一种改进的基于图论的图像分割方法

一种改进的基于图论的图像分割方法
一种改进的基于图论的图像分割方法

第9卷 第13期 2009年7月167121819(2009)1323652206 

科 学 技 术 与 工 程

Science Technol ogy and Engineering

 Vol 19 No 113 July 2009

Ζ 2009 Sci 1Tech 1Engng 1

一种改进的基于图论的图像分割方法

黄 茜 杨文亮 顾杰峰

(华南理工大学电子与信息学院,广州510640)

摘 要 提出了一种融合边缘检测与图论的图像分割方法,在基于图论方法进行图像分割之前,引入边缘检测对像素点进行预分类,以消除图论方法因为区域的过合并导致的欠分割现象。实验结果表明该文的算法能取得很好的分割效果。关键词 图像分割 图论算法 canny 边缘检测中图法分类号 TP30116; 文献标志码 

A

2009年3月6日收到

第一作者简介:黄 茜,硕士研究生导师,研究方向:图像处理和模式识别。

图像分割在计算机视觉中扮演着重要的角色。许多计算机视觉的问题都需应用到图像分割,如立体视觉目标运动估计、对象识别和图像索引等,需要对分割区域进行匹配。目前,基于图论的图像分割方法是研究的重点之一,常见的方法有最小生成

树(MST )[1,2]方法、Nor malized Cut 方法[3]

以及基于主集(Dom inate Set )的方法[4]

等。它们的一个共同

特点是将图像中的像素以聚类或者分组的方法进行划分,进而完成对图像的分割。

Graph 2Based 方法

[5]

由P .F .Felzensz walb 和

D.P .Huttenl ocher 提出,是基于最小生成树的改进

方法。该方法将一幅输入图像映射成一个带权无向图,带权无向图中的节点代表图像像素点集,当一节点存在像素与另一节点中的任一像素相邻,则以带权边连接这两节点,边上的权值表示像素点集之间的相似程度。通过定义集内差异和集间差异来反映像素集内部和像素集间像素的近似性,结合区域生长的思想,若两个集合间差异小于其中任何一个集合内部差异,则认为对应的两个图像区域较为相似,应将其视为一个区域。否则,这两集合对应的两个区域应视为不同区域。通过合并相似的像素集,得到最终的分割结果。该方法从视觉重要

性角度进行分割,克服了早期最小生成树方法将图像高变区域分割成多个区域和将渐变区域与常数区域合并的缺点,而且分割速度很快,算法复杂度与图像像素点的数目成正比关系。

Graph 2Based 方法在集间差异的比较中,引入了

一个关于k 的阈值函数来控制分割区域的大小。但未指出其为何不会将渐变区域与常数区域合并,且不会把高变区域分割成多个区域的原因。因此本文首先分析阈值函数与分割效果的关系,接着,针对k 取值过大造成的过合并现象,提出结合图像边缘信息的改进方法。实验结果表明,结合边缘信息能克服一定的过合并现象,取得较好的图像分割结果。

1 Graph 2Ba sed 方法

Graph 2Based 图像分割方法,其特点不仅在于按

视觉重要性进行分割,即强调低变区域细节和忽略高变区域细节,而且是目前能得到满意分割结果的方法中效率最高的。该方法主要思想如下:

给定带权图G =(V,E ),其中V 是图G 的节点集,即准备分割的元素的集合,E 是边集。令v i ,v j ∈

V,(v i ,v j )∈E,则对于每一条边(v i ,v j ),存在一个权

值w ((v i ,v j ))与之对应。其中,w ((v i ,v j ))表示相邻元素v i 和v j 间的相似度。令Graph 2Based 方法分割结果为S,则

S={C i|C iΑV,∪i C i=V,C i∩C j=φ,i≠j}(1) (1)式中,C i为V的一个子集,对应图的一个连通分量。就图像分割问题而言,V中的元素是图像中的

像素点集,边的权值是由边相连的两像素点集之间相似度(如灰度、颜色等局部特征)的度量,C

i

对应图像的区域,分割结果S则是图像区域的集合。虽然存在不同方法度量分割效果的好坏,但是,一般要求分割所得区域内部像素要相似,不同区域间像

素差异较大,即C

i

内部边对应的权值相对较小,连

接C

i

,C j(i≠j)之间的边所对应的权值相对较大。

令CΑV,定义集内差异Int(C)为连通分量最小生成树M S T(C,E)中的最大权值,即

In t(C)=max

e∈M S T(C,E)

w(e)(2)

令C

1

,C2ΑV,定义集间差异D if(C1,C2)为所有连接两连通分量间的边的最小权值,即

D if(C1,C2)=m in

v i∈C1,v j∈C2,(v i,v j)∈E

w((v i,v j))(3)

如果C

1

,C2间没有边相连,则D if(C1,C2)=∞。接

下来,该算法定义了一个分割判决,若D if(C

1

,C2)

大于Int(C

1),Int(C

2

)中的任何一个,则认为C1,C2

间差异较大,应将C

1

,C2对应的图像区域视为不同

区域。否则,应将C

1

,C2对应的图像区域合并。

为了控制判决门限,即D if(C

1

,C2)与Int(C1), Int(C2)的大小关系,Graph2based方法引入了一个阈值函数τ,由此定义的分割判决为:

