基于最大类间方差遗传算法的岩心CT扫描图像分割方法

合集下载

基于最大类间方差与形态学的淋巴结图像分割

（ＳｕｎＹａｔ－ｓｅｎＵｎｉｖｅｒｓｉｔｙＣａｎｃｅｒＣｅｎｔｅｒ，Ｇｕａｎｇｚｈｏｕ５１００８０，Ｃｈｉｎａ）
ＡｂｓｔｒａｃｔＬｙｍｐｈｎｏｄｅｓａｒｅａｎｉｍｐｏｒｔａｎｔｏｒｇａｎｏｆｔｈｅｈｕｍａｎｂｏｄｙｉｍｍｕｎｅｒｅｓｐｏｎｓｅ．Ｔｈｅｐａｔｈｏｌｏｇｉｃａｌｃｈｎｇａｅｓｏｆ
述算法对与周围组织有粘连但目标与背景的灰度级相差较大的淋巴结图像的分割效果较好。关键词最大类间方差，数学形态学，淋巴结图像分割，增强处理中图法分类号ＴＰ３９１文献标识码Ａ
ＬｙｍｐｈＮｏｄｅＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＭａｘｉｍａｌＶａｒｉａｎｃｅＢｅｔｗｅｅｎ－ｃｌａｓｓａｎｄＭｏｒｐｈｏｌｏｇｙ
ｂｅｔｗｅｅｎ－ｃｌａｓｓａｎｄｍｏｒｐｈｏｌｏｇｙｗａｓｉｎｔｒｏｄｕｃｅｄｔｏｓｅｇｍｅｎｔｌｙｍｐｈｎｏｄｅ．Ｍａｘｉｍａｌｖａｒｉａｎｃｅｂｅｔｗｅｅｎ－ｃｌａｓｓｍｅｔｈｏｄｗａｓｕｓｅｄｔｏｏｐｅｒａｔｅｂｉｎａｒｙｅｎｈａｎｃｅｍｅｎｔｐｒｏｃｅｓｓｉｎｇｆｏｒｔｈｅｏｒｉｇｉｎａｌｉａｇｍｅ．Ｍａｔｈｅｍａｔｉｃａｌｍｏｒｐｈｏｌｏｇｙｗａｓｉｎｔｒｏｄｕｃｅｄｏｔｄｏｂｏｕｎｄｒｙａｃｏｒｒｅｃｔｉｏｎｆｏｒｂｉｎａｒｙｉｍａｇ￣Ｅｒｏｓｉｏｎａｄｎｅｘｐａｎｓｉｏｎｏｐｅｒａｔｉｏｎｗａｓｕｓｅｄｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｔｈｅｔａｒｇｅｔａｒｅａｃｏｎｎｅｃｔｅｄｗｉｔｈｅｘｃｅｓｓｉｓｔｓｕｅａｆｔｅｒｂｉｎａｒｉｚａｔｉｏｎ．Ｉｎｔｈｅｅｎｄ，ｕｓｅｆｕｌｌｙｍｐｈｎｏｄｅｉｔｓｓｕｅｗａｓｂｅｔｔｅｒｅｘｔｒａｃｔｅｄ．Ｅｘｐｅｒｉｍｅｎｔｌａｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｅｈｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｉ１ｇｅｔｂｅｔｔｅｒｓｅｇｍｅｎｔａｔｉｏｎｅｆｆｅｃｔｆｏｒ１ｍｐｙｈｎｏｄｅｉｍａｇｅｓｗｉｔｈｓｕｒｒｏｕｎｄｉｎｇｔｉｓ — ｓｕｅａｄｈｅｓｉｏｎｓａｎｄｌｒｇａｅｒｇｒａｙｌｅｖｅｌｄｉｆｆｅｒｅｎｃｅｂｅｔｗｅｅｎｔｒｇａｅｔａｎｄｂａｃｋｇｒｏｕｎｄ．ＫｅｙｗｏｒｄｓＭａｘｉｍａｌｖａｒｉａｎｃｅｂｅｔｗｅｅｎ－ｃｌａｓｓ，ａｔＭｈｅａｔｍｉｃａｌｍｏｒｐｈｏｌｏｇｙ，Ｌｙｍｐｈｎｏｄｅｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ，Ｅｎｈａｎｃｅｍｅｎｔ

岩心粒度图像分割算法分析

岩心粒度图像分割算法分析岩心分析是石油勘探开发中的一项重要的工作，是获取油气层特征的主要方式之一，分析了阀值、边缘检测等算法的原理与应用实例，阐述了基于特定理论的岩心粒度分割算法特点与优势，并对各种算法进行了分析对比。

标签：岩心粒度；分割算法；边缘检测；聚类分析随着我国经济的快速发展，对油气资源的需求不断增加，尤其勘探开发的进一步深入，岩芯是在油气勘探开发工作中最重要的基础地质资料之一，为油气勘探开发提供决策依据。

岩芯的观察描述在确定岩性、推断沉积环境以及生储盖组合综合研究中，有着不可替代的作用，对岩心图像的分析和处理成为岩心分析的一项重要工作。

岩芯数字化处理作为一项新技术得到了广泛的应用，借助于计算机软件对采集到的岩心图像进行分析提取直观上的岩心数据，进行定量化的岩心分析，对于现阶段油气勘探开发工作，具有重要的现实意义。

岩心粒度分割是岩心分析中的重要前期工作，其根据图像所包含的对象信息如灰度、色度、纹理等特征，将图像划分成若干个互不相交的区域，让具有一致性或者相似性的特征分布在同一区域，但在不同区域间表现出明显的差异性。

目前国内外广泛使用的图像分割方法大致主要分为基于阈值分割、基于边缘的分割方法，以及其它基于特定理论的岩心粒度分割算法等。

1 岩心粒度图像分割技术的主要内容岩心粒度图像分割是指根据处理图像所包含的对象信息如灰度、色度、纹理、几何形状等特征把图像划分为若干个互不相交的区域，也就是通俗意义上的把图像中的目标从背景中提取，以便对目标进行处理。

