导读:本文包含了分割合并算法论文开题报告文献综述及选题提纲参考文献，主要关键词:合成孔径雷达,图像分割,初始分割,区域合并
分割合并算法论文文献综述
樊书辰,水鹏朗[1]（2019）在《形态学边缘信息引导的区域合并合成孔径雷达图像分割算法》一文中研究指出针对基于区域合并的合成孔径雷达(SAR)图像分割中,初始分割过度碎片化影响后续区域合并效率和质量的问题,提出了利用形态学边缘信息引导的区域合并(MEI-RCBLP)SAR图像分割算法。首先利用高斯和伽马函数赋权的加权中值滤波构造各向异性形态学方向比率算子,提取图像的边缘强度映射来表征边缘响应的强弱,并对边缘强度映射进行阈值化处理和分水岭变换得到高质量的初始分割;然后利用现有的相对公共边界长度惩罚区域合并技术,迭代地合并初始分割中最相似的相邻区域,直到满足合并终止条件,输出最终的分割结果。实验结果表明,相比利用统计区域生长、MISP超像素和均值比边缘信息引导的分割算法,所提出的MEI-RCBLP算法显着改善了初始分割质量,在保证最终分割质量的前提下初始分割区域数目减少了25%以上,同时最终的分割结果在不同的性能评价指标上总体优于上述对比算法。(本文来源于《西安交通大学学报》期刊2019年10期）
刘仲民,王阳,李战明,胡文瑾[2]（2018）在《基于简单线性迭代聚类和快速最近邻区域合并的图像分割算法》一文中研究指出针对传统区域邻接图在描述数据结构时,搜索全局最优解难的问题,提出了一种基于简单线性迭代聚类(SLIC)和快速最近邻区域合并的图像分割算法。该方法在区域邻接图基础上引入了最近邻接图来优化全局搜索,首先用SLIC超像素算法将图像分割成小区域,利用区域邻接图(RAG)和最近邻接图(NNG)的邻接表数据结构来描述区域之间的关系,然后计算每个待合并区域与其所有邻接区域之间的不相似度函数值,最后合并不相似度值最小的区域。实验结果表明:本文方法能较好地将最相似的区域进行合并,与传统的区域合并算法相比,降低了合并计算的复杂度,大幅度提高了区域合并的准确性。(本文来源于《吉林大学学报(工学版)》期刊2018年06期）
胡学刚,段瑶,严思奇[3]（2018）在《基于区域合并的FCM图像分割改进算法》一文中研究指出针对现有模糊C均值聚类(FCM)算法易出现过分割现象,分割效果不够理想等问题,本文提出了一种基于区域合并的FCM改进算法.该算法首先使用快速广义模糊C均值聚类算法(FGFCM)获得初始分割;然后综合考虑各区域间的邻接关系、颜色差异和边缘信息,计算各邻接区域间的距离;最后依据区域间距离和区域面积对初始分割区域进行合并,得到最终分割结果.实验证明,所提出的算法有更好的分割性能,有效解决了现有FCM分割算法中的过分割问题.(本文来源于《小型微型计算机系统》期刊2018年09期）
辜卫东,李兵[4]（2018）在《基于随机区域合并的自动彩色图像分割算法》一文中研究指出针对彩色图像分割精度不高的问题,提出了一种具备多尺度空间约束的自动彩色图像分割算法。基于改进的随机区域合并方法,该算法首先实施双边分解并执行基于多通道信息和多尺度梯度的过度分割;然后,在CIE L*a*b*颜色空间中使用规范化的颜色直方图来表示每个子区域,构造一个基于过度分割结果的区域邻接图;最后,在区域邻接图上执行具备空间约束条件的随机区域合并策略,为每个尺度构造一张分割图。在BSDS图像数据库中进行对比实验,结果表明,在直接视觉对比和量化分析上,相比现有的分割算法,所提方法表现出了更好的分割效果。(本文来源于《计算机科学》期刊2018年09期）
姚亚风[5]（2018）在《基于统计信息和区域合并的SAR图像分割算法研究》一文中研究指出合成孔径雷达(Synthetic Aperture Radar,SAR)是一种利用多普勒效应实现微波成像的雷达,具备全天时、全天候、高分辨、穿透性强等多种特点,所以广泛的应用于农作物估产、监测海岸侵蚀、地表变化检测、对敌追踪、精确打击等民用和军事领域。然而,由于SAR属于斜距投影类型的成像,SAR图像中存在的相干斑噪声会使得SAR图像在进行分割和解译的时候受到强烈的干扰。与此同时,SAR图像的数据量也在急剧增长,在带来精确细节和丰富信息的同时,也增加了SAR图像的分割技术的难度。