D(C1,C2)=1,若D if(C1,C2)>M Int(C1,C2) 0,其它

M Int(C1,C2)=m in(Int(C1)+τ(C1),Int(C2)+

τ(C

2

))(4) D为1表示C1,C2不合并,D为0表示C1,C2需要

合并。阈值函数τ控制的是当D if(C

1

,C2)与Int(C1),Int(C2)相差多大的量时,才认为区域间存在明显的差异。阈值函数τ引入的原因在于,当C 中的元素数目较小时,In t(C)并不能很好的反映数据局部特征,因此定义τ为关于连通分量大小的函数,τ(C)=k/|C|,其中|C|表示连通分量的大小,即连通分量的元素个数,k为常数。

Graph2Based算法的实现与构造图的最小生成树的Kruskal算法[6]相似,Kruskal算法的复杂度为O(m lg m),其中m为图中边的数目。

2 结合边缘信息的改进算法

Graph2Based方法具体实现时可以设定图像的每一个像素点作为图的一个节点,8邻域内相接的像素点之间存在一条边,以像素R,G,B值的欧氏距离作为边的权值,当满足以下条件时进行像素点聚类。

D if(C1,C2)≤Int(C1)+τ(C1);

D if(C1,C2)≤Int(C2)+τ(C2)(5)τ(C)=k/|C|是阈值函数。参数k控制分割区域的大小。在节点处理顺序上,Graph2Based方法采用的是按边权值的递增顺序进行处理,即按像素相似度由强至弱进行像素的聚类。

2.1 阈值函数分析

因为按边权值递增排序合并节点,造成的结果是连接图的两连通分量间的边的权值总是大于分量内部的边的权值。如果省略τ(C)项,则D if(C

1

, C2)总是大于In t(C1),In t(C2),因此,τ(C)= k/|C|项是必须的。由于按边权值递增顺序处理,对应回待分割图像,从整体来说,首先处理的是常数区域,接着是渐变区域,最后是高变区域。图1给出了区域处理分割示意图。

令E={e

1

,e2,...,e n}是按权值递增排序的边

集,即w(e

i

)≤w(e i+1),i=1,2,...,n-1。式(5)可写改成

k≥|C1|(w(e c)

-w(e

i

))

k≥|C2|(w(e c)-w(e j))

(6) (6)式中c>i,j,e c是当前待处理的连接C1,C2的

边,e

i

是最后形成C

1

的边,e

j

是最后形成C

2

的边。下面结合图1讨论像素点合并过程。图1是一张合成图像,从感官上可分为3个区域,像素值近似为常数的区域,渐变区域和高变区域。在算法执行的初

始阶段,|C

i

|=1。由于是按边权值递增顺序进行处理,在合并过程初期,处理的边大多属于常数区域,

因此(w(e

c

)-w(e

i

))很小,合并条件(6)容易满足。

尽管随着合并的进行,在常数区域形成的|C

i

|不断

3563

13期黄 茜,等:一种改进的基于图论的图像分割方法 

图1 Graph2based算法执行流程示意图

(a)原图像322×212 (b)处理1/3边后的分割结果 (c)处理2/3边后的分割结果 (d)处理所有边后的分割结果 (e)取不同阈值的分割结果(b)(c)(d)k=1000,sig ma=0.8,(e)k=1800,sig ma=0.8

增大,但(w(e

c )-w(e

i

))一直维持较小,因此能将

常数区域的像素聚成一类,即分割出常数区域。随

着合并的进行,待处理的边的权值开始增大,此时处理的边大都属于渐变区域,而在渐变区内部,部分|C

i

|较小,而(w(e c)-w(e i))也不大,因此合并条件(6)式还是能满足,能进一步合并。在渐变区域与常数区域的交界处,常数区域在算法执行早期

已经合并,|C

i

|很大(通常大于k),而(w(e c)-w(e i))也较大,因此合并条件(6)不再满足,渐变区像素不会与常数区域合并,这样就克服了最小生成树法将渐变区域与常数区域合并的缺点。到循环

后期,处理的边主要属于高变区,此时尽管(w(e

c

)

-w(e

i

))较大,但是高变区域内部的|C i|很小,因此合并条件(6)还是能满足。最终的结果是能分割出高变区域。但是,从图1(d)可得,尽管k取1000 (较大),但是仍未将渐变区域合并为一,当k取1 800时,即图1(e),才能将渐变区域合并为一。实验结果表明,为了达到较好的分割效果,通常k值要取得较大。但是可能会导致过度合并现象,造成图像欠分割。图2给出了一个示例,(b)(c)中k取得小,区域欠合并,(d)中k取得较大,虽然能达到较好的分割效果,但是存在过合并现象

图2 Graph2based算法使用不同阈值分割效果示意图sig ma=0.8(a)原图像432×294(b)k=300

(c)k=500(d)k=1000

2.2 过合并处理

针对当k取值过大时造成更大区域的融合,导致过合并现象,本文提出结合边缘信息的分割方法。具体做法是提取图像边缘后,结合边缘信息,在构造图G时将边分成两类,一类与图像的边缘点关联,即边连接的两个节点中至少一个是图像的边缘点,另一类则无关。首先处理与图像边缘点无关的一类边。因为图像边缘的分离,像素点的合并将在局部区域内部进行,不会跨过图像的边缘,导致过合并,同时,因为图像边缘的隔离,在预处理时可以作进一步的平滑,能更多的消去噪声的影响。克服基于图论方法对噪声敏感的缺点。图3给出了结合边缘信息后,k取值不同时图像分割示例,其中T1和T2的定义在3.3节中给出。对比图2,不难看出,k取值过大时造成的过合并现象能得到一定程度的克服。