由于图像分割的效果很大程度上依赖于特定的图像特征如成像方式，纹理，灰度，噪声等，目前还没有一种通用的图像分割算法可以实现对所有图像的有效分割。

现今内外广泛使用的图像分割方法大致主要分为基于阈值分割、基于边缘的分割方法，以及其它基于特定理论的岩心粒度分割算法等。

2 基于阀值的岩心粒度分割算法阈值分割方法依据的原理就是图像前景与背景像素灰度值存在值的差异，前景与背景相邻像素间的灰度值存在高度差，因此我们可以采用前景与背景之间的某个灰度值作为阈值，将前景与背景进行分割开来。

基于遗传算法的最大类间方差法图像分割毕业设计论文

哈尔滨工业大学毕业设计（论文）毕业设计论文基于遗传算法的最大类间方差法图像分割- I -哈尔滨工业大学毕业设计（论文）摘要本文研究的是遗传算法的基本原理和算法的应用，分析了遗传算子的特性，主要讲述了基本遗传算法的应用步骤，并将其应用于图像处理中的图像分割技术中，用MATLAB软件编程实现遗传算法得出分割阈值数据，利用MATLAB软件强大的仿真功能，编程进行图像分割仿真实验，将得出的几组图像进行对比。

首先分析了最大类间方差阈值图像分割算法的基本原理，然后结合遗传算法及其特点提出了一种自动阈值选取的图像分割算法，在本算法中对传统最大类间方差图像分割的算法及遗传算法进行了改进，提高了传统算法的速度，改善了遗传算法的收敛速度与最优解的协调关系，最后从速度及性能上进行了分析比较，并对实际图像分割做了实验。

结果表明，本遗传算法的图像分割方法在图像分割过程中具有速度快，效果好的特点。

关键词图像分割；遗传算法；阈值；方差；适应度函数- II -哈尔滨工业大学毕业设计（论文）AbstractThis thesis mainly studies the basic principle of the genetic algorithms and the applications of the algorithms. The characteristic of the genetic operator has analyzed, mainly discussed the application steps of the simple genetic algorithms. The GAs are applied to the image segmentation technique, With the strong function of MATLAB, I programmed the GA emulation and gave the final data, then, compared the pictures showed by the emulation experiment of the image segmentation.Firstly, developed a new automatic threshold image segmentation algorithm after comprehensively studying the method with maximum variance between two class and GA principle. Then, with the change of the GA , the algorithm develops the compute speed and result stability . Finally, the results of the experiments by the algorithm are showing to compare with the tradition method, it is conclude that the algorithm is not only higher quality but also quicker compute speed.Keywords image segmentation the genetic algorithm threshold variance fitness function- III -哈尔滨工业大学毕业设计（论文）目录摘要 (I)Abstract ................................................................................................................. I II第1章绪论 (3)1.1 课题背景 (3)1.2 遗传算法的生物学基础 (4)1.2.1 遗传与变异 (4)1.2.2 进化 (5)1.2.3 遗传与进化的系统观 (5)1.3 遗传算法的发展史 (6)第2章基于灰度的图像分割 (8)2.1 图像分割概述 (8)2.1.1 图像分割的应用领域 (8)2.1.2 图像分割的通用定义 (9)2.2 灰度门限法 (10)2.2.1 灰度门限法简介 (10)2.2.2 灰度门限的确定 (11)2.2.3 最大类间方差阈值分割法 (12)2.3 本章小结 (15)第3章遗传算法 (16)3.1 遗传算法概述 (16)3.2 遗传算法的特点 (17)3.3 遗传算法的应用 (17)3.4 基本遗传算法 (19)3.4.1 基本遗传算法的构成要素 (19)3.4.2 基本遗传算法的形式化定义 (20)3.4.3 基本遗传算法的实现 (20)3.4.4 基本遗传算法的应用步骤 (23)3.5 本章小结 (26)第4章软件实现与分析 (27)- 1 -哈尔滨工业大学毕业设计（论文）4.1 用MATLAB实现遗传算法 (27)4.2 最大类间方差图像分割中的遗传算法 (30)4.3 图像分割遗传算法的性能分析 (32)4.4 实验结果分析 (33)4.5 本章小结 (35)结论 (36)致谢 (37)参考文献 (38)附录1 (39)附录2 (45)附录3 (51)- 2 -哈尔滨工业大学毕业设计（论文）第1章绪论1.1课题背景图像分割是计算机视觉及模式识别中一个非常困难的研究内容，是视觉图像理解，如目标检测、特征提取、目标识别操作的基础，图像分割的好坏直接影响到图像理解[6]。

基于最大方差法和改进遗传算法的图像分割

ｃｉｇｔｆｈｈｅｈｌ．ｈｅｈｎｍｅｏｅｔｒｓｏｄｒｉｔ
ＫｅｗｏｓｙｒｄＧｅｅｉｇｒｔｎｔｃａｏｉｌｈｍＩｏｖｄｇｎｔｃａｇｒｔｍｐｒｅｅｅｉｏｉｈｍＴｅｍａｉｌａｉｎＩａｅｓｇｅｔｔｏｌｈｘｍａｖａｃｅｍｇｅｒｍｎａｉｎ
改进遗传算法相结合对图像进行分割的方法。以灰度图像的最大方差作为适应度函数，图像分割问题变成一个优化问题０利用把
遗传算法的寻优高效性，索到能使分割质量达到最优的分割阈值。实验结果表明，搜采用新的改进遗传算法和最大方差法相结合对
图像搜索全局阈值时能收敛至全局最优解，并且大大缩短寻找最优阈值的时间。
维普资讯
第２５卷第２期
２００８年２月
计算机应用与软件
ＣｏｕｅｐｉａｔｎｎｏｔｒｍｐｔｒＡｐｌｃｉｓａｄＳｆｏｗａｅ
Ｖｏ．５Ｎｏ２１２．
Ｆｂ２０ｅ．０８
ｍａａａｃｆｈｒｙｉｇｓｔｋｎａｈｉｅｓａｄｔｅｐｏｌｍｆｉｇｅｍｅｔｔｎｉｈｇｄｉｔｐｉｚｔｎｐｏｌｍ．ａｉｇｌｖｒｎｅｏｅｇａｍａｅｉａｅｓｔｅｆｎｓ，ｎｒｂｅｏｉｔｔｈｍａｅｓｇｎａｉｓｃａｅｎｏａｏｔｏｎｎｍｉａｉｒｂｅＴｋｎｏ
ｈｄａｔｇｆｏｕｔｓ，ｄｐａｌｙｎｆｃｎｙｅｇｎｔｌｒｈｔｓｔｄｃｎｏｔｉｔｐｉｌｅｍｅｔｏｒｕｔｃｏｄｔｅａｖｎａｅｏｂｓｅｓａａｔｉｔａｄｅｉｅｃｆｈｅｅｉａｏｔｍ，ｉｍｅｏａｂａｅｏｔａｓｇｎａｉｓｌａｃｒ— ｒｎｂｉｆｉｏｔｃｇｉｈｈｎｈｍｔｎｅ

