一、低对比度图像中改进的二维熵阈值分割法（论文文献综述）
曲蕴慧[1]（2021）在《高速宽幅纸机纸病在线诊断关键算法研究》文中研究指明纸张抄造过程中出现的诸如脏点、孔洞、褶皱、划痕、尘埃以及裂缝等表面瑕疵统称为纸病。纸病的出现,会对纸张,尤其是对航天航空用纸、电解电容器纸以及壁纸原纸等附加值大的特种纸张的后续使用带来不良的影响,甚至是巨大的经济损失。因此,需要在纸张抄造的过程中及时发现这类纸张的表面瑕疵并进行标记处理,必要时甚至需要对纸病产生的原因进行溯源。纸病诊断技术是指通过工业相机在线采集纸张图像来判断纸张是否含有纸病,并对含有纸病的纸张图像进行纸病分类,对纸病大小、位置等信息进行在线识别。一般而言,纸病诊断过程可以分为纸张图像采集及预处理、纸病在线检测、纸病分类和识别三个主要阶段。随着纸机车速的提高和幅宽的加大,纸病出现的可能性也随之增大,同时采集到的纸张图像数据量会随之成倍增长,使得实时检测以及分类识别的难度也随之增大。而现有的纸病诊断系统存在纸病在线检测精度较低,可分类的纸病种类少,分类器可扩展性差等问题。为解决以上问题,本文对纸病诊断过程中的纸张图像预处理、纸病在线检测、纸病分类和识别三个阶段的关键算法开展基础理论及实验验证研究。论文的主要工作及贡献可总结为以下四个方面。（1）基于DCT同态滤波的纸张图像去噪算法。针对纸张图像采集过程中由于光源所产生的噪声无法通过常用的空间域以及频率域滤波器直接滤除的问题,结合纸病预处理过程对实时性的要求,提出基于分块DCT（Discrete Cosine Transform）的同态滤波算法。在保证滤波效果的前提下,使用分块DCT变换替代传统同态滤波的傅里叶变换,提高滤波速度以满足后续纸病检测实时性的需求。实验对比结果表明本文所提出的滤波算法可以有效地去除光照的干扰,增强纸病区域图像,并且时间复杂度远远低于传统的同态滤波算法。（2）基于二维阈值的纸病图像分割算法。纸病图像分割是纸病在线检测过程中的一个重要技术环节,它是依据纸张图像的灰度、纹理和边缘等特征,把含有疑似纸病的图像区域分离出来。针对当前纸病检测过程检测精度低,速度慢的问题,提出两种基于二维阈值的纸病图像分割方法。考虑到高速宽幅纸机,纸机速度快,幅宽较宽,在一帧纸张图像中可能会出现多个不同类型,不同灰度值的纸病的问题,提出基于快速二维阈值分割的多纸病检测算法。首先采用差影法解决多纸病问题;其次对二维Otsu算法进行改进,将二维阈值分割为两个一维阈值进行求解,同时根据差影后纸病图像灰度分布特点,缩小阈值搜索范围,进一步加快了最优阈值的选择。实验结果表明:本文方法在保证检测速度的前提下,分割精度较基于一维阈值分割的纸病检测算法有明显调高。对于某些对于纸张质量要求更高的特种纸生产线的纸病检测,提出一种基于改进人工蜂群（Artificial Bee Colony,ABC）优化的低对比度纸病检测。首先使用Gabor滤波滤除纸病纹理的干扰;然后对ABC算法进行改进,加快其优化速度;最后使用改进后的ABC优化算法求解二维分割阈值,来对纸病图像进行分割。实验证明此方法对低对比度纸病的检测正确率有了进一步的提高。（3）基于卷积神经网络的纸病分类算法。针对传统纸病分类首先需要进行特征提取,然后根据所提取的特征设计分类器,分类效果的好坏首先取决于特征的选取,并且可扩展性差的问题,将卷积神经网络（Convolutional Neural Networks,CNN）用于纸病图像分类过程中;针对纸病图像数据少所导致的在训练卷积神经网络分类器过程容易产生的过拟合问题,引入迁移学习的策略。首先使用公开的图像数据集ImageNet对VGG16卷积神经网络进行训练,固定其部分卷积层参数;然后使用自建的纸病图像数据集对其余卷积层参数进行微调;最后,为适合所需的纸病图像种类,改进VGG16全连接层完成纸病图像的分类。实验结果证明了此方法在训练过程中收敛速度快,无过拟合现象的出现,并且纸病分类的准确率较高。（4）基于可变形卷积神经网络的纸病识别算法。采用基于迁移的卷积神经网络纸病图像分类算法虽很好的解决了传统的纸病分类过程对图像特征提取的依赖以及分类器扩展性问题,但由于每种卷积神经网络对输入图像的大小是由严格要求的,故在实际进行分类时,首先需要对输入纸病图像进行相应处理,才能进行分类。同时分类器无法直接标识出纸病区域在采集到的纸张图像的位置。针对以上问题,提出一种基于可变形卷积的纸病识别算法,将两阶段图像检测算法Faster R-CNN引入纸病图像识别过程。针对纸病图像所占图像区域较小或形态不规则而导致的Faster R-CNN算法在纸病识别中定位不够精确,分类准确率低等问题,在传统卷积层之后加入两个可变形卷积;同时,使用可变形感兴趣区域（Region-of-Interest,RoI）池化替代普通的RoI池化,来更加精确的提取纸病区域特征。实验证明了该算法在分类正确率以及可扩展性方面较之前算法有了进一步的提高。综上所述,本文围绕纸病诊断过程的关键算法——纸张图像去噪算法、纸病图像分割算法、纸病分类及识别算法,开展理论研究及实验探究工作。同时,为了解决深度学习以及卷积神经网络在模型训练测试过程中所遇到的数据缺乏问题,采用实际采集与图像处理相结合的手段,建立了图像大小分别为224×224像素以及227×227像素的纸病图像数据集,供本文以及后续研究所使用。实验结果表明:本文所提算法可做到纸病检测过程速度快、精度高,纸病分类及识别过程准确率高,可扩展性好,能够有效解决纸病诊断过程遇到的关键问题。研究成果为开展造纸工业纸病诊断系统的自主研制、进一步提高纸张生产质量以及企业效益具有一定意义。