本文着重研究基于区域合并的SAR图像分割算法,提出两种SAR图像分割算法:基于感知哈希和差异哈希的SAR图像分割算法(PDHA)和基于RESM和区域合并的SAR图像分割算法(RESM_RM)。算法介绍如下:(1)PDHA充分利用了感知哈希的精确性和鲁棒性的特点以及差异哈希的快速、高效的特性,从而实现了SAR图像分割。在预处理阶段,使用增强型Lee滤波尽量克服噪声对SAR图像的后续分割带来的影响。然后利用SAR图像的统计特性,根据灰度直方图的峰谷值,选取多个阈值进行初始化分割,得到同质区域集合。然后将同质区域集合作为进一步分割的输入,引导相似性较大且超过规定阈值的两个不同的区域进行合并,并更新得到的区域集合,直到区域集合中的元素个数不再改变,。本文算法不仅提高了算法的分割效率,也提高了分割的精确度。最后,通过与其他SAR图像分割算法的对比试验表明了本文算法的有效性。(2)RESM_RM算法利用一种基于统计信息的边缘检测算子去替代可旋转的矩形双边比例边缘检测算子。首先使用基于统计信息的边缘检测器捕捉SAR图像的方向变量信息,根据这些方向变量信息构造比例边缘强度映射(RESM)。然后对RESM使用分水岭变换,并将其分割结果作为下一步的输入。最后,将初始分割中的过分割区域转换成构造区域邻接图(RAG)和全连通图(FCG)中的节点,节点间的连线表示区域间的相似性度量,利用区域合并的方法逐渐合并相似度最大的区域,从而得到最终的图像分割结果。最后,通过与其他SAR图像分割算法的对比试验表明了本文算法的有效性。(本文来源于《西安电子科技大学》期刊2018-06-01）
陈纬航[6]（2018）在《基于超像素和区域合并的图像分割算法研究》一文中研究指出图像分割是数字图像处理技术中的一个重要研究领域,它是图像处理通向图像分析的关键步骤,图像分割质量的好坏往往会对后续图像分析和图像理解的精确度产生直接的影响。因此,对图像分割展开深入研究具有重要的意义。超像素分割是近年来快速兴起的一种图像预处理技术,其基本思想是将图像划分成若干个由相邻且特征相似的像素组成的子区域。和传统以像素为单位的处理方法相比,超像素有利于图像局部特征的提取和图像结构信息的表达,同时能够减小处理对象规模,加快后续处理的计算效率。目前,超像素已经在很多计算机视觉领域取得了成功的应用,也越来越成为数字图像处理技术中的一个研究热点。本文在研究现有的基于超像素和区域合并的图像分割算法的基础之上,结合Mean Shift算法和非参数贝叶斯聚类模型,提出了一种新的图像分割算法MSBRM(Mean Shift based Bayesian Region Merging)。MS-BRM算法首先利用Mean Shift算法对图像进行初始分割,得到了超像素作为后续区域合并的基元,然后根据贝叶斯非参数聚类模型,融合超像素的空间信息,提出了一种基于邻接矩阵和合并概率矩阵的区域合并策略对超像素进行合并,得到了最终的分割结果。实验结果表明MS-BRM算法改善了超像素的过分割问题,对图像进行分割的结果保留了图像的边界信息,更加符合人类视觉的判断结果。此外,本文还将MS-BRM算法应用到人物图像分割领域中,提出了一种基于人脸检测和MS-BRM的人物图像分割算法。该算法首先使用MS-BRM算法对人物图像进行初始分割,然后利用人脸检测算法获得人物图像的脸部轮廓特征点,并使用这些特征点建立种子点估计模型获得目标种子点和背景种子点,,最后使用目标种子点和背景种子点分别对初始分割的人体区域和背景区域进行合并,完成最终的分割。该算法是一种全自动的人物图像分割算法,算法在运行时无需人机交互和参数选择,能较为准确的从背景中分割得到人物。(本文来源于《武汉理工大学》期刊2018-04-01）
钟忺,陈纬航,钟珞[7]（2018）在《基于超像素及贝叶斯合并的图像分割算法》一文中研究指出针对超像素分割算法中普遍存在的过分割问题,结合Mean Shift算法和非参数贝叶斯聚类模型,提出了一种新的图像分割算法MS-BRM(Mean Shift based Bayesian Region Merging)。首先,利用Mean Shift算法对图像进行超像素分割,然后根据非参数贝叶斯聚类模型,融合超像素的空间信息,提出一种区域合并策略对超像素进行合并,得到了最终的分割结果。实验结果表明,MS-BRM算法改善了超像素的过分割问题,对图像进行分割的结果保留了图像的边界信息,更加符合人类视觉的判断结果。(本文来源于《计算机工程与应用》期刊2018年21期）
