区域生长聚类论文-王光磊,苑昊,魏帅,时亚松,刘秀玲

区域生长聚类论文-王光磊,苑昊,魏帅,时亚松,刘秀玲

导读:本文包含了区域生长聚类论文开题报告文献综述及选题提纲参考文献,主要关键词:主动脉,CTA序列图像,空间连续性,区域生长

区域生长聚类论文文献综述

王光磊,苑昊,魏帅,时亚松,刘秀玲[1](2015)在《基于区域生长和聚类的主动脉CTA图像序列分割算法》一文中研究指出针对人体主动脉CTA序列图像的特点,提出了一种基于区域生长和聚类的序列分割新算法.在确定好合适的分割阈值范围后,结合基于区域生长的算法对主动脉的目标区域进行轮廓提取,然后对得到的目标轮廓在基于isodata的算法上进行聚类处理,由于主动脉在空间上的连续性,可以将聚类后得到的目标区域的聚类中心作为下一幅CT图像新的种子点再进行区域生长,从而实现仅在选择单幅图像种子点的情况下一次性完成整套CT序列图像的分割.实验结果表明,本文算法计算量小,分割精度高,可以完整准确地将主动脉从CT序列图像中分割出来.(本文来源于《河北大学学报(自然科学版)》期刊2015年06期)

翟晓婕[2](2014)在《基于聚类和区域生长的彩色地图图像分割方法研究与实现》一文中研究指出图像分割技术的应用领域涉及人类生活的方方面面,涵盖计算机视觉、生理学、认知学与计算机科学等多个学科,是一门结合理论与应用为一体的图像处理与识别技术。而彩色地图图像分割对基于地理信息系统的目标检测提供独特的珍贵信息。随着计算机技术的发展,电子地图逐渐取代纸质地图为人类生活带来便利,而彩色地图的图像分割正是获取电子地图的关键技术,更是彩色地图矢量化的先决步骤。多年来理论及实践为彩色地图图像分割的深入研究奠定了良好的基础,但由于彩色地图图像中颜色混杂以及边界模糊等特点给地图图像分割和进一步矢量化带来诸多问题。本文首先分析了彩色地图图像分割的研究意义和国内外发展现状,指出了其中存在的主要问题,然后深入研究目前彩色地图图像分割的主要算法——聚类算法和种子区域生长算法。在此基础上,本文提出一种基于改进的GK聚类与种子区域生长的图像分割新算法,以更为准确地实现彩色地图图像分割。具体思路如下:首先对图像数据集采样,获得采样数据;再利用GK聚类算法获得更加准确的聚类中心;其次在GK聚类算法获得聚类中心的基础上结合像素的相似性和空间连通性等性质定义初始种子集;在初始种子集的基础上根据一定的生长规则进行种子区域生长,最后依据种子区域生长的结果获得具有相同颜色信息和空间连通性的颜色层。GK模糊聚类基于自适应的协方差矩阵进行距离度量,可以准确的模拟超椭球空间分布的样本聚类。本文提出改进的GK聚类算法,通过椭球体拟合原始数据集,用拟合协方差矩阵代替原始GK聚类中的协方差矩阵,以有效避免聚类算法中重复计算协方差矩阵,缩短聚类的时间。基于改进的GK聚类和种子区域生长的图像分割算法不需要根据经验调节先验参数,并且图像采样和椭球体拟合协方差矩阵等方法有效地缩短了聚类时间,最终能够实现地图图像的自动分割,获得分版图像。此外,将本文提出算法与Stefan Leyk和Ruedi Boesch提出的区域生长算法进行对比分析,结果表明本文提出的图像分割新算法具有更高的准确性和适应性。我们已将该图像分割算法移植到西安某研究所MapGIS K9地理信息系统平台下,并应用于彩色地图的自动图像分割。然而,文中的聚类算法不可避免的存在算法复杂度较大的缺点,研究如何能提高聚类算法准确性同时缩短时间复杂度,获得更好的初始种子集是作者下一步研究的重点之一。(本文来源于《西安电子科技大学》期刊2014-12-01)