石油岩芯CT图像裂缝分割算法研究

石油岩芯裂缝的检测研究对于石油开采具有指导性的意义。工业ＣＴ是一种优秀的无损检测技术［１］，通过ＣＴ扫描可以获取连续的石油岩芯ＣＴ图像，再进行裂缝分割可以得到石油岩芯中裂缝分布情况，进而测量它的各种几何参数。裂缝包含在岩芯区域内部，区域细小，且裂缝和岩芯灰度差别较小，因此准确分割石油岩芯ＣＴ图像中裂缝是一项相当困难的任务。
犐（狓）Ｈε（）ｄ狓
犮０（）＝ Ω
∫Ｈε（）ｄ狓 Ω
烅
∫犐（狓）（１－Ｈε（））ｄ狓
犮ｂ（）＝ Ω
烆
∫（１－Ｈε（））ｄ狓 Ω
（２）
式（２）中涉及到的是全局图像信息，不仅仅包括演化曲线附近的图像数据；且常数分别是图像在区域
摘要：针对裂缝区域分割的需求和石油岩芯ＣＴ图像的特点，改进了现有的水平集分割算法。首先对图像中值滤波去噪后运用ＣＶ模型对图像进行初分割，把背景区域和岩芯区域准确分开，得到岩芯区域的轮廓；然后调整轮廓外区域的灰度值，使之等于岩芯区域平均灰度值，增强目标区域；最后再进行ＲＳＦ模型细分割，得到最终分割结果。对于高斯噪声污染严重的岩芯图像，先采用了邻域加窗的非局部均值去噪方法，再用改进水平集算法分割，实验结果表明该分割方法是有效的。关键词：ＣＴ图像；裂缝分割；水平集；ＣＶ模型；ＲＳＦ模型中图分类号：ＴＰ３９１文献标志码：Ａ犱狅犻：１０．１１８８４／ＨＰＬＰＢ２０１６２８．０５５１０１

基于最大类间、类内方差比法的图像分割

3、本实验阈值 Th 的确定方法：
由于最大类间、类内方差比法图像分割的核心是阈值 Th 的确定，即要处理类间方差和类内方差的比值，找出最大的比值，此时满足最大比值的 Th 即为所求。我们可以将所有类间、类内方差的比值放在一个矩阵中，然后使用 find 函数找出矩阵的最大值，对应的 Th 即为所求，。
由于最大类间、类内方差比法是基于图像灰度分布的阈值方法。数学模型如下：设原图像为 f(x,y),经过分割处理后的图像为 g(x,y),g(x,y) 为二值图像，则有
1 g ( x, y ) 0
f ( x, y ) Th f ( x, y ) Th
（3-1）
2、最大类间方差法与最大类间、类内方差比法的不同：
f ( x, y ) Th* f ( x, y ) Th*
(4 8)
五、基于 MATLAB 的实验仿真 1、应用于灰度图像分割代码
clear all; close all; a=imread('D:\我的图片\3.jpg'); a=rgb2gray(a); figure; imshow(a); title('此为原图'); a=double(a); [m,n]=size(a); th=zeros(1,254); %建立一维零矩阵存放类间类内方差比的值；我们需要对灰
(4 3)
j 1
3、按下式计算两类在图像中的分布概率 p1 和 p2；
p1
N N
c1
p1
N c2 N im a g e
(4 4)
im a g e
4、计算类间方差σb^2=和类内方差σin^2；
b2 p1 (1 )2 p2 (2 )2