肖乐意[2]（2020）在《Otsu图像分割法的改进与应用研究》文中进行了进一步梳理随着物联网和人工智能技术的快速发展,机器视觉在各行各业中所发挥的作用日益明显,对图像处理技术提出了越来越高的要求。图像分割作为图像处理过程中的一个中间步骤,对图像处理和识别的结果具有重要影响。虽然当前的图像分割方法种类繁多,但阈值法是最经典的一类分割方法,其中大津展之所提出的最大类间方差法（Otsu法）是一种代表性的阈值分割法。Otsu法原理简单、易于实现,已被广泛应用于图像处理领域。但随着所处理的图像日益复杂,Otsu法在分割低信噪比图像时逐渐暴露出各种不足。对此,本文围绕Otsu法这一经典分割算法展开研究。运用集合映射原理对Otsu法的算法本质进行了深入分析,探索了直方图的组成、设计及其划分方式;对图像中噪声的检测与纠正机制进行了初步探讨,研究了算法的复杂度及快速分割方法;以手势图像和脑MR图像为对象,对本文方法的工程实用性进行了检验。本文的具体研究内容如下:1.直线截距直方图Otsu法虽具备较好的分割性能,但其算法效率和抗噪性仍有待改善。对此,在分析直线截距直方图Otsu法集合映射本质的基础上提出了一种基于集合映射与梯形域截距直方图的Otsu法。该方法首先建立映射规则将二维直方图中的像素点映射到不同的梯形域,充分压缩阈值空间而提高算法效率;然后,引入后处理思想对映射规则进行改进,使算法能较好地兼顾抗噪性和细节保持性。实验结果表明,该算法分割效率高,能较好地平衡图像分割过程中的抗噪性和细节保持性。2.传统三维Otsu法的算法复杂度较高,抗噪性有待提高。对此,通过采用一个垂直于主对角线的平面划分三维直方图,设计了一种平面截距直方图并给出了其对应的类间方差准则,从而提出了一种基于平面截距直方图和几何分析的Otsu法。为增强算法的抗噪性,该方法基于几何分析原理对传统三维Otsu法所忽略的区域2-7中的噪声进行了重新归类。测试实验表明,与传统三维Otsu法及其几种改进方法相比,该方法在算法效率和分割效果方面具有明显优势。3.传统截面投影Otsu法后处理过程中的阈值Q为预先设定的常量,对含噪程度不同的图像普适性较差。对此,提出了一种基于记忆分子动理论优化算法的多目标截面投影Otsu法。该方法将阈值Q作为变量,结合分割阈值T,基于最大类间方差和最大峰值信噪比准则建立了多目标图像分割模型,以兼顾图像分割的准确性和抗噪性;为免阈值增加而影响算法效率,将人工记忆原理引入分子动理论优化算法,设计了一种基于记忆分子动理论优化算法的多目标图像分割模型求解方法。实验表明:该方法分割准确、抗噪性强、鲁棒性好,对含不同噪声的图像更具普适性。4.基于改进Otsu法的手势分割方法在抗噪性和分割准确性方面存在不足。对此,我们提出了一种适于手势图像分割的噪声自适应角度阈值Otsu法。该方法设计了灰度级-邻域截尾灰度均值二维直方图,通过舍弃邻域极值以避免极端噪声的干扰;依据像素的实际情况计算其为噪声的概率,实现自适应滤波以增强算法的普适性;将阈值空间转换为0°～89°的角度空间,压缩阈值搜索范围以提高算法效率。鉴于手势与背景接近且边界模糊,首先采用全局Otsu法得到全局阈值t1,然后在[t1,89°]上运用局部Otsu法得到局部阈值t2并据t2分割手势图像。实验表明:该方法的改进措施是有效的,能准确分割含噪情况不同的手势图像。5.Otsu法是脑MR图像分割中的一种常用方法,但当前的Otsu法在分割图像时往往难以兼顾准确性和抗噪性。对此,通过对梯形域截距直方图Otsu法进行改进,提出了一种自适应梯形域截距直方图Otsu法。该方法在双边滤波的基础上通过采用Sigmoid函数识别噪声而自适应地计算邻域像素的权重,进而构建灰度级-自适应权重邻域灰度均值二维直方图以增强算法的抗噪性和细节保持性;采用双层阈值模型,首先基于梯形域截距直方图Otsu法求解宏观阈值T1,然后在T1所对应的梯形域中再次运用类间方差准则确定微观阈值T2,据T2分割图像以提高图像分割的准确性;基于邻域信息设计了一种自适应的参数l以识别和修正噪声,从而增强算法的普适性。测试实验表明,该改进方法是有效的,能较好地应用于脑MR图像分割中。Otsu法是一种经典的图像分割方法,当前仍被广泛研究和应用。本文以此为选题开展深入研究,分析了 Otsu法的原理、本质与不足,提出了 5种改进Otsu法,对手势图像和脑MR图像等工程实践图像都表现了良好的分割性能。可见,本文的相关工作不仅可丰富图像分割算法理论,同时也具备良好的工程应用前景。
杨雪莹[3]（2020）在《基于深度学习的白细胞分类识别方法研究》文中提出随着计算机技术的快速发展,利用人工智能和图像处理技术辅助医疗诊断日益受到关注。在医疗临床检验中,白细胞的检验对许多疾病的诊断有着重要的价值。目前医院所采用的检测方法主要是血细胞分析仪与人工镜检,即先用血细胞分析仪进行初步筛查并判断有无数量上的异常,若有,则进行人工镜检。由于人工镜检效率低,分类速度慢,因此外周血白细胞图像自动分类识别技术具有较高的实用价值。论文基于深度学习的方法设计了一种外周血白细胞图像自动分类识别的方案。首先,利用高倍显微镜观察外周血细胞涂片并利用相机拍摄含有大量白细胞的血细胞图像。采用中值滤波和双边滤波对图像进行预处理,并分析了 RGB和HLS两种色彩空间和常见的阈值分割方法,然后利用改进的最大类间方差法对L分量图像进行初步分割,利用形态学方法处理初分割后的图像,得到完整的单个白细胞图像。其次,对得到的白细胞图像数据集进行整理分析,剔除染色错误或染色失败的图像。针对白细胞图像数量类间不平衡的问题,采用平移的方法对原始数量较少的白细胞类进行过采样。然后按照一定比例将白细胞图像分为训练集和测试集,并利用旋转、对比度增强等数据增强方法对两类数据进行扩增,建立本课题的数据集。最后,根据现有的深度神经网络架构思路,搭建白细胞的分类模型。该模型共包含六层卷积层、三层池化层和三层全连接层,利用制备的训练集、验证集进行训练验证,并通过测试集去评估网络模型的性能。然后,将实验结果可视化。测试结果表明,白细胞图像平均识别率为92.87%,满足既定目标。利用卷积神经网络的方法对白细胞进行分类识别,不仅避免了精准分割白细胞细胞核和细胞质的复杂性以及人工选择特征的个体化差异对最后分类结果造成的不良影响,而且取得了令人满意的准确率,实现了真正的端到端分类识别。