汪亮,金福江,陈峻严[3](2014)在《基于区域生长和FCM模糊聚类的颅内出血CT图像分割》一文中研究指出为了准确计算颅内额叶损伤的出血面积,提出了将区域生长、FCM模糊聚类用于额叶出血CT图的分割,提取出CT图中出血的目标区域,实现出血面积的精确计算。用该方法分割出的出血区域面积与CT图中实际的出血面积相对误差在5%左右。同时将该图像分割方法与区域生长、阈值分割为一体的分割方法进行比较,发现当CT图中血块区域与周围的脑组织灰度值差异较小时,区域生长、FCM模糊聚类为一体的图像分割方法的分割结果较为精确。(本文来源于《系统仿真学报》期刊2014年02期)

侯学勇,刘士荣,张波涛,李加东[4](2013)在《基于聚类和区域生长的道路可行区域提取》一文中研究指出对于未知环境下机器人导航中的道路检测,提出了一种基于聚类和区域生长的可行道路获取方法.采用聚类算法对激光测距仪获得的单帧激光数据的空间分布数据点进行聚类,并根据聚类点来确定直线、获取端点;再对线段进行3D空间转换;最后根据直线的特征与相邻帧的数据进行比较,通过区域生长在道路中提取可行区域.实验表明本方法能快速、有效地在形状不规则的路况中检测出道路边界与可行区域.(本文来源于《华中科技大学学报(自然科学版)》期刊2013年S1期)

张燕群[5](2012)在《基于区域生长和聚类的花卉图像分割算法研究》一文中研究指出图像分割问题的典型定义就是如何在图像处理过程中将图像中的一致性区域和感兴趣对象提取出来,也就是人们为了分析某幅图像从而提取出自己感兴趣的部分。图像分割是数字图像分析中的重要环节,在图像处理中它是一项基本而又关键的技术。在整个研究中它起着承前启后的作用,它既是对所有图像预处理效果的一个检验,也是后续进行图像识别、分析和理解的基础。因此,对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视,也提出了成千上万种不同的算法。虽然这些算法大都在不同程度上取得了一定的成功,但是图像分割问题还远远没有解决,这方面的研究仍然面临很多挑战。迄今为止,没有一个分割方法能够对任何图像都有着良好的分割效果,也不是所有算法都能在某一个图像上得到同样良好的分割效果。并且,由于缺乏一个统一的理论体系,也没有一个方法来指导我们如何根据图像选择合适的分割算法。因此,在解决一些实际的图像分割问题时,我们往往难于找到合适的算法。即使找到一些算法,每个算法也只适用于部分图像。鉴于此,本文的主要研究内容包括:一是对彩色图像分割中出现的彩色空间的归纳和总结,分析各类彩色空间的特点。二是针对当前典型的彩色图像分割方法进行概括和分析,指出各类分割方法的优缺点,然后针对这些内容提出本文的分割方法。本文分割算法是:首先对自然彩色图像选取合适的颜色空间(我们选取RGB彩色空间),然后进行滤波和八邻域区域生长之后得到初步的分割图,在区域生长算法中我们选择在彩色图像上取灰度值最大(最亮)的点作为生长的初始种子点。滤波处理我们采用了中值滤波,传统滤波方法大都采用高斯滤波处理,高斯滤波的一个缺点是不能消除噪声样本反而会使图像边缘区域模糊导致分割不准确;而中值滤波是非线性滤波,他可以在同时保留图像边缘特征的基础上实现噪声的独立消除。而且在经过中值滤波处理之后的每个像素实际上代表了该像素邻域上的均值,这对接下来的区域生长和聚类提供了很大的方便。最后的聚类我们采用K-means聚类,对生长之后的图进行区域聚类分析,从而得到整幅图像的完整分割。实验结果表明,该分割方法具有良好的分割性能。(本文来源于《成都理工大学》期刊2012-05-01)

李媛,王浩全,张培[6](2012)在《区域生长和C-均值聚类结合的图像分割方法》一文中研究指出结合边缘检测的模糊C-均值聚类图像分割方法,本文提出一种基于区域生长和模糊C-均值聚类相结合的图像分割方法.采用与区域生长类似的方法,寻找图像中封闭边缘围成的相互独立的区域,根据物理就近原则对边缘点进行归类,完成图像的分割.经实验验证:目标区的分割相对完整.(本文来源于《测试技术学报》期刊2012年01期)