2.3 Canny边缘检测算子

基于Canny边缘检测具有定位准确、单边缘响应和噪声边缘少等特点[7],因此,本文采用Canny边缘检测进行像素点的预分类。Canny边缘检测步骤如下:

4563科 学 技 术 与 工 程9卷

图3 结合边缘信息的Graph2based算法分割效果示意图sig ma=1.5,T1=0.02,T2=0.05(a)原图像432×294

(b)k=300(c)k=500(d)k=1000

1)图像使用标准偏差σ的高斯滤波器来平滑,从而可以减少噪声。

2)在每一点处计算局部梯度和边缘方向

g(x,y)=(G2x+G2y)1/2;

α(x,y)=arctan(G

y

/G x)(7)边缘点定义为梯度方向上其强度局部最大的点。

3)在2)中确定的边缘点会导致梯度幅度图像中出现脊。然后,算法追踪所有脊的顶部,并将所有不在脊的顶部的像素设为零,以便在输出中给出一条细线,即进行非最大值抑制处理。脊像素使用两个阈值T1和T2做阈值处理,其中T1

4)最后,算法通过将8连接的弱像素集成到强像素,执行边缘连接。

2.4 算法描述

1)使用Canny边缘检测算子提取输入图像的边缘信息。

2)对输入图像作平滑处理,构造8邻域带权图,G=(V,E),|V|=n,|E|=m,并将带权图的边分成两类,其中一类不关联图像边缘,设为E

1

,|E1|= m1。另一类关联图像边缘,设为E2,|E2|=m2,且m1+m2=m。

3)按权值递增顺序将边集E1和E2分别排列得

到π

1

=(o1,...,o

m1

),π2=(o m

1+1

,...,o m

1+m2

),令

π=(o

1

,...,o m

1

,o m

1+1

,...,o m

1+m2

);

4)令初始分割为S0,S0=(v1,v2,...,v n),即V 中的每一个元素作为初始分割S0中的分量;

5)对于q=1,...,m,重复步骤6);

6)从S q-1构造S q如下:令π中的第q条边连接

的节点为v

i

和v

j

,即o q=(v i,v j),若v i,v j分别属于S q-1中不同的分量,且w(o q)比两分量的内部差异

均小,则合并两分量,否则,不合并。即,令C q-1

i

S q-1中包含v i的分量,C q-1

j

是包含v

j

的分量,若满

足C q-1

i

≠C q-1

j

和w(o

q

)

i

,C q-1

j

),则把

S q-1中的C q-1

i

和C q-1

j

合并成一个分量,得到S q,否则S q=S q-1;

7)返回S=S m。

3 实验结果

本文实验对比了原Graph2Based算法[5]与结合图像边缘信息后的改进算法对图像进行分割的效果。其中,在构造图时是基于像素的8邻域进行,边的权值计算采用基于像素RG B值的欧氏距离,图像预处理使用高斯滤波。图4和图5给出了实验的对比结果。其中(a)为待分割图像,(b)(c)是使用Graph2Based算法作者提供的代码[8]执行图像分割后的效果,(d)(e)为结合边缘信息的改进算法的分割结果。可以看出,结合边缘信息的改进算法能一定程度的克服原算法在k值取得较大时存在的过合并现象,得到更好的分割效果。

5563

13期黄 茜,等:一种改进的基于图论的图像分割方法 

图4 原算法与改进算法图像分割实例,sig ma=1。

(b)(c)原Graph2Based算法的分割结果,(b)k=300,

(c)k=500;(d)(e)结合边缘信息的改进算法分割结果,

T1=0.008,T2=0.02,(d)k=300,(e)k=500

4 结论

提出了一种结合边缘信息与图论的图像分割算法,该算法在构造图时,区分与图像边缘点相关的边,使得之后的区域合并在局部范围内进行,不会将存在明显边缘的区域合并,而与图像边缘点相关的边于图像分割后期再作处理。该方法克服了Graph2based算法中当阈值取得较大时存在的过合并问题(欠分割)。同时,边缘信息的结合并没有增加算法的复杂度,实现结果表明,这种方法能取得较好的分割效果,与人的视觉感知有一致性

图5 原算法与改进算法图像分割实例,sig ma=1。

(b)(c)原Graph2Based算法的分割结果,(b)k=500,

(c)k=1000;(d)(e)结合边缘信息的改进算法分割结果,

T1=0.02,T2=0.05,(d)k=500,(e)k=1000

参 考 文 献

1 Zahn C T.Graph2theoretic methods for detecting and describing ge2 stalt clusters.I EEE Transacti ons on Computing,1971;20:68—86

2 U rquhart R.Graph theoretical clustering based on li m ited neighbor2 hood sets.Pattern Recogniti on,1982;15(3):173—187

3 Shi J,Malik J.Nor malized cuts and i m age seg mentati on.Pr oceedings of the I EEE conference on Computer V isi on and Pattern Recogniti on, 1997:731—737

4 Pavan M,Pelill o M.A new graph2theoretic app r oach t o clustering and seg mentati on.Pr oceedings of the I EEE conference on Computer V i2 si on and Pattern Recogniti on,2003;1:145—152

5 Felzensz walb P F,Huttenl ocherD P.Efficient graph2based i m age seg2 mentati on.I nternati onal Journal of Computer V isi on,2004;59(2): 167—181