武治[4]（2020）在《污水微生物图像分割方法研究》文中指出最新研究表明,城市生活污水处理系统中,活性污泥微生物的种群结构及其分布特征,对及时调整工艺参数,保证污水处理系统节能高效运行具有重要的指示性作用和研究价值,而微生物目标的分割提取是其中的关键环节之一。本文从城市生活污水处理系统中采集到的显微微生物图像出发,通过大量调研文献与资料,对适用于不同种类污水微生物图像的目标分割算法进行深入研究并作出改进。主要工作与特色如下:为有效提高目标分割准确性与算法运行效率,同时针对微生物显微图像中存在的噪声干扰大、边缘贴合度低等问题,设计了一种基于SLIC（Simple Linear Iterative Clustering,SLIC）的微生物图像超像素预处理算法。首先采用双边非线性滤波对图像进行去噪处理,在保留图像细节的前提下增强微生物边缘轮廓;然后利用颜色特征调整孤立像素点的合并准则,并将梯度信息引入超像素聚类中心之间的距离度量公式;最后对比多种超像素预处理算法,实验结果表明,改进SLIC算法经滤波处理后,在保证超像素块形状规则的前提下边界召回率相比较于原始SLIC算法平均提高5.53%而欠分割错误率降低2.25%,具有较好的预处理效果。针对部分单目标微生物图像存在边缘轮廓不清,前景与背景对比度较低问题。设计了一种基于超像素显着性区域检测的自动Grabcut目标分割算法。首先对经过预处理的超像素微生物图像进行显着性区域检测获得初始显着图;然后使用动态阈值将显着图二值化,经形态学闭运算处理后得到初始轮廓,并遍历图像获取初始轮廓图中点的坐标位置,作为矩形框的长和宽来完成Grabcut算法的自动初始化;最后控制Grab Cut算法的迭代过程完成自动分割。通过实验对比,改进算法的整体错误率相比较于原始Grabcut算法降低了12%,同时算法的运行时间平均降低1.89s。针对部分多目标微生物图像虽边缘轮廓清晰,前景与背景对比度也较高,但存在单个目标内部或目标与目标之间灰度分布不均,难以准确分割情况。设计了一种基于改进萤火虫算法的多阈值分割方法。首先,通过统计图像灰度直方图峰值,自动获取最佳多阈值数目m;其次,针对原始萤火虫智能优化算法容易过早陷入局部最优解且萤火虫个体之间缺乏协同,导致算法效率低下问题,提出基于萤火虫初始化过程优化以及变量参数（步长量化因子和相对吸引力参数t）调整的改进萤火虫算法,从而实现快速、准确寻找到多个最佳阈值;最后,引用二维熵阈值分割原理,将二维熵单阈值扩展到多阈值,并设计基于对数熵的多阈值目标代价函数。对比实验表明使用改进萤火虫算法能够准确获取分割所需的多个阈值,完整的提取灰度分布不均条件下多个微生物目标。针对部分多目标微生物图像同样存在边缘轮廓模糊不清,以及前景与背景对比度较低现象,设计了另外一种基于改进模糊聚类的彩色多目标微生物图像分割算法。首先,针对FCM（Fuzzy C-means Clustering,FCM）算法缺少空间信息和时间复杂度较高问题,采用基于超像素的颜色直方图统计方法来获取微生物图像的颜色等级,减少聚类区域数量;然后将颜色直方图统计信息对原始FCM算法目标函数进行改进。实验结果显示,改进算法能够提供准确的聚类分割结果,同时算法的时间复杂度显着降低。有效解决边缘模糊、低对比度条件下多目标彩色微生物图像分割问题。
杨旭鹏[5]（2020）在《基于聚类分析的医学图像分割研究》文中提出医学图像分割是图像分割技术基于医学影像处理领域的重要应用,它是将医学图像中感兴趣区域信息提取出来的一种方法,是医学图像处理从图像采集到图像识别过程中至关重要的一步。医学图像分割方法从起初提出到现在一直被研究者给予高度的重视,基于大量图像信息和数学理论的分割方法已经被提出。在各类分割方法中,基于聚类分析的图像分割算法是将聚类理论恰当的应用于图像分割领域。对于图像分割问题,聚类方法的实质是依据像素间特征的相似度对像素点进行划分从而达到图像分割的目的。但是对于目前的聚类算法本身来说,其存在着许多的问题,严重影响了图像分割的计算效率和分割效果。近年来,随着机器学习算法的发展,基于聚类分析理论的医学图像分割研究已成为医学图像领域研究的热点。本文主要研究了医学图像分割技术中两种常用的聚类分析方法,首先研究了GMM（Gaussian mixture model）在医学图像分割技术中的应用,并对高斯混合模型中常用初始化方法和参数寻优算法进行了改进研究。其次基于传统的FCM模型提出了基于空间信息的遗传模糊聚类分割方法。最后基于MATLAB2018a平台将本文新建模型结合医学图像进行分割实验,从实验结果看,本文改进模型分割效果优于文中其他方法。本文主要研究工作如下:（1）通过理论分析、编程实现和实验比较,研究了如阈值法、区域法、边缘法、神经网络分割算法、图论算法、聚类分析的医学图像分割性能,并根据主客观评价综合分析,最终选择综合分析性能最优的聚类分析法作为进一步改进的分割算法。（2）由于高斯混合模型在进行图像分割时参.数求解困难和易于陷入局.部最优解,在分割过程中导致参数寻优的过程较为缓慢。为了高斯混合分割模型快速收敛,本文首先利用K-均聚类完成初始划分,并根据分类后像素值给出EM算法迭代的初始值,加快算法迭代到最优解,进而大大降低算法迭代次数,有效解决EM算法求解参数时随机选取初值点易导致GMM陷入局部最优解的问题,进而使分割区域完整,同时,在分割之前,利用各向异性滤波对图像预处理,实现去噪平滑的同时增强图像的细节。最终提出基于改进的高斯混合模型牙齿图像分割算法。（3）传统的模糊C-均值聚类算法在图像分割过程中忽略了图像的空间信息对图像分割性能的影响,导致图像分割精度不佳,容易受噪声的影响,提出了一种基于空间信息的遗传模糊聚类分割方法。该方法利用改进的遗传算法初始化聚类中心,提高了算法的分割效率,并结合空间信息改进FCM的隶属度函数,改善传统模糊聚类分割模型的抗噪声性能,同时,对比了相关改进算法对加噪数据聚类、加噪的人工合成图像、医学图像的分割实验效果,验证了本文方法在不同实验下可获得更好的分割效果。
时佳悦,张蕊萍,董海鹰,苟军年[6]（2017）在《基于灰度变化率的低对比度CT图像分割研究》文中提出整幅工业CT图像具有部分区域对比度低,灰度范围狭窄,灰度变化不明显等特点,针对传统的缺陷分割方法无法对低对比度区域的缺陷进行精确分割的问题,提出一种基于灰度变化率的缺陷分割方法.通过提取图像中某点的灰度值并计算该点与其周围邻域内点的平均灰度值的变化率、差值以及方差,选取符合图像分割条件范围内的点作为边界点,从而提取工业CT图像中低对比度区域缺陷的边界并进行分割.仿真实验表明,本文方法分割CT图像的缺陷准确率可达到95%,能够快速确定缺陷区域,并准确、有效地分割提取缺陷.