基于最大类问方差的快速图像分割算法的研究

作者简介：邰宇（９７）男，１７一，助理研究员，主要从事应用技术研究工作。
・
６６・
科技论坛
基于最大类问方差的快速图像分割算法的研究
邰宇
（黑龙江省计算中心，黑龙江哈尔滨１０３）５０６摘要：通过对毫米波技术与成像算法的研究，重点研究了基于最大类间方差的快速图像分割算法。该算法根据最大类方差原理，通过二分逼近逐次逼近最佳分割阈值，相对于传统的最大类间分割方法提高了速度，算法也可以扩展到一般数字图像的分割，效果也该其
较好。
关键词：最大类间方差；图像分割；成像算法
３图像分割方法３１图像分割定义．近年来，极端主义和恐怖主义的出现，使得新型反恐武器系统和图像分割，就是把一个图像分解成它的构成成分，以便对每一目特种装备需求大幅增加，世界各大国都加大投入，积极研制，特别是标进行测量。图像分割是一个十分困难的过程。但其测量结果的质量用于反恐部队的新装备，非常引人关注。毫米波成像技术在国际上属却极大地依赖于图像分割的质量。有两类不同的图像分割方法。一种于领先技术，欧美等国对我国也进行技术封锁。而成像算法是毫米波方法是假设图像各成分的强度值是均匀的并利用这种均匀性；另一成像的关键技术，它直接影响成像技术的水平。目前，国内也开展了种方法寻找图像成分之间的边界，因而是利用图像的不均匀性。相关方面的研究，但这些检测技术都需要配有复杂庞大的控制以及３．２常用分割方法信号处理系统，成本高昂，而且检测时间都在秒的数量级；更关键的图像分割是图像由预处理转入分析的关键一步，它作为一种基本点的是这些设备根本无法满足远距离检测的需要。的计算机视觉技术，它在图像分析及模式识别中起着重要的作用。常１．２毫米波成像技术特点用的图像分割方法：有基于直方图的分割方法，有基于区域生长分割毫米波的工作频率介于微波和光之间，因此兼有两者的优点，方法，它有基于边缘检测的分割方法。虽然已经提出了这几种图像分割具有以下主要特点：方法，但如果所处理的图像不同，每种方法都会受到一定的局限。１．极宽的带宽。通常认为毫米波频率范围为２．０Ｇｚ．１２６５—３０Ｈ，３２１直方图分割。最简单的方法是建立在亮度值的直方图分析．．带宽高达２３Ｇｚ超过从直流到微波全部带宽的１倍。７．Ｈ。５０即使考虑的基础上的。如果一个图像是由明亮目标在一个暗的背景上组成的，一个是由目标点产生的峰值，另一大气吸收，在大气中传播时只能使用四个主要窗１，３但这四个窗口的其灰度直方图将显示两个最大值：总带宽也可达１５Ｈ，３Ｇｚ为微波以下各波段带宽之和的５。这在频个峰值是由背景点产生。倍如果目标和背景之间反差足够高，则直方图率资源紧张的今天无疑极具吸引力。中的两个峰值相距甚远，可选一个强度阈值Ｔ将两个最大值隔开。如１．波束窄。在相同天线尺寸下毫米波的波束要比微波的波束果图像由两个以上成分所组成，．２２则直方图将显示多重峰值，分割可以窄得多。例如一个１ｃ２ｍ的天线，在９Ｇｚ．Ｈ时波束宽度为１，取多重阈值来完成。最大类间方差算法就是基于灰度直方图的图像４８度而９Ｇ时波速宽度仅１度。４Ｈｚ．８因此可以分辨相距更近的小目标或者更分割算法。为清晰地观察目标的细节。３２．２区域生长。区域生长（ｅｉｎｇｏｉｇ是一种根据事前定义．ｒｇｒｗｎ）ｏ１．全天候特性。．３２与激光相比，毫米波传播受气候的影响要小得的准则将像素或子区域聚合成更大区域的过程。基本方法是先在图多，可认为具有全天候特性。像中挑选一个或一个以上的种子点洇为毫米波图像中目标区域的１．元器件小。．４２和微波相比，毫米波元器件的尺寸要小得多。因灰度总是高于背景的灰度，灰度最大点即是目标中温度最高的地方，此毫米波系统更容易小型化。因此，在应用区域生长法时，一般选择灰度值最大的点作为初始种子２图像分割算法及图像预处理像素点，进行图像分割），种子点的数目等于被检测区域的数目；然后２１基于最大类间方差的分割算法．规定像素之间的相似性的准则，最简单的是基于像素灰度值的准则。该算法首先通过灰度图像获取图像的灰度直方图信息，然后利３．．３梯度法。２第三种图像分割法建立在图像的不连续性基础上。用这些信息进行类间方差运算自动寻找最佳阈值，最后将目标从图此方法一般采用某种梯度运算（边缘检测）。从向量分析中知道，梯度像进行分割出来。图像二值化处理是一种灰度处理，二值化图像可以向量指向在坐标（ｖｆ的最大变化率方向。计算图像的梯度要基ｘ１，的通过适当地分割灰度图像得到。如果物体的灰度值落在某一区间内，于在每个像素位置都得到了偏导数ａｘ和ａｖ梯度运算最常用ｆｆ。并且背景的灰度值在这一区间之外，则可以通过阈值运算得到物体的是Ｐｅｉ和Ｓｂｌ算子。ｒｗｔ模板实现起来比ＳｂｌｒｗｔｔｏｅＰｅｉｔｏｅ模板更为简的二值图像，即把区间内的点置成１区间外的点置成０，。单，但后者在噪声抑制特ｌ方面略胜一筹。正如上文所说，生问题是一２２图像预处理的一般方法．般边缘检测并不生成一条连续的边界，故此法往往借助于一些边缘图像预处理的一般有图像去噪、图像增强等方法。连接法以获得满意的连续边界。２２１图像去噪。图像去噪的一般方法为滤波，．．而中值滤波则是结束语滤波中的典型。中值滤波是一种常用的非线性滤波技术，其基本思想随着毫米波成像技术的不断发展，毫米波成像处理越来越受到人是用像素点邻域灰度值的中值来代替该像素点的灰度值。中值滤波们的重视。各种各样的图像分割算法层出不穷，而随着各种新的方法般采用一个ｍ×ｎ的滑动窗口，从左至右，从上到下逐行移动，被引入到毫米波图像处理中，其毫米波成像算法的应用面将越来越广。参考文献中ｍ为滑动窗１行数，３ｎ为滑动窗口列数。对滑动窗口内像素点灰

基于遗传算法的聚类分析在CT图像分割中的应用

ＺＨＵＡｎ－ＬＩｉｉＢＡＯｕＳＩｇＩｉ — ＪＧｕＳ—ｕ
ＡｂｔａｔＡｉｎｔｔｅｃａａｔｒｔｆｍｅｉａｉｇｓｈｓｐｐｒｉｔｇａｅｅｅｉｌｏｉｈｗｉｌｓｅｉｇａａｙｓｒｃｍｉｇａｈｈｒｃｅｉｉｏｄｃｌｍａｅ，ｔｉａｅｎｅｒｔｓｇｎｔｃａｇｒｍｔｃｕｔｒｎｌ — ｓｃｔｈｎｓｓａｄａｐｉｓｉｄｃｌｉｎｐｌｎｍｅｉａｅＣＴｉｇｅｍｅｔｔｎｍａｅｓｇｎａｉ．Ｋ－ａｓｃｕｔｒｇｉｎｒｄｃｄａｄｒｍａｋｄｆｒｔｙｏｍｅｎｌｓｅｉｉｔｏｕｅｎｅｒｅｉｌ．Ｏｎｔｅｂｓｓｎｓｓｈａｉ
ｏｙｔｍａｉｎｌｓｓｏｕｒｎｌｏｉｈｓｅｅｉｌｏｉｈｉｎｕｔｄｉｔｌｓｅｉｇａａｙｉｏｓｌｅｔｅｌｃｌｙｆｓｓｅｔａａｙｉｆｃｒｅｔａｇｒｔｍ，ｇｎｔａｇｒｍｓｉｄｃｅｎｏｃｕｔｒｎｌｓｓｔｏｖｈｏａｉｃｃｔｎｔ
ｍｅｈｄｉｆａｉｌ，ｎｏｄｓｇｎａｉｎｒｓｌｓｈｖｏ．ｔｏｓｅｓｂｅａｄｇｏｅｍｅｔｔｅｕｔａｅｇｔｏＫｅｗｏｄＩｇｅｍｅｔｔｎ，Ｋ－ａｓｃｕｔｒｎｙｒｓｍａｅｓｇｎａｉｏｍｅｎｌｓｅｉｇ，Ｇｅｅｉｌｏｉｍｎｔａｇｒｈｃｔ

