Ta上传的资源 (0)

为实现自然条件下棉花叶片的精准分割，提出一种粒子群（Ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）优化算法和Ｋ－ｍｅａｎｓ聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积 滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差

超像素能够捕获图像冗余信息，降低后续处理任务复杂度，已受到了国内外研究者的日益关注。首先分析了超像素分割领域的发展现状，以基于图论的方法和基于梯度下降的方法为视角，对现有超像素分割方法进行归纳和论述。在此基础上，就目前常用的超像素分割算法进行了实验对比，分析各自的优势和不足。最后，对超像素分割技术的

由于SLIC0算法在分割时仅考虑图像的颜色、亮度、空间位置特征，没有考虑纹理特征，当分割具有繁杂纹理的自然图像时，其分割的超像素无法精准地符合区域或目标的边界或外轮廓，因此提出基于SLIC0融合纹理信息的超像素分割算法———SLIC0-t。首先利用光谱分析描述图像中区域的纹理特性，然后在分割中融合能

为实现自然条件下棉花叶片的精准分割，提出一种粒子群（Ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）优化算法和Ｋ－ｍｅａｎｓ聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积 滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差

：图像分割是基于内容的服装图像检索系统的重要研究内容之一，传统的模糊Ｃ均值聚类算法在用于图像分割时，存在对样本分布和输入参数有限制、收敛于局部最优解、对噪声敏感等缺点．本文加入高斯核函数优化空间样本数据计算，并利用局部空间信息提高图像分辨能力，有效改善了模糊聚类算法．通过实验发现，改进的算法提高了图

数学形态学以图像的形态特征为研究对象，用具有一定形态的结构元素描述图像中元素与元素、部分与部分之间的关系，以达到对图像分析和识别的目的。数学形态学用于基于区域的图像分割最典型的例子就是分水岭(Watershed)方法。分水岭算法(Watershed)基本思想是把图像看作是测地学上的拓扑地貌，图像中每

图像分割是图像识别和机器视觉领域中关键的预处理操作。分割理论算法众多，文中 具体介绍基于聚类的分割算法的思想和原理，并将包含的典型算法的优缺点进行介绍和分析。 经过比较后，归纳了在具体应用中如何对图像分割算法的抉择问题。近年来传统分割算法不断 被科研工作者优化和组合，相信会有更多的分割新算法井喷而出

针对自然场景图像，提出了一种快速的显著对象自动分割方法． 首先，将图像从RGB 颜色空间变换至HSV 颜色空间，利用色调和亮度等特征获得显著度图，得到待分割对象所在的区域; 然后利用改进的分水岭算法将原始图像预分割为若干子区域，将这些区域描述为超像素，使用混合高斯分布描述其特征，用于构建图切分方法的