隨著人工智能、深度學(xué)習(xí)與計(jì)算機(jī)視覺技術(shù)的不斷進(jìn)步,數(shù)字圖像處理應(yīng)用于先進(jìn)制造、無人飛機(jī)、無人駕駛汽車等最有前景的領(lǐng)域,因而對(duì)圖像處理技術(shù)的進(jìn)步需求最迫切。在這種社會(huì)背景下,我們進(jìn)行了圖像去色技術(shù)和圖像分割研究工作。首先,我們研究了圖像去色技術(shù),期望在轉(zhuǎn)化后的灰度圖像能夠重現(xiàn)彩色圖像的視覺感受,保存更多細(xì)節(jié)和對(duì)比度。這些特征,可以為圖像分割提供更多信息。隨后,我們主要集中精力研究圖像分割技術(shù)。目前為止,研究者們在圖像分割領(lǐng)域取得了大量的研究成果,這些成果源于對(duì)圖像中不同特征的利用。但是至今沒有一種分割算法能用于所有的圖像分割,這也促進(jìn)了研究者對(duì)圖像分割進(jìn)行不斷地研究。本章的主要研究工作包括以下幾個(gè)方面:（1）針對(duì)目前彩色圖像的去色技術(shù)存在丟失對(duì)比度的問題,本章提出了一種基于Log-Euclidean度量和高斯核函數(shù)的對(duì)比度保留去色模型。基于李群和黎曼流形的Log-Euclidean測地線度量,提出了一個(gè)高效的圖像去色框架。由于Log-Euclidean具有可逆不變性和相似不變性,本章提出了一個(gè)基于Log-Euclidean目標(biāo)函數(shù)去建模圖像去色過程。在這個(gè)模型中,Log-Euclidea... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：113 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

近9年來EI收錄論文發(fā)表“ImageSegmentation”的論文數(shù)量

5華中科技大學(xué)博士學(xué)位論文圖1.2雜志IEEETransactionsonImageProcessing從2010年到2018年收錄關(guān)于“ImageSegmentation”的論文數(shù)量。最近10年以來，圖像分割得到越來越多地研究。為了更加直觀感受圖像分割研究的總體趨勢，我們搜索了近10年以來，EI每年收錄關(guān)于圖像分割論文的數(shù)量，繪制成圖1.1。在圖像處理頂級(jí)期刊（TIP），我們統(tǒng)計(jì)了近十年圖像分割論文的數(shù)量，繪制成圖1.2。而且圖像分割有關(guān)的論文額在頂級(jí)會(huì)議（IEEEConferenceonComputerVisionandPatternRecognition）和頂級(jí)期刊（IEEETansactionsonPatternAnalysisandMachineIntelligence）經(jīng)常出現(xiàn)。例如，Xiao[38],Shen[39]和Maninis[40]都在2018CVPR（IEEEConferenceonComputerVisionandPatternRecognition）會(huì)議發(fā)表了關(guān)于圖像分割的論文。所以圖像分割多年來一直得到人們的高度重視，在上個(gè)世紀(jì)就提出了多達(dá)上千種各式各樣的分割算法。圖像分割技術(shù)體態(tài)太過龐大，我們基于應(yīng)用頻率最高的分割算法進(jìn)行歸類，主要可以分為以下8種：（1）基于閾值的圖像分割方法[41-44]。這類算法的特點(diǎn)是實(shí)施起來特別方便，也是最簡單的，而且計(jì)算量小，運(yùn)行速度極快。這類算法適合目標(biāo)和背景灰度差異比較大。這類算法的關(guān)鍵是如何選擇合適的閾值，常利用的選擇閾值的方法有：統(tǒng)計(jì)直方圖波峰和波谷法、利用連通信息的方法、利用相關(guān)性選擇閾值的方法等。（2）基于區(qū)域的圖像分割算法[45-49]。這類算是目的是尋找某一個(gè)區(qū)域的分割處理技術(shù)。這類算法大體可以分為兩類：一類是區(qū)域生長的算法。選定一個(gè)

13華中科技大學(xué)博士學(xué)位論文3.()()()()baPaXbFbFaftdt；4.若f(x)在點(diǎn)x處連續(xù)，則有F(x)f(x)。高斯分布圖2.1高斯分布函數(shù)高斯分布另外一個(gè)稱呼是正態(tài)分布，這個(gè)高斯函數(shù)的圖像如圖2.1所示。高斯分布在概率論中，最常用的連續(xù)變量的概率密度函數(shù)是高斯分布。一維實(shí)變量x，高斯分布的數(shù)學(xué)表達(dá)式如下：22221()(|,)exp22xupx（2.1）因?yàn)楣剑?.1）是概率密度函數(shù)，所以必須滿足如下兩個(gè)條件：2p(x|,)0和p(x|,2)1，在公式(2.1)中變量x的數(shù)學(xué)期望：2Exp(x|,)dx，

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)的直覺模糊核聚類的圖像分割方法[J]. 徐小來,房曉麗.  計(jì)算機(jī)工程與應(yīng)用. 2019(17)
[2]基于全卷積網(wǎng)絡(luò)的胎兒腦部超聲圖像分割算法[J]. 葉海,馮開平,謝紅寧.  現(xiàn)代計(jì)算機(jī). 2019(17)
[3]區(qū)域信息驅(qū)動(dòng)的多目標(biāo)進(jìn)化半監(jiān)督模糊聚類圖像分割算法[J]. 趙鳳,張咪咪,劉漢強(qiáng).  電子與信息學(xué)報(bào). 2019(05)
[4]改進(jìn)Canny邊緣檢測的遙感影像分割[J]. 劉麗霞,李寶文,王陽萍,楊景玉.  計(jì)算機(jī)工程與應(yīng)用. 2019(12)
[5]基于特征學(xué)習(xí)框架的前列腺超聲圖像分割方法研究[J]. 黃建波,蔡迪明,羅燕.  生物醫(yī)學(xué)工程與臨床. 2018(06)
[6]圖像分類技術(shù)在超聲診斷甲狀腺結(jié)節(jié)中的應(yīng)用進(jìn)展[J]. 梁曉雯,陳智毅.  中國醫(yī)學(xué)影像技術(shù). 2018(10)
[7]基于超像素聚類的側(cè)掃聲吶圖像分割算法[J]. 盛蘊(yùn)霞,霍冠英,劉靜.  計(jì)算機(jī)工程. 2018(06)
[8]基于位錯(cuò)理論的距離正則化水平集圖像分割算法[J]. 張帆,張新紅.  自動(dòng)化學(xué)報(bào). 2018(05)
[9]基于分水嶺和水平集方法的腦部核磁共振圖像分割算法研究[J]. 陳忱.  中國新通信. 2016(04)
[10]用于腦部核磁共振圖像分割的具有抗噪能力的BCFCM算法[J]. 欒方軍,周佳鵬,曾子銘.  計(jì)算機(jī)科學(xué). 2015(10)

博士論文
[1]基于偏移場的核磁共振腦圖像分割算法研究[D]. 車娜.吉林大學(xué) 2013
[2]基于多尺度結(jié)構(gòu)張量的無監(jiān)督彩色紋理圖像分割方法研究[D]. 楊勇.華中科技大學(xué) 2013



本文編號(hào)：3246444