计算机科学 ›› 2015, Vol. 42 ›› Issue (Z11): 119-122.
吴从中,李俊
WU Cong-zhong and LI Jun
摘要: 基于边缘信息的阈值分割方法因为在保持目标轮廓和分割低对比度图像方面具有良好性能,特别适用于对工业生产图片的分割,但是传统方法普遍存在对噪声敏感和阈值难以选取的问题,针对这些问题,提出一种基于SUSAN边缘信息的自适应图像阈值分割算法,使用SUSAN特征响应描述像素的边缘信息,以有效抑制噪声和弱边界的影响。基于图谱理论的最小最大割阈值分割算法相比于其他分割算法时空复杂度大大降低,且获取的阈值全局最优。实验结果表明,该算法能够准确分割出目标,保留丰富的细节内容,对低对比度图像和噪声图像也有很好的分割效果,获取的阈值相比于传统算法更优。
[1] 章毓晋.图像分割[M].北京:科学出版社,2001:1-2 [2] 付忠良.图象阈值选取方法的构造[J].中国图像图形学报,2000,5(6):466-469 [3] 李立源.一种强鲁棒性的完全确定快速阈值化方法[J].模式识别与人工智能,1993,6(3):235-241 [4] 刘平,陈斌,阮波.基于边缘信息的图像阈值化分割方法[J].计算机应用,2004,4(9):28-30 [5] Wu Z Y,Leahy R.An optimal graph theoretic appraoch to data clustering:Theory and its application to image segmentation[J].IEEE Transactions on Pattern Analysis Machine Intelligence,1993,5(11):1101-1113 [6] Shi J,Malik J.Normalized Cuts and Image Segmentation[J].IEEE Transactions on Pattern Analysis Machine Intelligence,2000,2(8):888-905 [7] Ding C H Q,He Xiaofeng,Zha Hongyuan.A Min-max Cult Algorithm for Graph Partitioning and Data Clustering[C]∥Processding of the 2001 IEEE International Conference on Data Mining.2001:107-114 [8] 刘雅坤,于双元,罗四维.基于最小最大割算法的阈值分割算法[J].计算机科学,2014,1(1):95-99 [9] Smith S M,Bradya J M.A new approach to low level image processing[J].International Journal of Computer Vision,1997,3(1):45-78 [10] 詹署,孙乔博,徐甲甲,等.融合SUSAN特征的医学图像Graph cuts 算法[J].电子测量与仪器学报,2013,7(6):509-514 [11] 陶文兵,金海.一种新的基于图谱理论的图像阈值分割方法[J].计算机学报,2007,0(1):110-119 |
No related articles found! |
|