局最优化分割，成为当前实现图像分割最主要的方法之一。其优势在于分割加权图的拓扑结构自由、数值鲁棒性强、多特征约束融合能力灵活、全局最优化与执行效率高等优点。但是，由于自然彩色纹理图像的复杂性、多样性、模式的随机性、以及类别数难自主确定，导致基于传统的图切割优化方法来实现无监督的多类彩色纹理图像分割任务，无论是方法本身的适用性、鲁棒性、准确性、还是实时性，都遭到严重的限制。因此，本章针对传统彩色纹理图像分割中存在的若干关键问题，进行定性分析与定量研究，理论研究与实际研究相结合，并研究了几种新型多类无监督的彩色纹理图像分割方法。其具体的创新性研究成果可归纳为如下几个部分：首先，提出了一种将压缩的多尺度结构张量纹理，颜色以及TV尺度倒数特征相结合的彩色纹理描述子。基于多尺度结构张量具有多尺度信息描述能力和全方向信息压缩能力，以及将频域与空域信息有机结合的功能，将它用于提取多尺度的纹理信息。但是，由于它具有矩阵集合结构，且满足黎曼流行特性，当对其进行流行空间距离度量及相关统计计算时，需先将结构张量在流行空间映射到切向量空间，然后利用测地线距离对其进行计算，因此具有较高的时间复杂度和巨大的内存空间消耗。此外，它难以与向量结构的颜色信息进行有机整体结合。针对这些问题，本章提出了一种新型彩色纹理描述子。通过对多尺度结构张量的各个尺度进行SVD奇异值分解，然后将它们整体结合并进行PCA降维，得到主方向压缩的多尺度纹理信息。同时，采用TV流全变分提取尺度倒数特征来弥补多尺度结构张量在大尺度上提取纹理信息较少的缺点。为了提高检测边缘的能力、抗噪声特性以及同一目标区域的同质性，最终对构建的新型彩色纹理描述子进行非线性扩散滤波。其次，提出了智能最大期望学生-t（CEM~3ST）算法，通过计算样本对混合概率密度的各个通道部分的样本支持程度，采用无效通道部分删除的方式自主确定图像中的有效类别数。为了模拟和加速有效类的信息传输，利用半隐形的方案替代显性方案，通过一次更新一个有效通道部分来加快收敛。为了删除无效通道部分的影响，在对多变量学生-t分布的EM最大期望统计计算的迭代过程中，利用当前已经更新过的有效通道部分与上次尚未处理的有效通道部分，共同参与当前部分的决策，并对样本支持程度进行归一化处理，剔除无效部分。换句话说，为了将无效部分的信息快速分配给其它的有效通道部分，利用最小二乘与ML最大似然的方法更新各个有效部分的相关统计参数，以及当前的有效类别数，进一步计算样本对有效部分的样本支持程度。再次，提出了基于边与基于区域的多类连续活动轮廓模型（MSACM）。具体地，通过对CV模型的区域外力与边缘内力的约束改进，将GMM多变量混合高斯模型用来刻画分段区域内的PDF概率密度描述，它打破了区域内常数概率密度的假设。这有利于提高同质目标区域的检测与噪声容忍能力。此外，将GAC测地线活动轮廓模型扩展到能量泛函的平滑项中，进一步提高对凹型边界的检测能力与抗噪特性。对于MSACM变分活动轮廓模型的最优化求解，通常等价于其能量最小，可采用数值离散化的水平集方式进行求解。然而，由于水平集方式极易限于局部最小，且收敛速度较慢。因此，本章采用Cauchy-Crofton公式进行多类离散化近似，将能量最小化问题转化为MLG多层图割模型的最大流/最小割问题，利用Graph Cut快速求得全局近似最优解。最终，分割后的同质目标区域更加完整，能够捕获较深的凹型边界，且边界更加光滑。最后，提出了基于多变量学生-t分布与区域可信融合的无监督彩色纹理图像分割方法。