基于一维最大类间方差和形状连通性的图像分割新算法

ＡｂｔａｔＡｏｅｍａｅｓｇｎａｉｎａｇｒｈｂｓｄＯｌ１一Ｄｘｍｕｉｔｒｃａｓｖｒａｃｎｈｐｏｎｃｉｉｓｓｒｃ：ｎｖｌｉｇｅｍｅｔｔｏｌｏｉｍａｅｉｔｍａｉｍｎｅ－ｌｓａｉｎｅａｄｓａｅｃｎｅｔｖห้องสมุดไป่ตู้ ｉｙ
ｐｒｏｓｄｎｔｉｐａｅ．Ｆｉｓｌｏｐｅｉｈｓｐｒｒｔｙ．ｉｇｔａｌｉｉｇｒｌｖｅｓｒｍｈｅｉａｔｅｓｌｍｎｍａｌａｙｅｌｆｏｔｍｇｅ’Ｓｒｇｉａｈｉｔｒｍａｅｅｔｔｅｏｉｎｌｓｏｇａｎｄｓｌｃｓｈｇｒｙｌｖｅｓｗｉｈａｇｅｎｔｒｃａｓｖｒａｅａｅｌｔｌｒｒｉｅ — ｌｓａｉｎｃｓｂｙｉ—Ｄａｉｕｉｅ — ｌｓａｉｎｃｌｒｔ．Ｓｅｏｎｄｌｉｏｎｍｘｍｍｎｔｒｃａｓｖｒａｅａｇｏｉｈｍｃｙ・ｔｃｄｕｃｓｔｅｔｈｓｈｐｏｎｎｃｉｉｙ（ａｅｃｅｔｖｔＳＣ）ｃｍｐｕａｉｏｈｅｅｓｅｔｄｇｒｙｌｖｅｓａｈｓｓｔａｅｌｉｈｔｅｌｒｓｏｔｔｏｎｆｒｔｓｅｌｃｅａｅｌｎｄｃｏｏｅｈｅｇｒｙｌｖｅｓｗｔｈａｇｅｔＳＣａｕｖｌｅ
维普资讯
第２８卷第１期２００８年Ｏ２月
弹
箭
与
制
导
学
报

一种岩心CT扫描图像的处理方法[发明专利]

专利名称：一种岩心CT扫描图像的处理方法专利类型：发明专利
发明人：周枫
申请号：CN201811018026.3
申请日：20180903
公开号：CN110873723A
公开日：
20200310
专利内容由知识产权出版社提供
摘要：本发明公开了一种岩心CT扫描图像的处理方法，该处理方法包括以下步骤：S1、利用CT 仪对岩心进行原始扫描；S2、对原始扫描的图像进行反投影，以获得灰度图像；S3、对获得的灰度图像进行滤波处理，以去除噪点；S4、对滤波去燥后的图像进行分割，识别图像中不同的矿物组分，将岩心图像刻度为岩心组分的集合，获得多组分的数字岩心模型；S5、存储并管理所述数字岩心模型。

本发明可直接用于微观结构分析和数字岩心建模的三维图像，从而为数字岩石物理技术的发展提供技术支撑。

申请人：中国石油化工股份有限公司,中国石油化工股份有限公司石油物探技术研究院
地址：100728 北京市朝阳区朝阳门北大街22号
国籍：CN
代理机构：北京聿宏知识产权代理有限公司
更多信息请下载全文后查看。

医疗图像处理中常用的图像分割算法及其优化方法

医疗图像处理中常用的图像分割算法及其优化方法在医疗图像处理中，图像分割是一个重要的步骤，它的目标是将医疗图像中的不同结构和组织分离开来，以便进行更进一步的分析和诊断。