时佳悦[7]（2017）在《基于工业CT图像的工件缺陷智能检测技术研究》文中研究说明工件内部缺陷的存在危害工件的可靠性和机器的使用安全,工业CT技术可以实现在不损坏工件结构的条件下准确、有效地检测和识别工件内部缺陷,方便人们在工件投入使用前对工件的可靠性作出精确的评估。近几年,工业CT技术的迅猛发展,工业CT系统的性能也得到了不断的提升,工业CT技术涉及到的领域越来越广泛,通过工业CT实现工件内部缺陷的自动检测和识别是现在研究的热点和方向。本文结合图像预处理,图像分割,特征提取和分类识别等领域的新进展,研究了基于工业CT图像的工件缺陷智能检测技术研究。主要研究工作如下:（1）本文分析了工业CT切片图像中噪声的来源与性质,针对工业CT切片图像对比度很低的特点,提出了自适应中值滤波和自适应加权均值滤波相结合的方法,对图像中存在的不同噪声分别采用不同的去噪算法,在保证图像细节信息的前提下,有效地去除图像中的噪声,而且有较好的滤波效果。（2）针对工业CT切片图像对比度低、灰度范围狭窄、灰度变化不明显以及缺陷边缘较模糊等特点,提出了基于灰度变化率的低对比度图像缺陷分割算法,用图像的扫描窗口的平均灰度值与窗口中心点灰度值得到灰度变化率、灰度变化差值以及灰度方差来反映存在边界的可能性,算法可有效提高缺陷分割精度和准确度。（3）特征提取时一个良好的特征应具备可区分性、可靠性、独立性和数量少的特点,根据工件内部气孔、裂缝和夹渣缺陷的特征差异,选择提取缺陷的形状特征和灰度特征,利用Hu不变矩的方法并抽象后提取具有平移、缩放和旋转不变性的10个特征。对上述三种缺陷一共提取14个特征值作为分类识别的输入量。（4）工业CT切片图像的缺陷智能识别技术中,首先构建径向基函数神经网络,用萤火虫群优化算法优化神经网络的权值和阈值,用已知样本训练优化后的RBF神经网络,完成RBF神经网络对工件内部缺陷的智能分类识别,缺陷的识别准确率较高。
杨丽娇[8]（2016）在《海空背景下的红外小目标检测算法研究》文中研究表明复杂海天背景下的小目标检测技术,是研究远距离目标识别与跟踪的一项重要内容。本文针对海空背景下红外图像的特性和小目标的不同特征,深入的研究了小目标检测的方法,研究工作如下:（1）对实际红外图像小目标的特性进行分析。根据红外成像探测器的工作环境不同,对背景图像进行分类,并对多种不同背景（天空背景、海面背景和海天背景）的真实红外图像灰度强度进行分析比较。为针对不同背景采用不同的抑制方法,提高图像背景抑制能力,提供了理论依据。（2）利用海空背景中海面背景和天空背景的灰度差异较大,把海天线作为海空背景的分割线,提出了基于Hough变换的海天线检测算法,分割出天空和海面。再利用图像的纹理特征,分别截取两种不同类型的海面波浪纹理图像（起伏海面背景和均匀海面背景）生成时栈图像,再结合Radon变换检测出海面波浪方向,实现波向的有效检测。（3）背景抑制环节,首先根据红外图像相邻行之间的灰度有较强的相关性,提出了采用行均值相减的方法来抑制温度场的非线性影响,对红外图像的模糊进行了校正,使得点目标增强。再利用数学形态学滤波,抑制背景并保留图像的高亮区。最后根据海浪前进的方向,判断出海面中残留的大面积高亮区为海浪,利用骨架提取技术消除与弱小目标大小相当或者大很多的海浪边缘。实验结果证明,该算法大幅减少不必要的噪声和海浪干扰。（4）红外小目标检测环节,首先对分割方法进行理论分析和性能比较,然后根据低对比度红外图像自身灰度分布比较集中的特点,最后采用二维最大熵方法来分割出小目标。结果表明,该算法可以有效的减少运算量,满足了实时性的要求,大大减少了运算时间,易于工程实现,基本解决了对复杂背景下的目标和背景信息进行分离的难题。本论文对红外图像小目标检测的相关技术进行了深入的研究分析,并利用实拍的红外图像对提出的算法进行了实验验证,结果表明本文提出的算法能够有效提高检测效果。
董悫[9]（2015）在《基于侧抑制网络的图像阈值分割算法研究》文中研究表明图像分割是图像处理、图像分析和计算机视觉中的基本技术,其被广泛应用于军事作战、工业检测、临床医学、城市交通等重要领域,具有很高的研究意义和实用价值。在众多图像分割算法中,阈值法因为原理简单、处理直观且计算速度快而应用十分普遍。二维OTSU法是典型的阈值分割算法,但其在处理一些具有对比度较低、光照不均匀、细微间断以及噪声较大等特征的复杂背景图像时,常常会产生分割错误。考虑到侧抑制网络具有突出边框、增强反差、间断拟合以及抑制噪声等功能,本文提出了一种基于侧抑制网络的二维OTSU法,以提高二维OTSU法的对比度、光照强度适应性、间断拟合能力以及对图像噪声的鲁棒性。二维交叉熵法在应用于目标方差和背景方差相差较大的图像时,能够取得比二维OTSU法更好的分割结果。为此,本文提出了一种基于侧抑制网络的二维交叉熵法,以应对目标方差和背景方差差别较大的复杂背景图像。本文所做的工作主要包括以下两个方面:（1）为了提高二维OTSU法对于复杂背景图像的适用性,本文提出了一种基于侧抑制网络的二维OTSU阈值分割算法。该算法从基于人类视觉系统的侧抑制网络出发,利用侧抑制网络处理原始图像,得到侧抑制图像,构建基于像素的灰度信息和侧抑制信息的二维直方图,并在此二维直方图上利用类间方差最大准则来求取分割阈值。实验结果表明,与一维OTSU法和二维OTSU法等相比,该算法不仅具有较好的对比度、光照强度适应性和间断拟合能力,还可以提高对图像噪声的鲁棒性。（2）针对目标方差和背景方差差别较大的复杂背景图像,本文提出了一种基于侧抑制网络的二维交叉熵阈值分割算法。该算法在构建灰度-侧抑制二维直方图的基础上,通过最大化二维交叉熵准则函数来计算分割阈值。实验结果表明,与二维OTSU法和二维交叉熵法等相比,该算法能够更好的适用于复杂背景图像中目标方差和背景方差相差较大的情形。
李淼[10]（2014）在《基于二维直方图的图像阈值分割法研究》文中研究指明图像分割技术是图像处理领域中非常基础和重要的内容，也是计算机与机器视觉研究领域基本与关键的步骤，它的核心内容在于根据一定准则把图像划分成若干相同性质的类别并抽取感兴趣的部份，分割结果的准确度将影响到后续工作诸如图像分析、图像理解的进行，可见，图像分割有着广泛和重要的应用价值。阈值分割方法在众多的图像分割方法中是应用和研究得最多的一种，其通过结合图像已有直方图信息，以一定的阈值准则来获得用于分割的最佳阈值，它具有算法原理简单，运算速度快且分割效果好的特点。本文从图像阈值分割角度出发，在回顾和总结现有一定数量科研成果的基础上，对阈值分割法进行了一些相应研究，主要包括以下几个方面的内容：文章首先介绍了课题的研究背景和意义，并对阈值分割这个领域的国内外研究现状进行了概括性介绍，然后再介绍了图像分割的一些基本理论知识，包括图像分割的定义、典型的分类方法，几种经典的阈值分割算法、图像分割的质量评价，还有一维与多维直方图的概念。