小波变换在图像分割中的应用
串行边界分割技术指通过顺序搜索边缘点,采用串行方式来对感兴趣目标的边界进行检测。主要有以下三个关键步骤:
②然后在确定先前的搜索结果对下一边界点的检测和下一个结果的影响的前提之下,选择某种搜索策略,根据相应原则逐一检测新的边界点;
并行边界分割技术指通过对感兴趣区域的边界进行检测,用并行方式来对图像进行分割技术。其过程主要有以下两个步骤:
并行区域分割技术指通过对感兴趣区域的检测,用并行方式来进行图像分割的技术。在实际应用中,并行区域分割技术主要包括以下两大类:
最近几年,出现了许多借助信息论中熵的概念的图像分割方法。这些方法利用信息论当中求熵的极值的方式来进行图像分割。例如:1D最大熵法、2D最大熵法、最大后验熵法、最小熵相关法、最大香农熵法、条件熵法等等。
1.2 频域图像分割
频域图像分割法就是傅里叶变换的方法,也是一种最简单的图象分割的方法。
[1] LI Yue-e, LIU Qing-fang. The Application of Wavelet Transform to the Image Segmentation[J]. College of Physics and Electronics Engineering, Shanxi University, Taiyuan030006, China, 2009, 32(4): 566~571.
[2] 章毓晋著. 图像分割[M]. 北京: 科学出版社, 2001, 78-90.
[3] 李世雄编著. 小波理论及其应用[M]. 南开大学数学研究所计算教学年印, 1992.
[4] 彭玉华著. 小波变换与工程应用[M]. 科学出版社, 2000.
[5] 崔屹. 图象处理与分析-数学形态学方法及其应用[M]. 北京: 科学出版社, 2000.
对于图像分割的研究已经有几十年的历史,人们对此一直都高度重视。早在50年代中期即计算机视觉理论体系形成以前,人们就已经开始了对图像分割的研究。能够找到一种通用的、普适的图像分割方法是人们几十年来不断追求的梦想,人们为此付出了许多艰辛的努力,但也取得了不少研究成果,提出了很多图像分割算法。然而随着研究的不断深入,人们逐渐意识到,在将三维景物投影为二维图像的过程中,丢失了深度以及不可见部分的信息,不同的视角下的同一物体的图像会有很大的不同,还有会因为前后物体的遮挡而丢失信息等;另外,在场景中的很多比如物体表面几何、光源、物理特性以及成像设备与物体之间的空间特性等不同的因素,都被综合成为单一的图像中像元的灰度值;还有在成像过程中会或多或少地引入一些噪声和畸变。这些问题都直接或间接地导致了图像分割问题是一种信息不足的不确定性问题,所以不可能存在一种通用的对任何图像都适用的、统一的图像分割方法[7]。
在过去的四十多年里, 人们一直在高度重视图像分割的研究,至今为止,研究者提出了上千种不同类型的分割算法,如:小波分析法、水线法、匹配法、马尔可夫随机场模型法等,并且近年来每年都有上百篇相关研究成果的发表。但是,如今的方法大多是为了特定应用而设计的,具有很大的局限性和针对性,对图像分割的研究还是缺乏一个统一的理论体系。
近年来,随着计算机技术的不断发展和成熟,现在的图像分割已经得到了广泛的应用,几乎出现在所有有关图像处理的领域,例如在文档处理,工业自动化,生产过程控制,在线产品检验,遥感和生物医学图像分析,保安监视,以及军事,农业工程,体育等诸多领域。然而在缺乏足够先验信息的前提下进行图像分割是一项很困难的任务,如医学上人脑组织的细微变化、监控系统的随机性等,人们为了克服这一困难,建立了大量的图像模型来完成分割的任务,如利用概率分布函数刻画图像的纹理特征而建立起来的统计图像模型等。相应地也研究出了各种分割算法,如基于区域的分割、合并分割算法等。基于图像模型的分割在易于实现的同时,准确的图像模型还可以提高分割的质量,因此对图像模型的研究,不仅是各种应用的需要,而且也是分割取得突破性进展的关键问题[8]。在国内,每年《计算机辅助设计与图形学学报》、《中国图像图形学报》等报刊都会刊登很多有关图像分割的研究成果。近几年,北京大学周蜀林主持的国家自然科学基金项目-图像分割的变分方法和应用,说明了国家对图像分割研究的重视。但目前国内外对图像分割结果的评价和准则系统的研究仍然很缺乏。
[7] Donoho DL. Wavelet Shrinkage and W.V.D.A Ten-minute Tour. Progress in Wavelet[J]. Analysis and Application. 1993: 109-128.
[8] 陈武凡, 小波分析及其在图像处理中的应用[M]. 北京: 科学出版社, 2002.
