1) iris segmentation
虹膜图像分割
1.
Fast and efficient iris segmentation;
快速有效的虹膜图像分割方法
2) Iris Segmentation
虹膜分割
1.
In view of disturbances of eyelids,eyelashes spots locate in the annular section,a detection method of eyelids and eyelashes in the iris segmentation is proposed.
虹膜分割是虹膜识别的前提,针对分割出的环状区域含有眼睑、眼睫毛和光斑等干扰,本文提出一种虹膜分割中的眼睑和睫毛的检测方法。
2.
Iris segmentation is the premise for iris recognition,and an iris segmentation algorithm is proposed to improve the performance of iris segmentation.
虹膜分割是虹膜识别的前提。
3) iris image
虹膜图像
1.
Iris image compression algorithm based on symmetry and fractal coding
基于对称分形的虹膜图像压缩算法
2.
A kind of iris image acquisition system is proposed based on floating-point DSP chip TMS320VC6711.
提出了一种基于红外光源的、以浮点DSP芯片TMS320VC6711为核心的虹膜图像采集系统,介绍了其工作原理、软硬件设计与实现。
3.
According to characteristics of the iris image and the principle of the maximum entropy,we first get the maximal edge of iris by translating the image into another which consists of three gradations;then apply the Daugman algorithm to locating iris.
针对虹膜图像自身的特点,先利用最大熵的方法把虹膜图像分成3个灰度等级,使虹膜最大限度的呈现出内外边界,然后在此基础上运用Daugman提出的虹膜定位算法能更有效地定位虹膜。
4) iris region segmentation
虹膜区域分割
5) image division
图像分割
1.
Snake model in carcinoma cell image division application;
Snake模型在癌细胞图像分割中的应用
2.
One important step for detecting quantified information from image of full hole microresistivity scan imaging log (FMI) is division of FMI image so that sub image mainly reflecting fracture and pore can be detected from raw FMI image, whether the effectiveness of image division directly related to accuracy of calculating FMI parameters.
图像分割效果的好坏直接关系到 FMI资料参数计算的准确性。
3.
The particular contents and familiar image division methods were summarized,and the research contents and methods of computer vision technique were also introduced.
图像分割是图像处理与计算机视觉的基本问题之一 ,本文就图像分割的具体内容及常见的图像分割方法进行了综述。
6) image segmentation
图像分割
1.
Feature extraction based on image segmentation of coal flotation froth;
煤泥浮选泡沫图像分割与特征提取
2.
Fabric image segmentation algorithm based on Mean Shift;
基于Mean Shift的织物图像分割算法
3.
Improved OTSU method on welding seam image segmentation;
采用改进OTSU法的焊前焊缝图像分割
补充资料：图像分割
把图像分解为一些特定的性质相似的部分（区域或对象），并用这些部分对图像进行分析和描述。一幅图像往往包含许多不同类型的区域，如物体、环境和背景等。图像分析的一个重要方法就是用它们作为基本组成成分对图像进行描述。例如为了在气泡室图片中检出质点碰撞形式并判定其发生位置，就要在图像中分割出气泡的轨迹及其端点。为了从输入的文本中识别出一串字符，首先就要把各个字符从背景和其他字符中分离出来。因此把图像分割为若干子图像，并利用各子图像的特性和它们之间的关系描述图像，对于图像识别和解释、物景分析以及图像的分块处理和存储都有很大的意义。
图像分割基本上是对像素进行分类的过程。例如用某个灰度阈值把图像像素分成"黑"和"白"两类，就可以把黑的对象同白的背景区分开。常用的分割方法有灰度等级阈值法、谱和空间分类法、区域生长法和边缘检测法。
灰度等级阈值法 在图像只有两种组成部分的情况下，图像灰度的直方图常常呈现两个峰值。用两个峰值之间的谷值所对应的灰度作为阈值，把所有像素灰度大于或等于阈值的作为一类，小于阈值的作为另一类是一种最基本的两类分割方法。实际应用时为了改善分类的可靠性，可以利用某些附加的信息（例如已知两类区域的面积之比）使阈值的选择更加合理。在类别更多的情况下，可以采用多级阈值把各类分割开来（例如确定两个阈值，就可以把细胞图像分割为胞核、胞浆和背景三部分）。类别越多，图像直方图的峰值就越不明显，分割就更为困难。
谱和空间分类法 对于彩色和多光谱图像，可以用像素的几种性质（颜色和谱信号）对像素作比较精细的分类。对于黑白图像，用包括像素本身灰度在内的一组局部性质（例如该像素邻域灰级的均值）在多维空间中进行分类。对于一些复杂图像，这种方法比单独的灰度阈值法效果更好。
区域生长法 这是一种从图像中提取区域或实体的序贯分割法。根据灰度、纹理的均匀性、同背景的对比度以及区域、形状、尺寸等准则，把性质大致相同的邻近像素组合在一起以形成分割区域。
边缘检测法 用于获取图像内物体轮廓的分割方法。一般采用曲线拟合、轮廓跟踪或边缘点连接等技术求出物体的边界。此外，若对像素的类别给以某种概率度量或隶属度，则可以对像素反复进行分类，这就成为松弛迭代分割算法。这种算法有较好的效果，在图像分析中已得到广泛应用。
图像分割基本上是对像素进行分类的过程。例如用某个灰度阈值把图像像素分成"黑"和"白"两类，就可以把黑的对象同白的背景区分开。常用的分割方法有灰度等级阈值法、谱和空间分类法、区域生长法和边缘检测法。
灰度等级阈值法 在图像只有两种组成部分的情况下，图像灰度的直方图常常呈现两个峰值。用两个峰值之间的谷值所对应的灰度作为阈值，把所有像素灰度大于或等于阈值的作为一类，小于阈值的作为另一类是一种最基本的两类分割方法。实际应用时为了改善分类的可靠性，可以利用某些附加的信息（例如已知两类区域的面积之比）使阈值的选择更加合理。在类别更多的情况下，可以采用多级阈值把各类分割开来（例如确定两个阈值，就可以把细胞图像分割为胞核、胞浆和背景三部分）。类别越多，图像直方图的峰值就越不明显，分割就更为困难。
谱和空间分类法 对于彩色和多光谱图像，可以用像素的几种性质（颜色和谱信号）对像素作比较精细的分类。对于黑白图像，用包括像素本身灰度在内的一组局部性质（例如该像素邻域灰级的均值）在多维空间中进行分类。对于一些复杂图像，这种方法比单独的灰度阈值法效果更好。
区域生长法 这是一种从图像中提取区域或实体的序贯分割法。根据灰度、纹理的均匀性、同背景的对比度以及区域、形状、尺寸等准则，把性质大致相同的邻近像素组合在一起以形成分割区域。
边缘检测法 用于获取图像内物体轮廓的分割方法。一般采用曲线拟合、轮廓跟踪或边缘点连接等技术求出物体的边界。此外，若对像素的类别给以某种概率度量或隶属度，则可以对像素反复进行分类，这就成为松弛迭代分割算法。这种算法有较好的效果，在图像分析中已得到广泛应用。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条