针对图像分割中存在的高斯型，非高斯型以及长尾巴型的PDF概率密度描述，本章使用多变量混合学生-t分布(MMST)对图像进行概率分布(PDF)建模。它能结合CEM~3ST算法自适应确定初始的有效类数，这大大降低了构建多类图割模型的层数。此外，由于分割后的区域经常出现过分割以及错误分割现象，我们提出了区域可信融合策略。它通过将分割后区域的邻接关系、区域大小、区域公共边、以及区域之间的特征相似性-J散度距离，共同计算任意两个相邻区域间的区域可信融合度。通过合理的判别，将融合度较小的区域进行删除或融合。此外，为了实现自适应的迭代分割过程，将每次分割后有效通道部分的Kullback-Leibler（KL）概率密度距离与所有特征样本的能量相结合，自适应控制迭代分割过程的收敛，保证最终分割的区域结果具有视觉整体性与区域一致性。(本文来源于《华中科技大学》期刊2013-06-01）
葛文英,李鹏伟,刘国英[6]（2012）在《结合神经网络和MRF的彩色纹理图像分割方法》一文中研究指出在Bayesian框架下利用MRF模型进行纹理分割时,简单的纹理特征概率模型(比如高斯模型)难以准确描述其分布特性而复杂的概率模型设计又非常困难,这极大地影响了分割的精度。针对这一问题,设计了一种能充分利用神经网络建模图像特征场的方法。基于该特征场建模方法,提出了一个监督方式的彩色纹理图像的分割算法。该算法在贝叶斯框架下进行,分别采用神经网络和Potts模型描述特征场和标记场的概率分布,并基于极大后验概率(MAP)准则获取分割结果。多幅彩色纹理图像的分割实验表明,该分割算法对彩色纹理图像比传统的ICM算法具有更好的分割性能。(本文来源于《制造业自动化》期刊2012年12期）
李鹏飞,龙观水,景军锋[7]（2010）在《一种改进的彩色纹理图像分割算法》一文中研究指出针对彩色纹理特征的织物图像,提出了一种改进的基于种子区域生长(SRG)的图像分割算法。该算法在种子选取,区域生长以及区域合并的步骤里,使用欧氏距离、相对欧氏距离和离散余弦变换(DCT)对颜色信息和纹理信息进行量化,改善了彩色纹理织物图像的过分割现象。实验结果表明,在参数选取恰当的情况下,该算法对彩色纹理织物图像有良好的分割结果。(本文来源于《第十五届全国图象图形学学术会议论文集》期刊2010-12-10）
贺锦鹏[8]（2010）在《基于图论的彩色纹理图像分割技术研究》一文中研究指出图像分割是数字图像处理领域的一个重要分支,其结果对图像分析和图像理解有重要意义。纹理是图像中普遍存在而又难以描述的特性,图像中的纹理根据物体自身的属性反映物体表面颜色和灰度的某种变化,从而纹理成为描述不同尺度下不同物体表面的一种明显特征,在图像分割中占有举足轻重的作用,纹理分割也成为一种重要的研究方向受到国内外大量研究人员重视,并在实际中得到了广泛的应用。本文以彩色纹理的分割方法为研究内容,对目前广泛使用的一些纹理图像分割算法进行了认真的学习和总结,研究如何有效地提取图像的纹理特征,并将之应用于纹理图像分割中,力图找到一种可靠、稳定、实用的纹理图像分割方法。彩色纹理分割分为彩色纹理的特征提取以及基于特征向量的一致性分割,本文围绕以上两个方面进行研究。论文首先从纹理研究的意义出发,通过对现有典型纹理定义的分析和比较,总结出纹理的共识。鉴于滤波器阵列纹理提取方法更符合人脑的认识识别系统和人眼的视觉感官系统的优势,构建了一组滤波器阵列提取图像的纹理特征,并选择HSI色彩空间提取图像的色彩特征,将纹理特征向量和色彩特征向量组合形成本文的色彩-纹理特征向量用于彩色纹理图像的特征提取。