俞鹏飞[8]（2017）在《基于模糊逻辑和区域合并的图像分割算法研究》一文中研究指出数字图像处理(Digital Image Processing)是通过使用计算机来分析处理原始图像信号转化而成的数字信息的技术。该技术在工业生产、医疗影像、保安监控、图像编码、卫星遥感以及军事、体育、农业等诸多领域都有着广泛应用,因此对数字图像进行分析处理的研究是当下计算机科学领域的热点之一。而且图像分割是计算机图像处理技术科研领域的热门研究方向之一,也是计算机对图像进行特征提取、目标识别等处理分析技术的必要条件,图像分割的效果如何,会直接影响到对图像的后续分析和处理。本文首先对涉及的相关理论知识进行了简要介绍,主要包括形态学在图像分割中的应用、分水岭变换的基本理论、基于灰度相似度的区域合并算法以及模糊逻辑算法的理论基础。其中,形态学理论主要用于图像预处理过程,对图像进行滤波处理与梯度变换,目的是为后续步骤减少噪声干扰、降低运算复杂度。分水岭变换则是用于对图像进行初始分割,但是由于分水岭变换易产生过分割现象,所以需要继续对初始分割图像进行处理。针对分水岭变换算法对细微变化也会产生积水盆而导致过分割问题的缺陷,本文方法利用了分水岭变换可以得到封闭区域的特点,采用区域合并方式抑制这种现象。首先利用区域邻接图表示分水岭变换后得到的图像中的区域的拓扑关系,并计算区域的灰度均值,以相邻区域之间的灰度相似度作为邻接图的弧的权值,然后通过基于灰度相似的区域合并算法对图像进了区域合并。为了提高区域合并算法的准确度,引入了链码的概念,利用链码差与边缘上点的曲率成正比的特点,对传统的边缘曲率评价函数进行改进,利用链码差的平均变化率来描述边缘的规则程度,降低了计算边缘曲率的时间和复杂度。同时,为了解决多指标综合评价问题,本文提出了一种改进的基于模糊逻辑的区域合并算法。通过模糊推理方法,输入两个相邻区域的边缘有效性与灰度相似性,根据模糊规则库推理和去模糊化结果输出为两个区域的可合并度。然后根据可合并度指导区域合并,将符合可合并度条件的相邻区域归并为一个大区域。该方法能够通过模糊推理过程来模拟人类对区域合并判断推理的思维过程,改进了为多个指标设置固定权值的方法。区域合并结果在保证重要轮廓信息不丢失的前提下,大量减少无效区域,提高了分割结果对图像中物体轮廓的概括性,较好的达到分割图像的目的。(本文来源于《南昌大学》期刊2017-05-20）
周超[9]（2017）在《基于超像素分割合并的图像显着性检测算法》一文中研究指出显着性检测在计算机视觉应用中是非常重要的组成部分,显着性描述了显着目标与周围背景之间的差异性。图像显着性检测的主要目的是计算查找出显着目标可能出现的区域,过滤掉冗余的背景信息,从而高效的安排计算资源,提高计算效率。显着性图是图像中的像素是否属于最终显着目标的直观展示,显着性值的大小表示和区分了对应的像素在图像中受关注的程度,值越大则该像素就越有可能属于显着目标。本文提出了一种基于超像素分割合并的图像显着性检测算法,与以往基于自底向上思想的算法不同的是,通过构建一个更加准确的凸包来查找显着目标的大致位置,从不同角度构建初始显着性图,在贝叶斯框架下根据精确凸包来更新显着性图并进行融合。本文的主要创新点包括:第一,直接使用兴趣点凸包或者滑动窗口来定位目标往往存在定位不准确及包含背景部分的问题,本文算法通过图像的超像素分割合并来构建更加准确凸包,通过对多种图像分割方法进行融合来实现,包括:水平集方法、简单线性迭代聚类、兴趣点构建凸包、模糊化图像构建凸包等,并通过边缘检测对多种不同的分割结果进行优化,提出了小超像素的处理方法。第二,对于初始显着性图,本文构建了基于颜色直方图的显着性图来体现图像中不同色彩的全局统计信息;构建了基于区域对比度的显着性图来体现图像中不同的区域位置信息和颜色特征信息。第叁,提出了基于贝叶斯框架的更新和融合算法,通过构建的更加准确的凸包,使用贝叶斯框架更新基于颜色直方图得到的显着性图和基于区域对比度的显着性图,融合两种更新后显着性图得到最终的显着性图。本文在四个公开的标准数据库上进行实验,将得到的结果与对应的人工标记的真值进行对比,在多种不同的评价标准下对结果进行评判。与其他的算法相比,本文提出的显着性检测算法能够得到更好的效果。(本文来源于《大连理工大学》期刊2017-05-01）