6 Cor men T H,Leisers on C E,R ivest R L.I ntr oducti on t o A lgorithm s, Second Editi on.The M I T Press,McGra w2H ill Book Company,2002 7 Canny J.A computati onal app r oach f or edge detecti on.I EEE Trans2 acti ons on Pattern Analysis and Machine I ntelligence.1986;8(6): 679—698

8 htt p://peop https://www.360docs.net/doc/036796101.html,/~pff/seg ment/

(下转第3671页)

6563科 学 技 术 与 工 程9卷

V i rtua l A ssem bly Technology Appli ed i n A ssem bly M issi on Tra i n i n g

OU Hai 2ying,F U Zhan 2p ing,HU W en 2ting,L I Xiao 2yu

(Q ingdao B ranch,Naval Aer onautical Engineering I nstitute,Q ingdao 266041,P .R.China )

[Abstract] Taking a train redirect or virtual asse mbly syste m as an exa mp le,devel op ing p r ocess of virtual asse m 2bly training syste m was s pecified .After modeling in Pr o /E or 3DMAX,asse mbled objects π3D models were l oaded int o EON Studi o t o drive .Functi on nodes setting in E ON was dep icted .Then a p r oble m of how t o contr ol a p lenty of access ories moving sequentially was s olved thr ough continuous comp lex r outes arrange ment .V irtual assembly m issi on training syste m is intuitive,cheap,nice interacti on and can operate repeatedly,and s o it has vast market value .

[Key words] virtual asse mbly asse mbly m issi on training syste m devel op ing EON studi o

(上接第3656页)

I m proved I mage Segm en t a ti on M ethod Ba sed on Graph Theory

HUANG Q ian,Y ANG W en 2liang 1

,G U J ie 2feng

(School of Electr onic and I nf or mati on Engineer,South China University of Technol ogy,Guangzhou 510640,P .R.China )

[Abstract] A method f or i m age seg mentati on is suggested by combining edge detecti on and graph theory .The method eli m inates under 2seg mentati on t o s ome extent caused by over 2clustering of graph methods,thr ough intr odu 2cing edge detecti on f or initial classificati on of p ixels before app lying the graph method t o cluster p ixels .The experi 2ment results show good results of seg mentati on .

[Key words] i m age seg mentati on graph algorithm canny edge detect or

(上接第3666页)

[Abstract] H.264standard f or net w ork trans m issi on with a better support,research of water marking on this standard has i m portant effects on copyright p r otecti on in the net w ork video trans m issi on .Consequently,a ne w video water marking arithmetic is put for wird which e mbeds water marking by adjusting DC coefficients in large bl ocks of I fra me which chose fr om the video strea m ing .The arith metic doesn πt need original video i m age when detecting water 2marking s o that it is a blind detecti on .Experi m ents indicate that arith metic has a str ong r obustness t o many attack sche mes,such as multi p le comp ressi on,noise attacks,fra me delete,f or mat conversi on .There is s ome theoretical and p racticality on copyright p r otecti on in the net w ork video trans m issi on .

[Key words] video water marking I fra me DC coefficient H.264standard

1

76313期欧海英,等:虚拟装配技术在装配任务培训中的应用 

图像分割算法的比较与分析

中北大学 课程设计说明书 学生姓名:学号: 学生姓名:学号: 学生姓名:学号: 学生姓名:学号: 学院:信息与通信工程学院 专业:电子信息工程 题目:信息处理综合实践: 图像分割算法的比较与分析 指导教师:陈平职称: 副教授 2014 年12 月29 日

中北大学 课程设计任务书 14/15 学年第一学期 学院:信息与通信工程学院专业:电子信息工程 学生姓名:学号: 课程设计题目:信息处理综合实践: 图像分割算法的比较与分析起迄日期:2015年1月5日~2015年1月16日课程设计地点:电子信息工程专业实验室 指导教师:陈平 系主任:王浩全 下达任务书日期: 2014 年12月29 日课程设计任务书

课程设计任务书

目录 第一章绪论 (1) 研究目的和意义 (1) 图像分割的研究进展 (1) 第二章区域生长法分割图像 (4) 区域生长法介绍 (4) 区域生长法的原理 (4) 区域生长法的实现过程 (5) 第三章程序及结果 (6) 区域生长算法及程序 (6) 图像分割结果 (7) 第四章方法比较 (8) 阈值法 (8) 区域法 (8) 分水岭法 (8) 形态学方法 (9) 第五章总结 (10) 参考文献 (11)

第一章绪论 研究目的和意义 图像分割是一种重要的图像技术,在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多,有些分割运算可直接应用于任何图像,而另一些只能适用于特殊类别的图像。许多不同种类的图像或景物都可作为待分割的图像数据,不同类型的图像,已经有相对应的分割方法对其分割;但某些分割方法只是适合于某些特殊类型的图像分割,所以分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤,可以说,图像分割结果的好坏直接影响对图像的理解。 图像分割是由图像处理到图像分析的关键步骤,在图像工程中占有重要位置。一方面,它是目标表达的基础,对特征测量有重要的影响。另一方面,因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象、更紧凑的表达形式,使得更高层的图像分析和理解成为可能。因此在实际应用中,图像分割不仅仅要把一幅图像分成满足上面五个条件的各具特性的区域,而且要把其中感兴趣的目标区域提取出来。只有这样才算真正完成了图像分割的任务,为下一步的图像分析做好准备,使更高层的图像分析和理解成为可能。 图像分割在很多方面,如医学图像分析,交通监控等,都有着非常广泛的应用,具有重要的意义。(1)分割的结果常用于图像分析,如不同形式图像的配准与融合,结构的测量,图像重建以及运动跟踪等。(2)在系统仿真,效果评估,图像的3D重建以及三维定位等可视化系统中,图像分割都是预处理的重要步骤。 (3)图像分割可在不丢失有用信息的前提下进行数据压缩,这就降低了传输的带宽,对提高图像在因特网上的传输速度至关重要。(4)分割后的图像与噪声的关系减弱,具有降噪功能,便于图像的理解。 图像分割的研究进展 图像分割是图像处理中的一项关键技术,至今已提出上千种分割算法。但因