在提出本文色彩-纹理特征向量的同时,采用texton直方图描述对应像素点邻域的纹理特征,应用直方图之间的距离构造像素分类的等价关系,同时提出了一种基于像素点对应texton频道中像素距离中值的直方图邻域的计算方法,用于计算不同尺度纹理中给定像素点邻域的加窗texton直方图。图论法具有广泛的数学基础,且可以捕获全局特征,文中采用图论法中规范割框架实现纹理图像的分割。针对规范割框架运行速度慢并且不能处理高分辨率图像的缺点,分析在规范割中图的关联范围对于分割结果的影响以及总体运行时间的决定因素,设计了一种快速规范割将大尺寸图压缩为线性时间复杂度的多尺度图。在多尺度划分准则中指定贯尺度约束矩阵进行多尺度分割,同时兼顾了精细层细节清晰和粗糙层整体结构明确的优点。实验结果表明多尺度规范割算法能够大幅度缩短原始规范割运行时间,同时能够处理高分辨率图像,为解决规范割框架的实用性开辟了新思路。针对色彩.纹理特征的具体形式将多尺度规范割扩展到小波域多尺度规范割。该算法一方面使用色彩-纹理特征描述彩色纹理,并用texton直方图对特征向量进行统计,体现了纹理的区域特性；另一方面,使用规范割框架对统计信息进行分割,保证了分割能够捕获图像的全局特征,同时使用小波域多尺度图结构保证了算法快速的计算速度。实验结果表明基于色彩-纹理特征的小波域规范割在保证快速的运算时间和有效的大尺寸图像处理能力的同时,能够获得准确和稳定的纹理图像分割结果。最后将本文提出的基于色彩-纹理特征的小波域多尺度规范割应用于遥感图像分割。(本文来源于《哈尔滨工程大学》期刊2010-11-23）
魏小莉,沈未名[9]（2010）在《一种基于马尔科夫随机场模型的彩色纹理图像分割》一文中研究指出提出了一种基于Gabor滤波和马尔科夫随机场的彩色纹理特征图像的分割算法。首先对色彩和纹理特征进行了分析,将RGB色彩空间非线性变换到CIE-LUV空间,构造颜色的特征向量;然后对原始彩色图像进行Gabor滤波和高斯平滑处理,得到恰当表示原图像的灰度纹理图像;再对原图像建立MRF分割模型,结合色彩和纹理信息,运用贝叶斯理论和迭代优化算法估计最大后验概率(MAP)。实验表明,本文方法可以有效地实现图像分割。(本文来源于《武汉大学学报(信息科学版)》期刊2010年08期）
刘琮[10]（2008）在《基于自适应权重马尔科夫随机场的彩色纹理图像分割研究》一文中研究指出人眼对颜色的敏感度比对亮度的敏感度更强,彩色图像包含更大的信息量和更丰富的视觉感受。长期以来,在视觉研究领域的大部分研究都是针对灰度图像的。近年来,随着计算机硬件和图像采集设备性能提高以及它们的成本下降,使得对彩色图像处理的研究提供了条件。随着彩色图像设备越来越受到人们的青睐,广泛开展对彩色图像处理技术的研究也变得十分迫切。近年来基于图像内容、色彩以及纹理的图像检索技术成为数据库技术研究的一大热点,而基础的技术就是彩色图像分割。人类视觉对图像的分割是基于多方面知识的,其中两个重要的就是颜色和纹理。随着成像设备的发展,现在获得彩色图像并不是难事,这就给了我们通过与人类视觉一致的、自然的方法来分割图像的机会,彩色纹理图像的分割自然成为近年来研究的热点。Markov随机场(Markov Random Field,即MRF)理论已经广泛应用于计算机视觉及图像处理领域中,它提供了方便而直接的方法以概率来描述图像像素所具有的一些空间相关的特性,MRF与Gibbs分布等价性的提出极大的推广了其在数字图像处理中的应用,MRF中联合分布的概念提出又为研究者提供了在贝叶斯体系下进行图像处理的MRF模型。