在过去的几十年里，研究人员提出了许多不同的图像分割算法，这些算法涵盖了不同的数学和计算方法。

本文将介绍一些在医疗图像处理中常用的图像分割算法，并讨论它们的优化方法。

一、基于阈值的图像分割算法基于阈值的图像分割算法是最简单和最常用的一种方法。

它们基于图像中像素的灰度值，将像素分为不同的区域。

阈值可以是固定的，也可以是根据图像的特性自适应选择的。

阈值算法简单直接，计算效率高，适用于许多医学应用中。

然而，基于阈值的方法也存在一些问题。

例如，在存在背景噪声的情况下，会导致分割结果不准确。

另外，对于具有不均匀光照和强度变化的图像，简单的阈值方法可能无法得到满意的分割结果。

为了解决这些问题，研究人员提出了许多优化方法。

一种常见的优化方法是Otsu分割算法，它基于最大类间方差原则来选择最佳的阈值。

另外，自适应阈值方法可以根据局部像素的灰度值计算其相应的阈值，从而适应不同图像区域的特性。

二、基于区域的图像分割算法基于区域的图像分割算法将像素分为具有相似特性的区域。

这些算法通常采用从种子点开始的区域生长或者分裂算法。

区域生长算法以某个种子点为起点，不断将具有相似特性的像素添加到该区域中，直到不再满足添加条件为止。

而区域分裂算法则是从整个图像开始，将具有不同特性的像素分裂成不同的区域。

基于区域的分割方法在医学图像分割中有广泛的应用，特别是在分割复杂的组织结构时非常有效。

然而，这些方法对噪声和弱边缘的鲁棒性较低。

为了解决这个问题，研究人员提出了一些改进的方法。

例如，可以将基于区域的算法与基于边缘的算法相结合，以利用边缘信息来提高分割结果的准确性。

三、基于边缘的图像分割算法基于边缘的图像分割算法着重于提取图像中物体的边缘信息，并将边缘连接成闭合轮廓。

这些算法通常基于边缘检测算法，如Canny算法、Sobel算法等。

一种结合遗传算法和最大类间方差法的图像分割新方法

一种结合遗传算法和最大类间方差法的图像分割新方法
韩海峰
【期刊名称】《湖南工程学院学报（自然科学版）》
【年(卷),期】2015(025)002
【摘要】传统的一维图像Otsu方法,只能对图像的灰度信息进行处理,对空间信息、像素等部分不能得到处理,因此在图像受到噪声或其他干扰时灰度直方图中的波峰、波谷会呈现不明显的分布,造成分割失误.本文结合遗传算法和最大类间方差法的图
像分割新方法,是以遗传算法确定阀值空间中的最优阀值,最大类间方差法确定图像
背景和目标图像之间的灰度方差面的最大值,避免受到噪声等因素的干扰.通过仿真
实验发现该图像分割方法可降低分割时间,分割质量较好,发展前景广阔.
【总页数】5页(P43-46,54)
【作者】韩海峰
【作者单位】忻州师范学院数学系,忻州034000
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于最大类间方差法与GA相结合的图像分割算法研究 [J], 洪浩;霍春宝
2.一种结合改进OTSU法和改进遗传算法的图像分割方法 [J], 李贤阳;黄婵
3.一种结合粒子群算法和自适应加权窗的二维Otsu图像分割新方法 [J], 颜学颖;
焦李成
4.群智能算法优化的结合熵的最大类间方差法与脉冲耦合神经网络融合的图像分割
算法 [J], 程述立;汪烈军;秦继伟;杜安钰
5.一种结合遗传算法的图像分割方法 [J], 李银松;申棽
因版权原因，仅展示原文概要，查看原文内容请购买。

基于最大类间方差法的图像分割系统的设计与实现

基于最大类间方差法的图像分割系统的设计与实现王暕来杨春玲（哈尔滨工业大学电气工程及自动化学院，哈尔滨 150001）摘要：在现代战争中，快速而有效的对攻击目标进行识别和跟踪对获取战争主动权起着很重要的作用，而要达到这个目的，就需要从目标图像中准确的分割出目标。

在图像分割中，阈值的选取至关重要。

最大类间方差法是一种常用而有效的图像分割算法，并已在许多实时场合中采用。

为满足高速场合的要求，本文采用Altera公司的Cyclone II 系列的FPGA实现类间方差的计算。

实验结果表明，本设计能够实时稳定的对目标分割提取，分割效果良好。

关键词：图像分割；最大类间方差；FPGAImplementation of image segmentation systembased on Otsu methodWANG Jian-lai YANG Chun-ling(Electrical Engineering, Harbin Institute of Technology, Harbin, 150001)Abstract: In the modern war, recognizing and tracking the target rapidly and effectively is of vital importance for acquiring war initiative. For the sake, it is necessary to segment the target from the image accurately. In image segmentation, threshold selection is very important. The Otsu’s method is an effective algorithm for image segmentation, and has been widely employed in various real-time applications. In this paper, an implementation on FPGA of Altera's Cyclone II series for the BCVC (Between Class Variance Computation) of Otsu’s method is presented to meet these high speed requirements. The experimental results indicate that the system can obtain a good performance of image segmentation.Keywords:Image segmentation; Maximum between class variance; FPGA引言图像分割是图像处理和计算机视觉中基本而关键的技术之一，也是图像理解与模式识别的前提[1]，在实际中也有着很广泛的应用。

基于最大类间、类内方差比法的图像分割

最大类间、类内方差比法进行图像分割一、实验目的在理解均匀性图像分割算法的基础上，实现图像的分割，要求对灰度图像和彩色图像均进行实验，并讨论该方法对何种情况下的图像有比较好的分割效果。

二、实验要求建议采用MATLAB 软件编程实现，核心程序不准调用MATLAB 的图像处理函数。

三、实验思路1、分割的基本原理：由于最大类间、类内方差比法是基于图像灰度分布的阈值方法。

数学模型如下：设原图像为f(x,y),经过分割处理后的图像为g(x,y),g(x,y)为二值图像，则有（3-1）1 (,)(,)0 (,)f x y Th g x y f x y Th>=⎧=⎨<⎩2、最大类间方差法与最大类间、类内方差比法的不同：最大类间方差法又叫大津法,简称OTSU。

它是按图像的灰度特性,将图像分成背景和目标2部分。

背景和目标之间的类间方差越大,说明构成图像的2部分的差别越大。

它只需处理类间方差，在Matlab 中grathresh()即为最大类间方差函数，用来寻找阈值。

最大类间、类内方差比法是在最大类间方差法基础上的发展，在少部分教科书上可见。

它是要处理类间方差与类内方差的比值，找到满足二者比值最大时的Th，在Matlab没有此方法的工具函数。

3、本实验阈值Th的确定方法：由于最大类间、类内方差比法图像分割的核心是阈值Th的确定，即要处理类间方差和类内方差的比值，找出最大的比值，此时满足最大比值的Th即为所求。

我们可以将所有类间、类内方差的比值放在一个矩阵中，然后使用find函数找出矩阵的最大值，对应的Th即为所求，。

4、本实验对不同图像的处理方法：针对灰度图像，笔者打算根据如下的实验步骤进行实验仿真；对于彩色图像，笔者打算分别将原图三通道提取出来，然后按照如下的实验步骤分别对单通道分割，然后对处理后的三个通道进行整合，得到新的分割图像。