杨卫莉,郭雷,许钟,肖谷初,赵天云[7](2008)在《基于区域生长和蚁群聚类的图像分割》一文中研究指出提出了一种基于区域生长和蚁群聚类的图像分割方法——BRGAC。该方法首先用区域生长法对图像作初始分割,然后利用蚁群算法搜索最优解的能力,在区域之间进行聚类合并,获得最终的分割结果。BRGAC算法不但克服了区域生长得不到有意义区域的不足,而且还大大提高了蚁群聚类算法的搜索时间,并利用初始分割后的空间信息和灰度信息定义了一种新的引导函数,可更准确有效引导蚁群聚类。实验结果表明,该方法可以准确地分割出目标,是一种有效的图像分割方法。(本文来源于《计算机应用研究》期刊2008年05期)

章叁妹[8](2008)在《基于聚类和区域生长的彩色图像分割方法》一文中研究指出图像分割是图像工程中一项基础而关键的技术。它是任何图像分析过程中的首要任务,因为接下来所要做的工作都取决于图像分割的质量。近年来随着机器视觉、模式识别和基于内容的图像检索等技术的发展以及彩色图像的大量使用,图像分割尤其是彩色图像的分割显示出越来越重要的地位。自数字图像处理问世不久,吸引了很多研究人员为之付出巨大的努力,在不同的领域也取得了很大的进展和成就,现在人们还一直在努力发展新的更有潜力的分割算法,以期待实现更通用、更完美的分割结果。目前,针对各种问题已经提出了许多不同的图像分割算法,有些也取得了好的效果。但是,由于图像分割本身具有一定的难度和复杂性,到目前为止还不存在一个通用的分割方法,也不存在一个判断分割是否成功的客观标准,所以有必要研究新的方法。综上所述,图像分割技术的研究是非常具有学术价值和实用意义的。但是过去大多是研究单色图像分割。随着计算机处理速度的提高、互联网的快速发展以及现实生活中的发展需要,彩色图像分割越来越引起人们的关注。所以本文选择彩色图像作为研究目标。本文的研究工作主要包括以下几方面:首先针对当前主流的彩色图像分割算法进行了分类、归纳和总结,并指出各类方法的优缺点。然后对多年来彩色图像分割领域中出现的彩色空间进行了归纳和总结,指出了各类彩色空间在彩色图像分割中的特点。最后,本文针对真彩色图像提出了一种分割算法,分为颜色空间转换、子块上颜色聚类、区域生长叁个阶段来完成一幅彩色图像完整的分割过程。实验结果表明,该分割方法具有较好的分割性能。(本文来源于《成都理工大学》期刊2008-05-01)

郭世可,董槐林,龙飞,张海波[9](2007)在《一种结合密度聚类和区域生长的图像分割方法》一文中研究指出提出了一种基于改进区域生长规则的彩色图像分割方法.采用RGB空间中的颜色相似系数度量像素间的颜色相似性,并将基于密度的聚类算法DBSCAN应用于区域生长规则.由于计算在RGB空间进行,省去了向其他颜色空间的转换过程,从而提高了图像分割效率.实验结果表明,此方法可对彩色图像进行有效分割,并具有一定的抗噪性.(本文来源于《第二十四届中国数据库学术会议论文集(研究报告篇)》期刊2007-10-20)

方芳[10](2006)在《基于区域生长与聚类的彩色图像分割方法的改进》一文中研究指出图像分割是图像分析和模式识别的首要问题,也是图像处理的经典难题之一,它是图像分析和模式识别系统的重要组成部分,并决定图像的最终分析质量和模式识别的判别结果。因此,图像分割算法的研究具有重要的理论和应用价值。本文着重从以下几方面进行深入的研究和探讨。首先,在分析与研究传统边缘检测的基础上应用相位一致模型进行边缘检测。与传统的边缘检测算法相比,可大幅度提高彩色图像寻找边缘的质量,达到提高分割效果的目的。实验和分析表明,在进行彩色图像分割时,相位一致模型比Canny等算子更加有效。其次,在分析了现有四邻域区域生长算法的基础上,针对其不足,提出了一个改进的单方向的二邻域区域生长算法,把传统区域生长算法中对种子点周围四象素的处理转化为对种子点周围单方向一象素的处理,大幅度提高了区域生长的速度。实验和分析表明,在保持分割结果与传统区域生长算法基本一致的基础上,改进的区域生长速度比传统的区域生长速度更快。然后,在进行图像分割完毕后,对已分割图像进行区域聚类。通过对已分割成小区域的图像进行聚类,使本应属于同一物体的部分进行归类。实验表明,对已分割完毕的图像进行区域聚类,可以使分割结果更具有现实意义,更符合人类视觉要求。(本文来源于《燕山大学》期刊2006-12-01)