本文整合颜色和纹理两方面的信息,提出一个新的基于自适应权重马尔科夫场(MRF)的无监督分割模型,算法框架依赖于基于优化思想(模拟退火等)贝叶斯估计理论。不同的类有着不同的高斯分布,通过将像素归于不同的类就可以得到图像的分割结果。所以,这里唯一的假设是同一类的图像特征可以用唯一个高斯分布来描述。使用接近于人类感知颜色的HSV颜色空间得到颜色特征;使用Gabor滤波器得到图像的纹理特征。还提出了一个适用本算法的EM迭代算法进行高斯分布的参数估计。本文提出的模型优点有叁,其一:相比较于其他彩色纹理图像分割模型,这里的模型中只使用了一个单一的MRF场,这意味着算法的时间复杂度降低了;其二:将特征提取方式从MRF建模中独立出来,只使用MRF建模分割过程,使得很多经典的特征提取方法可直接用于此模型。例如,对于纹理特征提取来说,文献[52]中所有的滤波器方法等都可以在此模型直接使用。其叁:使用新颖的自适应权重MRF模型,有效改善了分割结果,也减少了人工参数的主观臆断。文中第五章设计了四个互相独立但又彼此关联的实验从各个角度证明此模型优于像素聚类算法、只利用彩色或颜色信息的MRF分割模型、传统的常量权重MRF分割模型。(本文来源于《江西理工大学》期刊2008-05-22）
彩色纹理图像分割论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提出一种将颜色信息与纹理信息有机结合的彩色纹理图像分割方法。通过对多尺度结构张量纹理信息进行奇异值分解与主成分分析降维,得到压缩多尺度纹理信息,同时与尺度信息、颜色信息相结合的方式来提高彩色纹理特征的描述能力。针对分割区域容易出现过分割与错误分割现象,采用区域的邻接关系、区域的大小、区域的公共边、以及区域间的J-散度距离来共同计算相邻区域间的可信融合度,通过合理判别,删除与融合可信度较低的区域。并在合成彩色纹理图像与自然纹理图像上进行大量的实验对比与分析,验证提出方法具有较高的准确率,且最终分割区域具有较高的区域整体性与地面真实性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
彩色纹理图像分割论文参考文献
[1].杨振宇,潘振宽,王国栋.彩色纹理图像分割的非局部Mumford-Shah多通道全变差模型[J].重庆大学学报.2019
[2].杨勇,郭玲,代文征,叶阳东.区域可信度融合的彩色纹理图像分割方法[J].系统仿真学报.2016
[3].杨勇,郑良仁,郭玲,叶阳东.结合GAC与图割模型的彩色纹理图像分割方法[J].系统仿真学报.2016
[4].杨勇,郭玲,王天江.基于多尺度结构张量的多类无监督彩色纹理图像分割方法[J].计算机辅助设计与图形学学报.2014
[5].杨勇.基于多尺度结构张量的无监督彩色纹理图像分割方法研究[D].华中科技大学.2013
[6].葛文英,李鹏伟,刘国英.结合神经网络和MRF的彩色纹理图像分割方法[J].制造业自动化.2012
[7].李鹏飞,龙观水,景军锋.一种改进的彩色纹理图像分割算法[C].第十五届全国图象图形学学术会议论文集.2010
[8].贺锦鹏.基于图论的彩色纹理图像分割技术研究[D].哈尔滨工程大学.2010
[9].魏小莉,沈未名.一种基于马尔科夫随机场模型的彩色纹理图像分割[J].武汉大学学报(信息科学版).2010
[10].刘琮.基于自适应权重马尔科夫随机场的彩色纹理图像分割研究[D].江西理工大学.2008