图论算法详解(C++版)

1.1、prim算法: 无向图的生成树就是从图的边集中选择一些边,使得这些边构成一个连通无环图,也就是树。如果给每一条边加一个权,所有生成树中权和最小的生成树称为最小生成树。 【Prim算法思想】 任意时刻的中间结果都是一棵树,每次花费最小的代价,用一条边把不在树中的结点加进来。【最小生成树算法实例】 现有一张城市地图,图中的顶点为城市,无向边代表两个城市间的连通关系,边上的权代表公路造价。在分析了这张图后发现,任一对城市都是连通的。现在要求用公路把所有城市联系起来,如何设计可使得工程的总造价最少? 【输入】第一行两个数v(v<=200),e,分别代表城市数和边数以下e行,每行为两个顶点和它们之间的边权w(w<1000)。 【输出】连通所有城市的公路最小造价。 【输入样例】 6 10 1 2 10 1 5 19 1 6 21 2 3 5 2 4 6 2 6 11 3 4 6 4 5 18 4 6 14 5 6 33 【输出样例】50 原图 最小生成树 #include #include #include #include using namespace std; int i,j,k,n,m,mi,t,s,a[1000][1000]; void prim() { int mi,p,f,k,d[1000]; bool v[1000]; memset(v,false,sizeof(v)); f=1; for (i=2;i<=n;i++) {

d[i]=INT_MAX; } d[f]=0; s=0; for(i=1;i<=n;i++) { mi=INT_MAX; for (j=1;j<=n;j++) if ((v[j]==false) && (d[j]

图像分割方法综述

图像分割方法综述

图像分割方法综述 摘要:图像分割是计算计视觉研究中的经典难题,已成为图像理解领域关注的一个热点,本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词:图像分割;区域生长;活动边缘;聚类分析;遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering

analysis genetic algorithm 1 引言 图像分割是图像分析的第一步,是计算机视觉的基础,是图像理解的重要组成部分,同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内表现出一致性或相似性,而在不同区域间表现出明显的不同。简单的说就是在一副图像中,把目标从背景中分离出来。对于灰度图像来说,区域内部的像素一般具有灰度相似性,而在区域的边界上一般具有灰度不连续性。 关于图像分割技术,由于问题本身的重要性和困难性,从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止,还不存在一个通用的完美的图像分割的方法,但是对于图像分割的一般性规律则基本上已经达成的共识,已经产生了相当多的研究成果和方法。本文根据图像发展的历程,从传统的图像分割方法、结合特定工具的图像分割方

图像分割算法开题报告

图像分割算法开题报告 摘要:图像分割是图像处理中的一项关键技术,自20世纪70年代起一直受到人们的高度重视,并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有:基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究,选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。 关键字:图像分割,阈值法,迭代法,Otsu法,最大熵值法 1 研究背景 1.1图像分割技术的机理 图像分割是将图像划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的像素连通集合,如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言,连通有4连通和8连通之分。图像分割有3种不同的方法,其一是将各像素划归到相应物体或区域的像素聚类方法,即区域法,其二是通过直接确定区域间的边界来实现分割的边界方法,其三是首先检测边缘像素,然后再将边缘像素连接起来构成边界的方法。 图像分割是图像理解的基础,而在理论上图像分割又依赖图像理解,两者是紧密关联的。图像分割在一般意义下十分困难的,目前的图像分割处于图像的前期处理阶段,主要针对分割对象的技术,是与问题相关的,如最常用到的利用阈值化处理进行的图像分割。 1.2数字图像分割技术存在的问题

虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。 1.3数字图像分割技术的发展趋势 从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。 对原有算法的不断改进。人们在大量的实验下,发现一些算法的效

图论算法及其MATLAB程序代码

图论算法及其MATLAB 程序代码 求赋权图G =(V ,E ,F )中任意两点间的最短路的Warshall-Floyd 算法: 设A =(a ij )n ×n 为赋权图G =(V ,E ,F )的矩阵,当v i v j ∈E 时a ij =F (v i v j ),否则取a ii =0,a ij =+∞(i ≠j ),d ij 表示从v i 到v j 点的距离,r ij 表示从v i 到v j 点的最短路中一个点的编号. ①赋初值.对所有i ,j ,d ij =a ij ,r ij =j .k =1.转向② ②更新d ij ,r ij .对所有i ,j ,若d ik +d k j <d ij ,则令d ij =d ik +d k j ,r ij =k ,转向③. ③终止判断.若d ii <0,则存在一条含有顶点v i 的负回路,终止;或者k =n 终止;否则令k =k +1,转向②. 最短路线可由r ij 得到. 例1求图6-4中任意两点间的最短路. 解:用Warshall-Floyd 算法,MATLAB 程序代码如下: n=8;A=[0281Inf Inf Inf Inf 206Inf 1Inf Inf Inf 8607512Inf 1Inf 70Inf Inf 9Inf Inf 15Inf 03Inf 8 Inf Inf 1Inf 3046 Inf Inf 29Inf 403 Inf Inf Inf Inf 8630];%MATLAB 中,Inf 表示∞ D=A;%赋初值 for (i=1:n)for (j=1:n)R(i,j)=j;end ;end %赋路径初值 for (k=1:n)for (i=1:n)for (j=1:n)if (D(i,k)+D(k,j)