最小类内平均中值离差法（MAD法）是经典的Otsu阈值法一种很好的推广算法，它能有效克服灰度图像在直方图呈重尾分布或偏斜分布时Otsu法出现阈值偏移的问题，然而对于一些低信噪比、低对比度、边缘模糊或是目标与背景相差很大的红外图像，因灰度直方图呈现不出一定的规律，利用MAD法获得的分割结果往往也效果不佳，针对此问题这里提出一种二维最小类内平均中值离差法（二维MAD法），该算法基于上述红外图像二维直方图能呈现出重尾分布或双峰相差很大的特点，利用MAD阈值准则推广所得的二维MAD阈值准则求取最佳阈值向量来分割图像，为加快运算速度还给出了二维MAD法的分解降维算法。最大散度差法（又称MSD法）是经典的Otsu法一种很好改进算法，然而同其他阈值算法一样，当图像受到外界噪声影响或在不均匀光照的情况下，一维MSD法很难取得好的分割效果，为此本文提出一种二维斜分MSD阈值算法，该方法为相应一维算法的推广，为加快计算速度文中给出了其快速算法，同时还分析和总结了改变阈值准则中的参数C对二维直方图区域划分的变化规律。针对二维阈值分割算法关于阈值分割输出函数方面的研究较少的现状，给出一种新阈值分割输出函数以及对应的直方图区域叉分法，该方法利用两条经过阈值向量点的直线来划分二维直方图区域，这两条直线与灰度级轴的所成夹角分别为α和β，就不同阈值分割输出函数对应的区域划分对图像分割结果的目标和背景内部的一致性、边缘轮廓准确性及抵抗噪声能力存在的差别，将提出的叉分法和现有几种常见的区域划分法，包括直分法、斜分法和θ-划分法进行了详细比较，在实验结果部分还就叉分法相关参数α、β的变化对分割结果的目标和背景内部均匀性、边缘形状准确性及抗噪声能力的影响作了规律总结。最后，总结并展望了二维阈值图像分割。
二、低对比度图像中改进的二维熵阈值分割法（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、低对比度图像中改进的二维熵阈值分割法（论文提纲范文）
（1）高速宽幅纸机纸病在线诊断关键算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状及目前所存在的问题 |
| 1.2.1 国外研究开发现状 |
| 1.2.2 国内研究开发现状 |
| 1.2.3 尚待解决的关键问题 |
| 1.3 论文主要研究工作及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文章节安排 |
| 2 实验平台搭建及纸病图像数据集的建立 |
| 2.1 实验平台的搭建 |
| 2.1.1 纸机架卷曲结构的安装 |
| 2.1.2 相机的选择 |
| 2.1.3 光源的配置 |
| 2.1.4 软件平台 |
| 2.2 纸病图像数据集的建立 |
| 2.2.1 纸病图像的采集及预处理 |
| 2.2.2 纸病图像集的扩充 |
| 2.3 本章小结 |
| 3 基于分块DCT同态滤波的纸张图像去噪算法 |
| 3.1 图像噪声及去噪 |
| 3.1.1 噪声的产生及分类 |
| 3.1.2 图像去噪 |
| 3.1.3 纸病图像噪声 |
| 3.2 图像形成的模型及同态滤波 |
| 3.2.1 图像的照射/反射模型 |
| 3.2.2 同态滤波 |
| 3.3 基于分块DCT同态滤波的纸张图像去噪算法 |
| 3.3.1 分块DCT变换 |
| 3.3.2 基于分块DCT同态滤波的纸张图像去噪算法 |
| 3.4 实验结果与分析 |
| 3.4.1 实验环境 |
| 3.4.2 本章算法效果 |
| 3.4.3 不同滤波算法效果对比 |
| 3.5 本章小结 |
| 4 基于二维阈值分割的纸病图像检测算法 |
| 4.1 图像分割算法 |
| 4.1.1 图像分割的概念 |
| 4.1.2 常用的图像分割方法 |
| 4.1.3 基于阈值的图像分割方法 |
| 4.2 快速二维阈值分割的多纸病图像检测算法 |
| 4.2.1 多纸病图像处理 |
| 4.2.2 快速二维阈值算法 |
| 4.2.3 基于差影法以及快速二维阈值法的多纸病图像检测 |
| 4.2.4 实验结果与分析 |
| 4.3 基于人工蜂群优化的低对比度纸病图像检测算法研究 |
| 4.3.1 低对比度纸病图像滤波 |
| 4.3.2 改进人工蜂群优化算法 |
| 4.3.3 基于改进人工蜂群优化的低对比度纸病检测 |
| 4.3.4 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于卷积神经网络的纸病分类算法 |
| 5.1 传统纸病分类方法 |
| 5.1.1 纸病图像特征 |
| 5.1.2 纸病分类算法 |
| 5.1.3 传统纸病分类方法所存在的问题 |
| 5.2 卷积神经网络 |
| 5.2.1 深度学习及其特点 |
| 5.2.2 卷积神经网络 |
| 5.2.3 卷积神经网络基本结构 |
| 5.2.4 经典的网络模型 |
| 5.3 基于卷积神经网络及迁移学习的纸病分类算法 |
| 5.3.1 迁移学习 |
| 5.3.2 基础网络的选择 |
| 5.3.3 改进VGG16纸病图像分类器 |
| 5.4 实验结果与分析 |
| 5.4.1 实验环境及参数设置 |
| 5.4.2 实验结果与分析 |
| 5.5 本章小结 |
| 6 基于可变形卷积神经网络的纸病识别算法 |
| 6.1 目标检测网络Faster R-CNN |
| 6.1.1 图像目标检测 |
| 6.1.2 Faster R-CNN |
| 6.2 可变形卷积神经网络 |
| 6.2.1 可变形卷积 |
| 6.2.2 可变形卷积的实现 |
| 6.2.3 可变形卷积的优点 |
| 6.3 基于可变形卷积神经网络的纸病识别算法 |
| 6.3.1 基于可变形卷积神经网络的网络结构设计 |
| 6.3.2 损失函数 |
| 6.3.3 网络正则化 |
| 6.4 实验结果与分析 |
| 6.4.1 实验环境及参数设置 |
| 6.4.2 实验结果与分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 研究的创新点 |
| 7.3 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的成果 |
（2）Otsu图像分割法的改进与应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 图像分割研究现状 |
| 1.2.2 阈值分割法研究现状 |
| 1.3 Otsu法存在的问题 |
| 1.4 主要内容与结构安排 |
| 1.4.1 主要内容 |
| 1.4.2 结构安排 |
| 第2章 梯形域截距直方图Otsu法 |
| 2.1 引言 |
| 2.2 相关知识 |
| 2.2.1 基于二维直方图的Otsu法 |
| 2.2.2 直线截距直方图Otsu法 |
| 2.3 集合映射原理 |
| 2.3.1 映射概念 |
| 2.3.2 逆映射与复合映射 |
| 2.4 梯形域截距直方图Otsu法 |
| 2.4.1 直线截距Otsu法原理分析 |
| 2.4.2 方法改进 |
| 2.4.3 算法流程与步骤 |
| 2.5 实验测试与结果分析 |
| 2.5.1 梯形边长r取值分析 |
| 2.5.2 图像细节保持能力分析 |
| 2.5.3 分割性能测试 |