1. 小波阈值程序:
x=imread(‘lena.jpg'); % 读取原图像
figure(1);
imshow(x);title(‘原始图像’);% 显示原图像
s=rgb2gray(x);
imhist(s);title('直方图');
[Row,COL]=size(x);
T=90; % 设置阈值
s=double(x);
for i=1: Row
for j=1: COL
if (x(i,j)>T)
x(i,j)=255;
else
x(i,j)=0;
end end end
figure(2);imshow(x); % 显示经小波阈值分割的图像
title('小波阈值分割图像');
2. 本文方法分割程序:
%这个是2D-DWT的函数,是haar小波
%c是图像像素矩阵 steps是变换的阶数
function dwtc = dwt_haar(c, steps)
% DWTC = CWT_HARR(C) - Discrete Wavelet Transform using Haar filter
% M D Plumbley Nov 2003
N = length(c)-1; % Max index for filter: N
% If no steps to do, or the sequence is a single sample, the DW is itself
if (0==N | steps == 0)
dwtc = c;
return
end
% Check that N+1 is divisible by 2
if (mod(N+1,2)~=0)
disp(['Not divisible 2: ' num2str(N+1)]);
return
end
% Set the Haar analysis filter
h0 = [1/2 1/2]; % Haar Low-pass filter
h1 = [-1/2 1/2]; % Haar High-pass filter
% Filter the signal
lowpass_c = conv(h0, c);
hipass_c = conv(h1, c);
% Subsample by factor of 2 and scale
c1 = sqrt(2)*lowpass_c(2:2:end);
d1 = sqrt(2)*hipass_c(2:2:end);
% Recursively call dwt_haar on the low-pass part, with 1 fewer steps
dwtc1 = dwt_haar(c1, steps-1);
% Construct the DWT from c1 and d1
dwtc = [dwtc1 d1];
% Done
return
im = imreadreal('lena.bmp'); %read image data
% Plot
figure
dwt2_step0=dwt2_haar(im, 0); %2D DWT step=0
imagesc(dwt2_step0);
colormap gray;
axis image;
figure
dwt2_step1=dwt2_haar(im, 1); %2D DWT step=1
imagesc(dwt2_step1);
colormap gray;
小波变换在图像分割中的应用相关推荐
- 如何量化医学图像分割中的置信度?
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转自:计算机视觉life 导读 利用变分推断进行分割置信度的预 ...
- 基于区域生长算法的图像分割python_图像分割中区域生长算法的程序设计与实现...
论文编号:DZXX399 论文字数:12586,页数:30 摘要 本课题主要研究图像分割中区域生长算法的程序设计与实现.开发工具选用VC++6.0.通过VC++6.0开发环境中的常用向导和MFC类库 ...
- 机器学习中val_小波变换(七):小波变换在机器学习中的应用(下)
本文继续讲解一篇关于小波变换在机器学习中的应用的博客:<A guide for using the Wavelet Transform in Machine Learning>,极力推荐! ...
- 图像分割中mask的保存
在图像分割中,最后的输出结果mask结果是一个N x W x H的tensor,其中N表示有多少个类别,W是图像的宽度,H是图像的高度,每一个W x H都是一个二值矩阵 第一步,转成numpy中的a ...
- 小波滤波器与其他滤波器的区别_小波变换(六):小波变换在机器学习中的应用(上)...
本文讲解一篇关于小波变换在机器学习中的应用的博客:<A guide for using the Wavelet Transform in Machine Learning>,极力推荐!!目 ...
- 图像分割中的深度学习:U-Net 体系结构
点击我爱计算机视觉标星,更快获取CVML新技术 本文转载自AI开发者(okweiwu). 原标题 | Deep Learning for Image Segmentation: U-Net Archi ...
- 分享丨对医学图像分割中的置信度进行量化
转自 AI公园 作者:Abhinav Sagar 编译:ronghuaiyang 导读 利用变分推断进行分割置信度的预测. 在过去的十年里,深度学习在一系列的应用中取得了巨大的成功.然而,为了验证和可 ...
- 图像分割中CNN的简史:从R-CNN到Mask R-CNN
图像分割中CNN的简史:从R-CNN到Mask R-CNN 比较好的说目标检测一直到mask rcnn博客: https://blog.csdn.net/horizonheart/article/de ...
- [概念]医学图像分割中常用的Loss function(损失函数) + 从loss处理图像分割中类别极度不均衡
目录 一.前言 二.损失函数 2.1 根据像素正确与否设计的loss function 2.1.1 Log Loss 2.1.2 WCE Loss 2.1.3 Focal Loss 2.2 根据评测 ...
- 【每周CV论文推荐】GAN在医学图像分割中的典型应用
欢迎来到<每周CV论文推荐>.在这个专栏里,还是本着有三AI一贯的原则,专注于让大家能够系统性完成学习,所以我们推荐的文章也必定是同一主题的. 生成对抗网络是一项非常基础的技术,医学图像则 ...
最新文章
- 2021年春季学期-信号与系统-第八次作业参考答案-第五小题
- 一步一步学习hadoop(七)
- NA-NP-IE系列实验13:使用子网地址
- iOS小技巧:用runtime 解决UIButton 重复点击问题
- WinAPI: GetSystemPowerStatus - 获取系统电源状态的信息
- verilog读写文件(整理)
- android实现文本输入,Android实现智能提示的文本输入框AutoCompleteTextView
- 写出高效优美的C语言代码(单片机)
- UIBlock 按钮图片设置
- 李嘉诚培养23岁孙女接班 每年安保费就要花10亿!
- 语音文字识别基本原理和经典综述
- android的Activity采用透明主题
- 【观察】帆软:扎根于BI,收获于未来
- python操作xslx/xsl出现‘\xa0‘和读取时间变成float类型的处理办法
- Towhee 每日模型周报
- Android Duplicate class com.xxx found in modules
- 第15课:生活中的命令模式——大闸蟹,走起
- python公里转英里_python公里转英里_从英里换算为公里
- 三天卖光千亩顶级玫瑰,聚划算如何将品质性价比做到极致?
- Flink教程(27)- Flink Metrics监控
热门文章
- w8服务器dns修改,怎么修改DNS Win8修改DNS服务器地址的具体步骤图解
- Java学习笔录3(变量和常量)
- Oracle怎么清除视图数据,oracle如何删除视图?
- Python Factory 工厂方法
- 网页Flash实现图片轮播特效
- Java面向对象的知识(二)
- GPT/GP2/GPT3
- 因果推断笔记—— 相关理论:Rubin Potential、Pearl、倾向性得分、与机器学习异同(二)
- CWE-134: Use of Externally-Controlled Format String(使用外部控制的格式字符串)
- 《辛雷学习方法》读书笔记——第三章 身体