四、实验步骤1、给定一个初始阈值Th=Th0，将图像分成C1和C2两类；2、分别按下列公式计算两类中的方差σ1^2和σ2^2，灰度均值μ1和μ2，以及图像的总体均值μ；灰度方差：22(,)((,))iii x y c f x y u σ∈=-∑灰度均值：(,)1(,)iii x y c c f x y N μ∈=∑总体均值：111(,)mni j imagef i j N μ===∑∑3、按下式计算两类在图像中的分布概率p1和p2；11c image N p N =21c imageN p N =4、计算类间方差σb^2=和类内方差σin^2；5、选择最佳阈值Th=Th*，使得图像按照该阈值分成C1和C2后，满足两者方差比最大：(41)-(42)-(43)-(44)-(45)-(46)-2221122()()bp p σμμμμ=⋅-+⋅-2221122in p p σσσ=⋅+⋅2*2max , b in Th Th σβσ⎧⎫==⎨⎬⎩⎭6、按下式对原图的像素进行变换**1 (,)(,) 0 (,)f x y Thg x y f x y Th⎧>=⎪=⎨<⎪⎩五、基于MATLAB 的实验仿真 1、应用于灰度图像分割代码clear all; close all;a=imread('D:\我的图片\3.jpg'); a=rgb2gray(a); figure; imshow(a);title('此为原图'); a=double(a); [m,n]=size(a);th=zeros(1,254); %建立一维零矩阵存放类间类内方差比的值；我们需要对灰度值从1到254遍历； for T=1:254(47)-(48)-s1=0;s2=0;c1=0;c2=0;q1=0;q2=0;for i=1:mfor j=1:nif(a(i,j)>=T)s1=a(i,j)+s1;c1=c1+1;endif(a(i,j)<T)s2=a(i,j)+s2;c2=c2+1;endendendu1=s1/c1; %C1的灰度均值；u2=s2/c2; %C2的灰度均值；p1=c1/(c1+c2); %C1的发生概率；p2=c2/(c1+c2); %C2的发生概率；u=(s1+s2)/(c1+c2); %样本的总体均值；x=p1*(u-u1)*(u-u1)+p2*(u-u2)*(u-u2); %类内方差；for i=1:mfor j=1:nif(a(i,j)>=T)q1=(a(i,j)-u1)*(a(i,j)-u1)+q1;endif(a(i,j)<T)q2=(a(i,j)-u2)*(a(i,j)-u2)+q2;endendendy=p1*q1+p2*q2; %类间方差；c=x/y;th(T)=c; %零矩阵每个位置都存放着类间、类内方差的比值；endd=find(th==max(th(:))); %寻找方差比最大时，该方差比在th矩阵中所处的位置，也就是具体的阈值TTh=d;b=zeros(m,n); %新建二维矩阵b用来显示分割后的图像for i=1:mfor j=1:nif(a(i,j)>=Th)b(i,j)=255;endif(a(i,j)<Th)b(i,j)=0;endendendfigure;imshow(b);title(‘此为分割结果’)；二、应用于彩色图像的分割代码clear all;close all;X=imread('D:\我的图片\3.jpg');figure;imshow(X);title('此为原图');X=double(X);I=X; %建立与原图相等的矩阵I，用来将X三通道分割的结果整合再分别赋予I，作为最后的输出结果；R=X(:,:,1);G=X(:,:,2);B=X(:,:,3);[m,n]=size(R); %R,G,B作为X三通道矩阵，肯定维度都一样；%对通道1进行分割；th1=zeros(1,254); %建立一维零矩阵存放类间类内方差比的值；我们需要对灰度值从1到254遍历；for T=1:254s1=0;s2=0;c1=0;c2=0;q1=0;q2=0;for i=1:mfor j=1:nif(R(i,j)>=T)s1=R(i,j)+s1;c1=c1+1;endif(R(i,j)<T)s2=R(i,j)+s2;c2=c2+1;endendendu1=s1/c1; %C1的灰度均值；u2=s2/c2; %C2的灰度均值；p1=c1/(c1+c2); %C1的发生概率；p2=c2/(c1+c2); %C2的发生概率；u=(s1+s2)/(c1+c2); %样本的总体均值；x=p1*(u-u1)*(u-u1)+p2*(u-u2)*(u-u2); %类内方差；for i=1:mfor j=1:nif(R(i,j)>=T)q1=(R(i,j)-u1)*(R(i,j)-u1)+q1;endif(R(i,j)<T)q2=(R(i,j)-u2)*(R(i,j)-u2)+q2;endendendy=p1*q1+p2*q2; %类间方差；z=x/y;th1(T)=z; %零矩阵每个位置都存放着类间、类内方差的比值；endd1=find(th1==max(th1(:))); %寻找方差比最大时，该方差比在th矩阵中所处的位置为d1，也就是具体的阈值T1Th1=d1;for i=1:mfor j=1:nif(R(i,j)>=Th1)R(i,j)=255;endif(R(i,j)<Th1)R(i,j)=0;endendend%对通道2进行分割th2=zeros(1,254);for T=1:254s1=0;s2=0;c1=0;c2=0;q1=0;q2=0;for i=1:mfor j=1:nif(G(i,j)>=T)s1=G(i,j)+s1;c1=c1+1;endif(G(i,j)<T)s2=G(i,j)+s2;c2=c2+1;endendendu1=s1/c1;u2=s2/c2;p1=c1/(c1+c2);p2=c2/(c1+c2);u=(s1+s2)/(c1+c2);x=p1*(u-u1)*(u-u1)+p2*(u-u2)*(u-u2); for i=1:mfor j=1:nif(G(i,j)>=T)q1=(G(i,j)-u1)*(G(i,j)-u1)+q1;endif(G(i,j)<T)q2=(G(i,j)-u2)*(G(i,j)-u2)+q2;endendendy=p1*q1+p2*q2;z=x/y;th2(T)=z;endd2=find(th2==max(th2(:)));Th2=d2;for i=1:mfor j=1:nif(G(i,j)>=Th1)G(i,j)=255;endif(G(i,j)<Th1)G(i,j)=0;endendend%对通道3进行分割th3=zeros(1,254);for T=1:254s1=0;s2=0;c1=0;c2=0;q1=0;q2=0;for i=1:mfor j=1:nif(B(i,j)>=T)s1=B(i,j)+s1;c1=c1+1;endif(B(i,j)<T)s2=B(i,j)+s2;c2=c2+1;endendendu1=s1/c1;u2=s2/c2;p1=c1/(c1+c2);p2=c2/(c1+c2);u=(s1+s2)/(c1+c2);x=p1*(u-u1)*(u-u1)+p2*(u-u2)*(u-u2);for i=1:mfor j=1:nif(B(i,j)>=T)q1=(B(i,j)-u1)*(B(i,j)-u1)+q1;endif(B(i,j)<T)q2=(B(i,j)-u2)*(B(i,j)-u2)+q2;endendendy=p1*q1+p2*q2;z=x/y;th3(T)=z;endd3=find(th3==max(th3(:)));Th3=d3;for i=1:mfor j=1:nif(B(i,j)>=Th3)B(i,j)=255;endif(B(i,j)<Th3)B(i,j)=0;endendendI(:,:,1)=R;I(:,:,2)=G;I(:,:,3)=B;figure;imshow(I);title('此为分割结果');六、实验运行示例：原始彩色图像，亦为两个程序同一输入：1、针对灰度图像的实验结果2、针对原彩色图像的实验结果对比两次试验我们发现，对于同一张彩色图片，将其按照本实验程序进行分割处理，再将原图转换为灰度图按照相同程序进行分割，二者有一定差别。