图像分割技术与MATLAB仿真

中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日

中南民族大学本科毕业论文(设计)原创性声明 本人郑重声明:所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名:年月日

目录 摘要 (1) Abstract (1) 引言 (3) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (5) 2.3 区域分割法 (7) 2.4 基于水平集的分割方法 (8) 2.5 分割算法对比表格 (8) 3基于水平集的图像分割 (9) 3.1 水平集方法简介 (9) 3.2 水平集方法在图像分割上的应用 (9) 3.3 仿真算法介绍 (10) 3.4 实验仿真及其结果 (11) 结论 (18) 致谢 (19) 参考文献 (19)

图像分割技术研究及MATLAB仿真 摘要:作为一项热门的计算机科学技术,图像分割技术已经在我们生活中越来越普及。顾 名思义这项技术的目的就是,将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近,因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样,所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类,把性质差异明显的不同区域分割开来。通常在分割完成之后,我们就要对某些特定区域进行分析、计算、评估等操作,因而分割质量的好坏直接影响到了下一步的图像处理[1],因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义;在工业上有卫星遥感,工业过程控制监测等等;在医学方面,水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域;在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较,并基于其中一种方法进行MATLAB仿真测试,给出性能分析比较结果。 关键字:图像分割,MA TLAB仿真,模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the background. Because these segmented image regions are very similar in some properties, image segmentation is often used for pattern recognition and image understanding and image compression and coding of two major categories. Because the generated in the segmented region is a kind of image content representation, it is the image of visual analysis and pattern recognition based and segmentation results of quality of image analysis, recognition and interpretation of quality has a direct impact. Image segmentation it is according to certain features of the image (such as gray level, spectrum, texture, etc.) to a complete picture of the image is segmented into several meaningful area. These features made in a certain region of consistent or similar, and between different regions showed significantly different. Image segmentation technology in various fields have most of the field and its important significance in digital image processing, image segmentation has a wide range of applications, such as industrial automation, process control, online product inspection, image coding, document image processing, remote sensing and medical image analysis, security surveillance, as well as military, sports and other aspects. In medical image processing and analysis, image segmentation for body occurrence of three-dimensional display of the diseased organ or lesion location determination and analysis plays an effective role in counseling; in the analysis and application of road traffic conditions,

关于图像分割算法的研究

关于图像分割算法的研究 黄斌 (福州大学物理与信息工程学院 福州 350001) 摘要:图像分割是图像处理中的一个重要问题,也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视,也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功,但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手,深入介绍了目前各种经典的图像分割算法,并在此基础比较了各种算法的优缺点,总结了当前图像分割技术中所面临的挑战,最后展望了其未来值得努力的研究方向。 关键词:图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键,也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式,使得更高层的分析和理解成为可能,因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合,也就是根据目标与背景的先验知识,对图像中的目标、背景进行标记、定位,然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]:令有序集合表示图像区域(像素点集),H 表示为具有相同性质的谓词,图像分割是把I 分割成为n 个区域记为Ri ,i=1,2,…,n ,满足: (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠,条件(2)表明每个区域都具有相同性质,条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起,图像分割一直受到人们的高度重视,其应用领域非常广泛,几乎出现在有关图像处理的所有领域,并涉及各种类型的图像。主要表现在: 1)医学影像分析:通过图像分割将医学图像中的不同组织分成不同的区域,以便更好的

水平集图像分割方法研究

生物医学图像分割方法研究 1、图像分割概述 图像是用各种观测系统以不同形式和手段观测客观世界所获得的,可以直接或间接作用于人眼并产生视觉感知的实体。在现实生活之中,大约有75%左右的信息来源于人眼(图像),也就是说人类大部分的信息是视觉信息,从图像中得到。所以,对图像的认识和理解一直是人类视觉研究中非常重要的问题。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割是计算机视觉领域中最古老也是研究最广泛的问题之一。任何图像处理系统,医学图像或是工业图像,图像分割都是一个关乎系统成败的关键问题。 现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。 1、基于阈值的分割方法。 阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值,并将图像中每个像素的灰度值与阈值相比较,最后将像素根据比较结果分到合适的类别中。因此,该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。阈值分割当面比较有名的方法有最大类间方差法(OTSU)、基于直方图的阈值方法和熵方法等。 2、基于边缘的分割方法 所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合,是图像局部特征不连续性的反映,体现了灰度、颜色、纹理等图像特性的突变。通常情况下,基于边缘的分割方法指的是基于灰度值的边缘检测,它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。 阶跃型边缘两边像素点的灰度值存在着明显的差异,而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性,可以使用微分算子进行边缘检测,即使用一阶导数的极值与二阶导数的过零点来确定边缘,具体实现时可以使用图像与模板进行卷积来完成。常用的边缘检测算子有sobel,canny和laplace等等。