| 2.6 本章小结 |
| 第3章 平面截距直方图Otsu法 |
| 3.1 引言 |
| 3.2 三维Otsu法 |
| 3.2.1 传统三维Otsu法 |
| 3.2.2 加权三维Otsu法 |
| 3.2.3 基于分解的三维Otsu法 |
| 3.3 平面截距直方图Otsu法 |
| 3.3.1 平面截距直方图Otsu准则 |
| 3.3.2 基于几何分析的图像分割方式 |
| 3.3.3 平面截距直方图Otsu法分割过程 |
| 3.4 实验分析 |
| 3.4.1 评价参数 |
| 3.4.2 比较分析 |
| 3.4.3 鲁棒性分析 |
| 3.4.4 算法复杂性分析 |
| 3.5 本章小结 |
| 第4章 多目标截面投影Otsu法 |
| 4.1 引言 |
| 4.2 截面投影Otsu法 |
| 4.3 分子动理论优化算法 |
| 4.3.1 算法假设 |
| 4.3.2 算法模型 |
| 4.4 基于MKMTOA的多目标截面投影Otsu图像分割 |
| 4.4.1 多目标优化问题 |
| 4.4.2 多目标截面投影Otsu模型 |
| 4.4.3 MKMTOA算法模型 |
| 4.4.4 MKMTOA与多目标截面投影Otsu法的结合与实现 |
| 4.5 实验测试与分析 |
| 4.5.1 MKMTOA性能测试 |
| 4.5.2 分割模型有效性验证 |
| 4.5.3 算法鲁棒性分析 |
| 4.6 结论 |
| 第5章 基于噪声自适应角度阈值Otsu法的手势图像分割 |
| 5.1 引言 |
| 5.2 手势分割方法 |
| 5.2.1 手势分割的背景与意义 |
| 5.2.2 主流手势分割方法 |
| 5.3 改进Otsu法及其本质分析 |
| 5.3.1 算法原理 |
| 5.3.2 算法的集合映射本质分析 |
| 5.4 噪声自适应角度阈值Otsu法 |
| 5.4.1 灰度级-邻域截尾灰度均值二维直方图 |
| 5.4.2 噪声自适应滤波 |
| 5.4.3 基于角度阈值的降维操作 |
| 5.5 手势分割实验与讨论 |
| 5.5.1 噪声自适应角度阈值Otsu法手势分割过程 |
| 5.5.2 算法改进有效性测试 |
| 5.5.3 与肤色分割法的比较 |
| 5.6 本章小结 |
| 第6章 基于自适应梯形域截距直方图Otsu法的脑MR图像分割 |
| 6.1 引言 |
| 6.2 相关知识 |
| 6.2.1 滤波算法 |
| 6.2.2 Sigmoid函数 |
| 6.2.3 梯形域截距直方图Otsu法的不足 |
| 6.3 自适应梯形域截距直方图Otsu法 |
| 6.3.1 灰度级-自适应权重邻域灰度均值二维直方图 |
| 6.3.2 双层阈值与边长r的计算 |
| 6.3.3 基于邻域信息的自适应参数l |
| 6.3.4 自适应梯形域截距直方图Otsu法的具体步骤 |
| 6.4 测试实验与结果分析 |
| 6.4.1 实验设置与图像数据集 |
| 6.4.2 改进方法有效性测试 |
| 6.4.3 分割性能比较 |
| 6.5 结论 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读博士学位期间的科研成果 |
| 附录B 攻读博士学位期间参与的科研项目 |
（3）基于深度学习的白细胞分类识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景和研究意义 |
| 1.2 国内外研究现状和发展趋势 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究目标和思路 |
| 1.4 论文结构安排 |
| 2 机器学习与深度学习方法理论 |
| 2.1 机器学习 |
| 2.2 深度学习 |
| 2.3 人工神经网络 |
| 2.4 卷积神经网络 |
| 2.5 本章小结 |
| 3 白细胞图像分割方法研究 |
| 3.1 外周血细胞图像预处理 |
| 3.1.1 图像滤波 |
| 3.1.2 色彩空间转换 |
| 3.2 基于细胞核的白细胞定位与分割 |
| 3.2.1 细胞核定位 |
| 3.2.2 白细胞图像分割方法 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 4 基于深度学习的白细胞分类识别方法 |
| 4.1 外周血细胞形态及图像分析 |
| 4.2 数据扩增和数据集的建立 |
| 4.3 深度学习框架及开发环境介绍 |
| 4.4 白细胞分类识别方法总体流程 |
| 4.5 白细胞分类模型的网络架构与训练方法 |
| 4.5.1 LCNet网络架构 |
| 4.5.2 打乱输入训练集顺序 |
| 4.5.3 学习率设置 |
| 4.5.4 Batch Normalization算法 |
| 4.5.5 dropout策略 |
| 4.6 实验结果与分析 |
| 4.6.1 实验评价指标 |
| 4.6.2 实验结果分析 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（4）污水微生物图像分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 图像分割国内外研究现状分析 |
| 1.3 污水微生物图像分割的关键问题分析 |
| 1.4 论文研究内容与结构安排 |
| 第二章 微生物图像预处理 |
| 2.1 引言 |
| 2.2 超像素算法分类 |
| 2.2.1 基于图的算法 |
| 2.2.2 基于聚类的算法 |
| 2.3 基于改进SLIC算法的微生物图像预处理 |
| 2.3.1 图像滤波 |
| 2.3.2 颜色空间转换 |
| 2.3.3 简单线性迭代聚类算法原理 |
| 2.3.4 改进的SLIC算法 |
| 2.4 超像素算法性能比较与分析 |
| 2.4.1 量化指标 |
| 2.4.2 微生物图像超像素预处理结果对比 |
| 2.5 本章小结 |
| 第三章 基于改进Grabcut算法的单目标微生物图像分割 |
| 3.1 引言 |
| 3.2 图割的基本理论 |
| 3.2.1 最大流-最小割定理 |
| 3.2.2 Grabcut分割算法原理 |
| 3.3 显着性区域检测理论 |
| 3.3.1 显着性模型 |
| 3.3.2 基于超像素的显着性检测算法原理 |
| 3.4 结合显着性区域检测的自动Grabcut分割算法 |
| 3.5 实验结果对比分析 |
| 3.5.1 量化指标 |
| 3.5.2 微生物图像分割结果对比与分析 |
| 3.6 本章小结 |
| 第四章 基于改进萤火虫算法的多阈值微生物图像分割 |
| 4.1 引言 |
| 4.2 自动获取多阈值数目 |
| 4.3 萤火虫算法的基本原理 |
| 4.3.1 萤火虫算法的仿生原理 |
| 4.3.2 萤火虫算法的数学表述 |
| 4.4 改进的萤火虫算法 |
| 4.4.1 对称矩阵变换 |
| 4.4.2 变量参数的调整 |
| 4.5 基于改进萤火虫算法的多阈值分割 |