基于聚类算法的岩石CT图像分割及量化方法

基于聚类算法的岩石CT图像分割及量化方法张嘉凡;张雪娇;杨更社;刘慧;张慧梅【摘要】为研究岩石CT图像分割及量化方法,以识别岩石CT图像中的岩石区、损伤区及背景区为目的,提出了一种聚类算法与数字图像处理技术相结合的方法,该方法根据“物以类聚”的统计原理,按距离相近或相似程度对岩石CT图像中的像素进行标定,从而实现图像分割及量化.结果表明:该方法能够准确地对岩石CT图像中的不同区域进行分割并且实现了对损伤的量化表达;同时,对于结果不确定度影响的初始参数有完全的排异性,从而保证了结果的稳定性;将该算法与阈值分割法进行比较,该算法可避免人为选择阈值导致的误差,从而保证结果的可靠性.【期刊名称】《西安科技大学学报》【年(卷),期】2016(036)002【总页数】5页(P171-175)【关键词】聚类分析;阈值分割;岩石CT图像【作者】张嘉凡;张雪娇;杨更社;刘慧;张慧梅【作者单位】西安科技大学理学院,陕西西安710054;西安科技大学理学院,陕西西安710054;西安科技大学建筑与土木工程学院,陕西西安710054;西安科技大学建筑与土木工程学院,陕西西安710054;西安科技大学理学院,陕西西安710054【正文语种】中文【中图分类】TU455随着科学技术尤其是计算机技术的发展，CT扫描或探测技术的应用日趋成熟并逐渐成为各行业发展的热点。

以岩石损伤探测及量化工作为对象，CT技术目前已成为该领域最为先进的探伤及分析手段之一。

毛林涛［1］等通过差值图像的统计特征，分析了煤岩内部裂隙与宏观变形之间的关系;杨更社［2］利用数字图像增强技术实现了CT图像的伪彩色增强，并根据灰度直方图技术分析了岩石损伤规律;刘慧［3］通过遗传算法与最大类间方差相结合，自动选取图像的最优阈值，完成了冻结岩石CT图像的三值化分割;张青成［4］等基于图像分割技术，对煤岩CT图像的灰度级别设定不同的二值化阀值，得到不同阀值下的孔隙面积变化曲线，并提出以拐点处对应的阀值作为裂隙图像二值化阀值时效果最佳;马天寿，陈平［5］采用最大自动取阈值方法对页岩水化CT图像进行分割，得到了损伤变量与浸泡时间的关系。

基于模式跟踪和路径搜索的岩心CT序列图像裂缝分割

基于模式跟踪和路径搜索的岩心CT序列图像裂缝分割
李博;熊淑华;滕奇志
【期刊名称】《计算机应用》
【年(卷),期】2022(42)S01
【摘要】岩心计算机断层扫描(CT)序列图裂缝分割是数字岩心裂缝分析的前提。

针对传统基于阈值和形态特征的分割方法难以有效对裂缝目标进行批量分割的问题,提出一种基于裂缝位置连续性的裂缝分割方法。

首先,利用人工交互对首帧图像进
行分割,获得参考模式;其次,对相邻帧进行阈值分割,并将分割结果与参考模式进行与运算和或运算,获得去除噪声的裂缝位置模式;最后,在裂缝位置模式内搜索相邻帧中的裂缝目标连通域,并采用A*算法对断裂的裂缝目标进行连接,形成完整的裂缝目标。

对于交叉缝,采用8邻域特征模板提取交叉点,将交叉缝分割简化为单裂缝分割。

实验结果表明,所提方法能够在去除噪声的同时对单裂缝和交叉缝进行批量完整分割。

【总页数】6页(P327-332)
【作者】李博;熊淑华;滕奇志
【作者单位】四川大学电子信息学院
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于最大类间方差遗传算法的岩心CT扫描图像分割方法
2.一种改进的基于遗传算法优化的OTSU算法在岩心CT扫描图像分割中的应用
3.基于光流网络模型的
岩心CT序列图像裂缝分割4.基于裂缝平移的岩心CT序列图像裂缝批量提取5.基于Hessian矩阵和熵的CT序列图像裂缝分割方法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于最大类间方差的改进图像分割算法

基于最大类间方差的改进图像分割算法丁晓峰;何凯霖【期刊名称】《计算机工程与设计》【年(卷),期】2015(000)010【摘要】As it is difficult to select the optimal threshold in image segmentation and the calculation amount is large ,the im‐proved algorithm of image segmentation based on the maximum between‐cluster variance was put forward .The maximum be‐tween‐cluster variance algorithm was adopted to search for the optimal threshold in the gray space ,overcoming the defects of tra‐ditional algorithm .The search principle in dichotomy was applied in Otsu algorithm ,thus improving search efficiency and redu‐cing the number of variancecalculations .Compared with the traditional Otsu method ,the improved method speeds up the calculation process with the calculation amount lowered by more than 10 times .The experimental results show that the algorithm can be better applied to occasions with high real‐time performance and large amount of data ,and it has high efficiency and use value .%针对图像分割最佳阈值难于选取和计算量大的问题，提出一种基于最大类间方差的改进图像分割算法。

基于最大方差法和改进遗传算法的图像分割

基于最大方差法和改进遗传算法的图像分割
薛岚燕;程丽
【期刊名称】《计算机应用与软件》
【年(卷),期】2008(025)002
【摘要】针对应用标准遗传算法对一幅灰度图像寻找最优阈值时经常陷入局部寻优的问题,提出了一种利用最大方差法和新的改进遗传算法相结合对图像进行分割的方法.以灰度图像的最大方差作为适应度函数,把图像分割问题变成一个优化问题.利用遗传算法的寻优高效性,搜索到能使分割质量达到最优的分割阈值.实验结果表明,采用新的改进遗传算法和最大方差法相结合对图像搜索全局阈值时能收敛至全局最优解,并且大大缩短寻找最优阈值的时间.
【总页数】3页(P221-222,247)
【作者】薛岚燕;程丽
【作者单位】福建农林大学计算机与信息学院,福建,福州,350002;福建农林大学计算机与信息学院,福建,福州,350002
【正文语种】中文
【中图分类】TP3
【相关文献】
1.一种结合遗传算法和最大类间方差法的图像分割新方法 [J], 韩海峰
2.基于改进遗传算法的最大类别方差法 [J], 张健欣;童朝南
3.基于遗传算法的最大类间方差法的改进 [J], 杨修国
4.基于边缘检测与改进最大类间方差法的火箭序列图像分割算法 [J], 孙艳忠;柴毅;尹宏鹏
5.基于改进最大类间方差法的灰度图像分割 [J], 王璇;张帆;程京
因版权原因，仅展示原文概要，查看原文内容请购买。