图像分割方法的比较研究

图像分割方法的比较研究 在计算机视觉的相关研究中,图像分割是连接低级视觉和高级视觉的桥梁和纽带,而图像分割是计算机视觉系统中最关键和重要的一个环节。在概要介绍几种常用图像分割方法的基础上,比较了每种图像分割算法的优缺点及其适应范围,结果表明:不同工程应用中,应根据其需求与图像特点合理采用不同的图像分割方法以达到更好的处理效果。 标签:图象分割;图象处理 1 引言 近年来,随着工业、农业、医学、军事等领域自动化和智能化需求的迅速发展,对图像处理技术的要求也日益提高。其中,对图像的自动识别与理解就是一项重要任务,而对图像进行分割来提取目标是其关键步骤之一,如果得不到合理的图像分割图,也就无法对图像进行正确的识别与理解。在过去的四十多年里,图像分割的研究一直受到人们高度的重视。迄今为止,研究者提出了上千种不同类型的分割算法,而且近年来每年都有上百篇相关研究成果发表。但是,现有的方法多是为特定应用设计的,有很大的针对性和局限性,对图像分割的研究还缺乏一个统一的理论体系。Fu和Mui从细胞学图像处理的角度将图像分割技术分为三大类:特征阈值或聚类、边缘检测和区域提取。依据算法所使用的技术或针对的图像,Pal and Pal把图像分割算法分成了6类:阈值分割、像素分割、深度图像分割、彩色图像分割、边缘检测和基于模糊集的方法。本文将依据上述两种分类方法进行深入研究。 2 图象分割方法 简而言之,图像分割(Image Segmentation)就是把图像中的物体与背景或物体与物体分割开,实现不同区域的特殊处理。 2.1 基于阈值的分割方法 这类方法简单实用,在过去的几十年间备受重视,其分类也不一而足。根据使用的是图像的整体信息还是局部信息,可以分为上下文相关方法和上下文无关方法;根据对全图使用统一阈值还是对不同区域使用不同阈值,可以分为全局阈值方法和局部阈值方法;另外,还可以分为单阈值方(bileverthresholding)和多阈值方法。 阈值分割的核心问题是如何选择合适的阈值。其中,最简单和常用的方法是从图像的灰度直方图出发,先得到各个灰度级的概率分布密度,再依据某一准则选取一个或多个合适的阈值,以确定每个像素点的归属。选择的准则不同,得到的阈值化算法就不同。 下面就常见的几种阈值分割算法进行比较:

医学图像分割综述

医学图像分割综述郭爱心安徽大学摘要:图像分割是图像处理和分析的关键。随着影像医学的发展,图像分割在医学应用中具有重要意义。本文从医学应用的角度出发,对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字:医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术(PET)、单光子辐射断层摄像(SPECT)、MRI(磁共振成像技术)、Ultrasound(超[2]声)及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域,从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域,对疾病诊断、图像引导手术以及医学数据可视化等有重要作用,为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异,图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像相比较,不可

图像分割方法综述matlab论文

图像分割方法综述 摘要:图像分割就是根据图像的某些特征或特征集合的相似性准则对图像进行分类,把图像空间分成若干个某些具有一致性属性的不重叠区域。它是图像分析和理解的基础,是计算机视觉领域中最困难的问题之一。图像分割的质量将直接影响着对图像的后续处理,所以图像分割被视为图像处理的瓶颈,具有十分重要的意义。人们很早就开始了对图像分割方法的研究,并且几十年来,这方面的研究从来没有间断过。到目前为止,已经有大量的关于图像分割的理论、技术、方法被人们相继提出并广泛应用。 关键字:图像分割;阈值;区域和边缘;交互式算法;纹理分割彩色图像分割 1.引言 图像分割是一项基于计算机技术的重要的图像分析和处理技术,从其产生至今,已经广泛的应用于各个领域,为人们的生产和生活中图像处理的水平提高做出了重大贡献。 2.国内外发展的状况 人工生命是一个快速发展的多学科交叉的研究领域,是计算机科学新的发展方向之一。目前,已经有科研人员尝试将人工生命应用到图像分割领域中。虽然目前使用人工生命进行图像分割的研究还比较少,但是这些相关研究成果表明将人工生命引入到图像分割中能获得有意义的成功,显示出了巨大的潜力。 在医学数据可视化方面,也有了许多硕果。如:医学图像如CT图像和MRI图像的三维重建、显示与分析处理;大脑生理形态分析,神经细胞中钙活性的可视化;计算机辅助外科手术模拟与计划等。其中值得一提的:如美国国家超级计算机应用中心利用远程的并列计算机资源,用体绘制技术实现了CT扫描三维数据的动态显示。其内容为显示一个狗心脏跳动周期的动态图像。 3.图像分割概述 人类感知外部世界的两大途径是听觉和视觉,尤其是视觉,因此图像信息是非常重要的一类信息。在一幅图像中,人们往往只对其中的某些目标感兴趣,这些目标通常占据一定的区域,并且在某些特性(如灰度、轮廓、颜色、纹理等)上和周围的图像有差别。这些特性差别可能非常明显,也可能很细微,以致人眼觉察不出来。计算机图像处理技术的发展,使得人们可以通过计算机来获取与处理图像信息。现在,图像处理技术已经成功应用于许多领域,其中,纸币识别、车牌识别、文字识别、指纹识别等已为大家所熟悉。 图像分割是指将一幅图像分解为若干互不交叠的、有意义的、具有相同性质的区域。好的图像分割应具有以下特征:(1)分割出来的各区域对某种性质(例如灰度、纹理)而言具有相似性,区域内部是连通的且没有过多小孔。(2)相邻区域对分割所依据的性质有明显的差异。(3)区域边界是明确的。 大多数图像分割方法只是部分满足上述特征。如果强调分割区域的同性质约束,则