吴倩倩[10]（2016）在《基于聚类与区域合并的彩色图像分割算法的研究》一文中研究指出图像分割是根据图像中的某些特征,如颜色、空间、纹理等,将图像划分成多个区域,要保证分割后的同一区域内这些特征具有一致性或相似性,不同区域之间这些特征具有明显的相异性。众多研究学者在彩色图像分割算法的研究上已经取得了一定成果,但目前并没有一种通用的分割方法可以应用于所有的彩色图像中,针对这一现状,本文提出了一种在Lab彩色空间实现的结合聚类和区域合并的彩色图像分割方法。针对彩色空间的选取,本文将彩色图像从RGB空间转换到Lab空间后再进行处理。对彩色图像分割领域中几种常见的彩色空间进行了深入研究,发现RGB空间和CMYK空间是属于面向设备的彩色空间,它们是一种很不均匀的彩色空间,不太适合用于图像分割与分析;而HSI空间和Lab空间是属于面向感知视觉的彩色空间,它们的独立性和均匀性都较好,这类空间适合用于彩色图像的处理,但HSI空间在H分量仍存在非线性的缺点。因此,本文选择Lab彩色空间进行图像处理。针对图像分割方法的选择,本文对当前主要的几类分割方法做了深入研究与仿真实验,提出了本文的结合改进的K均值聚类和区域合并的方法。在处理之前,通过中值滤波对图像进行平滑操作,去除噪声的干扰;在改进的K均值聚类算法中,选择一个固定较大的K值,将Lab各通道颜色值按升序排列后K等分,选择每个等分段中出现频率最高的颜色值作为初始聚类中心,可以得到一个初始分割结果;在区域合并的过程中,综合考虑区域间颜色、边缘、面积与邻接关系,依据区域间距离度量函数进行区域合并,并依据图像的颜色散度变化率来控制区域合并的终止,可以得到最终的彩色图像分割结果。将本文算法应用到Berkeley标准彩色图像库进行实验仿真验证,发现本文算法尽管不及传统的K均值算法运行效率,但分割结果的准确率有一定的提高,具有较好的分割结果。(本文来源于《哈尔滨工业大学》期刊2016-12-01）
分割合并算法论文开题报告
（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：
针对传统区域邻接图在描述数据结构时,搜索全局最优解难的问题,提出了一种基于简单线性迭代聚类(SLIC)和快速最近邻区域合并的图像分割算法。该方法在区域邻接图基础上引入了最近邻接图来优化全局搜索,首先用SLIC超像素算法将图像分割成小区域,利用区域邻接图(RAG)和最近邻接图(NNG)的邻接表数据结构来描述区域之间的关系,然后计算每个待合并区域与其所有邻接区域之间的不相似度函数值,最后合并不相似度值最小的区域。实验结果表明:本文方法能较好地将最相似的区域进行合并,与传统的区域合并算法相比,降低了合并计算的复杂度,大幅度提高了区域合并的准确性。
（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。
分割合并算法论文参考文献
[1].樊书辰,水鹏朗.形态学边缘信息引导的区域合并合成孔径雷达图像分割算法[J].西安交通大学学报.2019
[2].刘仲民,王阳,李战明,胡文瑾.基于简单线性迭代聚类和快速最近邻区域合并的图像分割算法[J].吉林大学学报(工学版).2018
[3].胡学刚,段瑶,严思奇.基于区域合并的FCM图像分割改进算法[J].小型微型计算机系统.2018
[4].辜卫东,李兵.基于随机区域合并的自动彩色图像分割算法[J].计算机科学.2018
[5].姚亚风.基于统计信息和区域合并的SAR图像分割算法研究[D].西安电子科技大学.2018
[6].陈纬航.基于超像素和区域合并的图像分割算法研究[D].武汉理工大学.2018
[7].钟忺,陈纬航,钟珞.基于超像素及贝叶斯合并的图像分割算法[J].计算机工程与应用.2018
[8].俞鹏飞.基于模糊逻辑和区域合并的图像分割算法研究[D].南昌大学.2017
[9].周超.基于超像素分割合并的图像显着性检测算法[D].大连理工大学.2017
[10].吴倩倩.基于聚类与区域合并的彩色图像分割算法的研究[D].哈尔滨工业大学.2016