| 4.6 实验与结果分析 |
| 4.6.1 量化指标 |
| 4.6.2 基于改进萤火虫算法的多阈值分割实验结果分析 |
| 4.7 本章小结 |
| 第五章 基于改进模糊聚类的多目标彩色微生物图像分割 |
| 5.1 引言 |
| 5.2 聚类分析 |
| 5.2.1 模糊聚类算法 |
| 5.2.2 模糊C均值聚类算法原理 |
| 5.3 结合超像素颜色直方图统计的改进FCM算法 |
| 5.3.1 颜色空间转换 |
| 5.3.2 颜色直方图统计 |
| 5.3.3 改进FCM算法 |
| 5.4 实验结果分析 |
| 5.4.1 微生物图像分割效果 |
| 5.4.2 分割质量评价与运行时间对比 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录一 插图列表 |
| 附录二 插表列表 |
| 在学研究成果 |
| 致谢 |
（5）基于聚类分析的医学图像分割研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 医学图像分割研究现状 |
| 1.2.2 聚类分析算法研究现状 |
| 1.3 本文研究内容与论文组织 |
| 1.3.1 主要研究工作 |
| 1.3.2 论文组织结构 |
| 第二章 医学图像分割理论基础 |
| 2.1 引言 |
| 2.2 图像分割的概念 |
| 2.3 图像分割的方法 |
| 2.3.1 基于阈值的分割方法 |
| 2.3.2 基于区域的分割方法 |
| 2.3.3 基于边缘的分割方法 |
| 2.3.4 基于聚类的分割方法 |
| 2.3.5 基于图论的分割方法 |
| 2.3.6 基于神经网络的分割方法 |
| 2.4 图像分割质量评价 |
| 2.4.1 主观评价 |
| 2.4.2 客观评价 |
| 2.5 本章小结 |
| 第三章 基于改进的高斯混合模型牙齿图像分割研究 |
| 3.1 引言 |
| 3.2 高斯混合模型基本理论 |
| 3.3 基于K均值聚类的GMM分割算法 |
| 3.3.1 图像预处理 |
| 3.3.2 算法改进 |
| 3.3.3 算法流程 |
| 3.4 实验结果及分析 |
| 3.4.1 算法性能比较与分析 |
| 3.5 本章小结 |
| 第四章 基于空间信息的遗传模糊聚类图像分割算法 |
| 4.1 引言 |
| 4.2 模糊C均值聚类算法 |
| 4.3 基于空间信息的遗传模糊聚类图像分割算法 |
| 4.3.1 基于自适应遗传算法的聚类中心选取 |
| 4.3.2 基于空间信息的隶属度函数 |
| 4.3.3 本章算法具体步骤 |
| 4.4 实验结果与分析 |
| 4.4.1 数据聚类实验 |
| 4.4.2 人工合成图像分割实验 |
| 4.4.3 医学图像分割实验 |
| 4.4.4 算法性能比较与分析 |
| 4.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表的学术论文和获奖情况 |
（6）基于灰度变化率的低对比度CT图像分割研究（论文提纲范文）
| 1 基于灰度变化率的缺陷分割算法 |
| 1.1 灰度变化率 |
| 1.2 基于灰度变化率的缺陷分割算法步骤 |
| 1.3 基于灰度变化率的缺陷分割算法参数设置 |
| 2 实验与分析 |
| 3 结论 |
（7）基于工业CT图像的工件缺陷智能检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容及结构 |
| 2 工业CT切片图像预处理 |
| 2.1 数字图像理论 |
| 2.1.1 图像的采集与数字化 |
| 2.1.2 数字图像的表示方法 |
| 2.1.3 数字图像的基本文件格式 |
| 2.2 数字图像处理方法 |
| 2.2.1 空域法 |
| 2.2.2 变换域法 |
| 2.3 工业CT切片图像预处理 |
| 2.3.1 工业CT图像噪声种类 |
| 2.3.2 工业CT图像噪声分析 |
| 2.3.3 自适应中值滤波 |
| 2.3.4 自适应加权均值滤波 |
| 2.4 工业CT切片图像预处理结果及评价 |
| 2.4.1 工业CT切片图像预处理流程图 |
| 2.4.2 工业CT切片图像去噪效果评价方法 |
| 2.4.3 算例分析 |
| 2.5 小结 |
| 3 低对比度工业CT切片图像缺陷分割 |
| 3.1 工业CT切片图像分割方法概述 |
| 3.1.1 基于阈值的分割技术 |
| 3.1.2 基于边缘的分割技术 |
| 3.1.3 基于区域特性的分割技术 |
| 3.1.4 基于统计模式分类的分割技术 |
| 3.2 工业CT切片图像灰度分布分析 |
| 3.3 图像边界分类及边界选取 |
| 3.3.1 图像边界及其分类 |
| 3.3.2 工业CT切片图像边界选取 |
| 3.4 基于灰度变化率的低对比度图像缺陷分割算法 |
| 3.4.1 分割方法 |
| 3.4.2 分割步骤 |
| 3.4.3 边界判定条件范围选取 |
| 3.5 分割结果及其分析 |
| 3.6 小结 |
| 4 工业CT切片图像缺陷特征提取 |
| 4.1 工件缺陷主要类型及其特点 |
| 4.1.1 工件内部缺陷主要类型 |
| 4.1.2 工件缺陷特点 |
| 4.2 工件缺陷特征的选取 |
| 4.2.1 形状特征 |
| 4.2.2 灰度特征 |
| 4.3 基于Hu不变矩的工件缺陷特征提取 |
| 4.3.1 不变矩 |
| 4.3.2 矩的物理意义 |
| 4.3.3 矩的变换 |
| 4.3.4 Hu不变矩 |
| 4.4 算例分析 |
| 4.5 小结 |
| 5. 工业CT切片图像的缺陷智能识别 |
| 5.1 RBF神经网络模型结构 |
| 5.1.1 RBF神经网络原理 |
| 5.1.2 RBF神经网络模型 |
| 5.1.3 RBF神经网络设计 |
| 5.2 萤火虫群优化算法 |
| 5.2.1 萤火虫群优化算法原理 |
| 5.2.2 萤火虫群优化算法描述 |
| 5.2.3 萤火虫群优化算法流程 |
| 5.3 基于萤火虫神经网络的工件内部缺陷识别算法 |
| 5.3.1 萤火虫神经网络算法流程 |
| 5.3.2 萤火虫神经网络的训练和仿真 |
| 5.4 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）海空背景下的红外小目标检测算法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究进展及主要存在的问题 |
| 1.3 本文的主要内容 |
| 1.4 本章小结 |
| 2 红外海空场景与小目标分析 |
| 2.1 引言 |
| 2.2 红外弱小目标特征分析 |
| 2.3 红外图像天空场景分析 |
| 2.4 红外图像海面场景分析 |
| 2.5 红外图像海空场景分析 |
| 2.6 本章小结 |
| 3 海空场景感知 |
| 3.1 引言 |
| 3.2 基于Canny检测和Hough变换的海天线检测 |