区域生长聚类论文开题报告

(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:

图像分割技术的应用领域涉及人类生活的方方面面,涵盖计算机视觉、生理学、认知学与计算机科学等多个学科,是一门结合理论与应用为一体的图像处理与识别技术。而彩色地图图像分割对基于地理信息系统的目标检测提供独特的珍贵信息。随着计算机技术的发展,电子地图逐渐取代纸质地图为人类生活带来便利,而彩色地图的图像分割正是获取电子地图的关键技术,更是彩色地图矢量化的先决步骤。多年来理论及实践为彩色地图图像分割的深入研究奠定了良好的基础,但由于彩色地图图像中颜色混杂以及边界模糊等特点给地图图像分割和进一步矢量化带来诸多问题。本文首先分析了彩色地图图像分割的研究意义和国内外发展现状,指出了其中存在的主要问题,然后深入研究目前彩色地图图像分割的主要算法——聚类算法和种子区域生长算法。在此基础上,本文提出一种基于改进的GK聚类与种子区域生长的图像分割新算法,以更为准确地实现彩色地图图像分割。具体思路如下:首先对图像数据集采样,获得采样数据;再利用GK聚类算法获得更加准确的聚类中心;其次在GK聚类算法获得聚类中心的基础上结合像素的相似性和空间连通性等性质定义初始种子集;在初始种子集的基础上根据一定的生长规则进行种子区域生长,最后依据种子区域生长的结果获得具有相同颜色信息和空间连通性的颜色层。GK模糊聚类基于自适应的协方差矩阵进行距离度量,可以准确的模拟超椭球空间分布的样本聚类。本文提出改进的GK聚类算法,通过椭球体拟合原始数据集,用拟合协方差矩阵代替原始GK聚类中的协方差矩阵,以有效避免聚类算法中重复计算协方差矩阵,缩短聚类的时间。基于改进的GK聚类和种子区域生长的图像分割算法不需要根据经验调节先验参数,并且图像采样和椭球体拟合协方差矩阵等方法有效地缩短了聚类时间,最终能够实现地图图像的自动分割,获得分版图像。此外,将本文提出算法与Stefan Leyk和Ruedi Boesch提出的区域生长算法进行对比分析,结果表明本文提出的图像分割新算法具有更高的准确性和适应性。我们已将该图像分割算法移植到西安某研究所MapGIS K9地理信息系统平台下,并应用于彩色地图的自动图像分割。然而,文中的聚类算法不可避免的存在算法复杂度较大的缺点,研究如何能提高聚类算法准确性同时缩短时间复杂度,获得更好的初始种子集是作者下一步研究的重点之一。

(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。

区域生长聚类论文参考文献

[1].王光磊,苑昊,魏帅,时亚松,刘秀玲.基于区域生长和聚类的主动脉CTA图像序列分割算法[J].河北大学学报(自然科学版).2015

[2].翟晓婕.基于聚类和区域生长的彩色地图图像分割方法研究与实现[D].西安电子科技大学.2014

[3].汪亮,金福江,陈峻严.基于区域生长和FCM模糊聚类的颅内出血CT图像分割[J].系统仿真学报.2014

[4].侯学勇,刘士荣,张波涛,李加东.基于聚类和区域生长的道路可行区域提取[J].华中科技大学学报(自然科学版).2013

[5].张燕群.基于区域生长和聚类的花卉图像分割算法研究[D].成都理工大学.2012

[6].李媛,王浩全,张培.区域生长和C-均值聚类结合的图像分割方法[J].测试技术学报.2012

[7].杨卫莉,郭雷,许钟,肖谷初,赵天云.基于区域生长和蚁群聚类的图像分割[J].计算机应用研究.2008

[8].章叁妹.基于聚类和区域生长的彩色图像分割方法[D].成都理工大学.2008

[9].郭世可,董槐林,龙飞,张海波.一种结合密度聚类和区域生长的图像分割方法[C].第二十四届中国数据库学术会议论文集(研究报告篇).2007

[10].方芳.基于区域生长与聚类的彩色图像分割方法的改进[D].燕山大学.2006

标签:;  ;  ;  ;  

区域生长聚类论文-王光磊,苑昊,魏帅,时亚松,刘秀玲
下载Doc文档

猜你喜欢