| 3.2.1 Canny边缘检测 |
| 3.2.2 改进的Canny边缘检测 |
| 3.2.3 Hough变换的直线检测 |
| 3.2.4 实验结果及其分析 |
| 3.3 海浪方向检测 |
| 3.4 本章小结 |
| 4 红外背景杂波抑制 |
| 4.1 引言 |
| 4.2 中值滤波 |
| 4.3 基于形态学高通滤波的背景抑制 |
| 4.3.1 数学形态的基本运算 |
| 4.3.2 行均值相减后的形态学滤波 |
| 4.4 基于海浪方向的海浪抑制 |
| 4.4.1 骨架的定义 |
| 4.4.2 骨架的提取方法 |
| 4.4.3 实验结果及其分析 |
| 4.5 本章小结 |
| 5 海面区域内的小目标检测 |
| 5.1 引言 |
| 5.2 常见的小目标检测方法 |
| 5.2.1 独立峰法 |
| 5.2.2 最大熵法 |
| 5.2.3 实验结果及其分析 |
| 5.3 本章小节 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读学位期间取得的科研成果目录 |
| B. 作者在攻读学位期间发表的专利目录 |
（9）基于侧抑制网络的图像阈值分割算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 侧抑制网络研究现状 |
| 1.2.2 图像分割研究现状 |
| 1.3 本文的主要工作和安排 |
| 第2章 侧抑制网络与阈值分割法结合方案设计 |
| 2.1 侧抑制网络 |
| 2.1.1 侧抑制现象 |
| 2.1.2 侧抑制网络的数学模型及分类 |
| 2.1.3 侧抑制网络在图像处理中的应用 |
| 2.2 阈值分割算法 |
| 2.2.1 常用的全局阈值分割算法 |
| 2.2.2 OTSU法与交叉熵法的比较 |
| 2.3 算法结合的基本思想及其方案设计 |
| 2.4 本章小结 |
| 第3章 基于侧抑制网络的二维OTSU阈值分割算法 |
| 3.1 一维OTSU阈值分割算法 |
| 3.2 二维OTSU阈值分割算法 |
| 3.2.1 建立二维灰度直方图 |
| 3.2.2 最佳分割阈值对的计算 |
| 3.3 基于侧抑制网络的二维OTSU阈值分割算法 |
| 3.3.1 获取侧抑制图像 |
| 3.3.2 建立灰度-侧抑制二维直方图 |
| 3.3.3 灰度 -侧抑制二维OTSU阈值分割算法 |
| 3.3.4 快速递推算法 |
| 3.4 实验结果与分析 |
| 3.4.1 低对比度图像 |
| 3.4.2 细微间断图像 |
| 3.4.3 不均匀光照图像 |
| 3.4.4 噪声图像 |
| 3.5 本章小结 |
| 第4章 基于侧抑制网络的二维交叉熵阈值分割算法 |
| 4.1 一维交叉熵阈值分割算法 |
| 4.2 二维交叉熵阈值分割算法 |
| 4.3 基于侧抑制网络的二维交叉熵阈值分割算法 |
| 4.3.1 改进的算法 |
| 4.3.2 快速递推算法 |
| 4.4 实验结果与分析 |
| 4.4.1 低对比度图像 |
| 4.4.2 不均匀光照图像 |
| 4.4.3 噪声图像 |
| 4.4.4 其他真实图像 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文和参与的项目 |
| 附录B 攻读学位期间申请并取得的软件着作权 |
（10）基于二维直方图的图像阈值分割法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 图像分割的研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的结构安排 |
| 第2章 图像分割基本理论综述 |
| 2.1 图像分割的定义 |
| 2.2 图像分割的典型分类方法 |
| 2.3 几种常见的阈值分割算法 |
| 2.3.1 最大类间方差法(Otsu 法) |
| 2.3.2 最大熵法 |
| 2.3.3 最小误差法 |
| 2.4 图像分割的质量评价 |
| 2.5 直方图 |
| 2.6 本章小结 |
| 第3章 基于二维直方图区域直分的阈值分割 |
| 3.1 最小类内方差准则与 MAD 阈值准则 |
| 3.1.1 最小类内方差准则 |
| 3.1.2 MAD 阈值准则 |
| 3.2 二维 MAD 阈值准则及其分解算法 |
| 3.2.1 二维 MAD 阈值准则 |
| 3.2.2 二维 MAD 阈值算法的快速算法 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 基于二维直方图区域斜分的阈值分割 |
| 4.1 一维 Fisher 准则阈值法和最大散度差准则阈值法 |
| 4.2 二维直方图的区域斜分 |
| 4.3 二维直方图区域斜分 MSD 法及其快速递推算法 |
| 4.3.1 二维直方图区域斜分 MSD 法 |
| 4.3.2 快速递推算法 |
| 4.4 实验结果与分析 |
| 4.4.1 参数 C 取不同值对图像阈值分割效果的影响 |
| 4.4.2 不同阈值选取方法的实验结果比较 |
| 4.5 本章小结 |
| 第5章 改进二维直方图区域直分和斜分的阈值分割 |
| 5.1 二维最大熵法阈值选取 |
| 5.2 改进的二维直方图区域划分 |
| 5.3 实验结果与分析 |
| 5.3.1 叉分法参数α、β取不同组合值对分割结果的影响 |
| 5.3.2 叉分法与现有几种常用区域划分方法的仿真结果比较 |
| 5.4 本章小节 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录A 个人简历 |
| 附录B 在校期间发表的学术论文及研究成果 |
| 附录C 论文中的用图 |
| 附录D 论文中的用表 |
四、低对比度图像中改进的二维熵阈值分割法（论文参考文献）
- [1]高速宽幅纸机纸病在线诊断关键算法研究[D]. 曲蕴慧. 陕西科技大学, 2021
- [2]Otsu图像分割法的改进与应用研究[D]. 肖乐意. 湖南大学, 2020
- [3]基于深度学习的白细胞分类识别方法研究[D]. 杨雪莹. 西安科技大学, 2020(01)
- [4]污水微生物图像分割方法研究[D]. 武治. 安徽工业大学, 2020(07)
- [5]基于聚类分析的医学图像分割研究[D]. 杨旭鹏. 兰州理工大学, 2020(12)
- [6]基于灰度变化率的低对比度CT图像分割研究[J]. 时佳悦,张蕊萍,董海鹰,苟军年. 兰州交通大学学报, 2017(03)
- [7]基于工业CT图像的工件缺陷智能检测技术研究[D]. 时佳悦. 兰州交通大学, 2017(02)
- [8]海空背景下的红外小目标检测算法研究[D]. 杨丽娇. 重庆大学, 2016(03)
- [9]基于侧抑制网络的图像阈值分割算法研究[D]. 董悫. 中南民族大学, 2015(03)
- [10]基于二维直方图的图像阈值分割法研究[D]. 李淼. 湘潭大学, 2014(03)