基于灰度图像的阈值分割改进方法--毕业论文

天津职业技术师范大学 Tianjin University of Technology and Education 毕业设计 专业: 班级学号: 学生姓名: 指导教师: 二○一二年六月

天津职业技术师范大学本科生毕业设计 基于灰度图像的阈值分割改进方法 Based on gray image threshold segmentation method improvement 专业班级: 学生姓名: 指导教师: 系别: 2012年6月

摘要 通常人们只对图像的某个部位感兴趣,为了能够把感兴趣的部分提取出来,就得对图像进行分割。图像分割就是把图像分成一些具有不同特征而有意义的区域,以便进一步的图像分析和理解。图像增强就是突出人们感兴趣有用的部分,或者是改善图像的质量,使它尽可能的逼近原图像。本论文分析了传统的灰度阈值图像分割,即双峰法、迭代法和最大类间方差法在细节部分分割上的缺点,然后,结合图像增强中的微分梯度,对原有图像的细节进行锐化增强,然后在使用这三种方法进行分割,得到的分割结果和传统的分割方法得到的结果进行比较,该方法确实达到了改善分割后图像细节的效果。 该方法在matlab2008环境下进行了实现,实验结果表明,与传统的阈值分割方法相比,本文的方法不仅克服了传统阈值分割方法的不足,而且还对复杂灰度图像的细节部分具有较好的分割效果,为图像分割方法的改进提供了技术支持。 关键词:图像分割;图像增强;阈值;梯度

ABSTRACT Usually people just to certain parts of the image is interested in, in order to be able to put the interested in part of the extracted, have to the image segmentation. Image segmentation is the image into some different characteristics with meaningful area, in order to further the image analysis and understanding. Image enhancement is prominent people interested in part of the useful, or improve the quality of the image is, make it as far as possible the original image approximation. This paper analyzes the traditional gray image segmentation threshold value, namely the petronas twin method, and the most categories iteration method in details the variance between segmentation defects, and then, combined with the image enhancement of differential gradient for the original image details to sharpen enhancement, and then use this three methods segmentation, get segmentation results and the traditional method of get results were compared, the algorithm does to improve segmentation image details after the effect. This algorithm in matlab2008 environment the realization, the experimental results show that, with the traditional threshold segmentation method than the, this algorithm can not only overcome traditional threshold segmentation method is insufficient, and also to the details of the complex gray image has good segmentation effect, for the improvement of the method of image segmentation provide the technical support. Key Words:Image segmentation;image enhancement;threshold;gradient

图像分割方法总结

医学图像分割理论方法概述 医学图像分割就是一个根据区域间的相似或不同把图像分割成若干区域的过程。目前,主要以各种细胞、组织与器官的图像作为处理的对象,图像分割技术主要基于以下几种理论方法。 1.基于统计学的方法 统计方法是近年来比较流行的医学图像分割方法。从统计学出发的图像分割方法把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量,观察到的图像是对实际物体做了某种变换并加入噪声的结果,因而要正确分割图像,从统计学的角度来看,就是要找出以最大的概率得到该图像的物体组合。用吉布斯(Gibbs)分布表示的Markov随机场(MRF)模型,能够简单地通过势能形式表示图像像素之间的相互关系,因此周刚慧等结合人脑MR图像的空间关系定义M arkov随机场的能量形式,然后通过最大后验概率 (MAP)方法估计Markov随机场的参数,并通过迭代方法求解。层次MRF采用基于直方图的DAEM算法估计标准有限正交混合( SFNM)参数的全局最优值,并基于MRF先验参数的实际意义,采用一种近似的方法来简化这些参数的估计。林亚忠等采用的混合金字塔Gibbs随机场模型,有效地解决了传统最大后验估计计算量庞大和Gibbs随机场模型参数无监督及估计难等问题,使分割结果更为可靠。 2.基于模糊集理论的方法 医学图像一般较为复杂,有许多不确定性和不精确性,也即模糊性。所以有人将模糊理论引入到图像处理与分析中,其中包括用模糊理论来解决分割问题。基于模糊理论的图形分割方法包括模糊阈值分割方法、模糊聚类分割方法等。模糊阈值分割技术利用不同的S型隶属函数来定义模糊目标,通过优化过程最后选择一个具有最小不确定性的S函数,用该函数表示目标像素之间的关系。这种方法的难点在于隶属函数的选择。模糊C均值聚类分割方法通过优化表示图像像素点与C各类中心之间的相似性的目标函数来获得局部极大值,从而得到最优聚类。Venkateswarlu等改进计算过程,提出了一种快速的聚类算法。 2. 1 基于模糊理论的方法模糊分割技术是在模糊集合理论基础上发展起来的,它可以很好地处理MR图像内在的模糊性和不确定性,而且对噪声不敏感。模糊分割技术主要有模糊阈值、模糊聚类、模糊边缘检测等。在各种模糊分割技术中,近年来模糊聚类技术,特别是模糊C - 均值( FCM)聚类技术的应用最为广泛。FCM是一种非监督模糊聚类后的标定过程,非常适合存在不确定性和模糊性特点的MR图像。然而, FCM算法本质上是一种局部搜索寻优技术,它的迭代过程采用爬山技术来寻找最优解,因此容易陷入局部极小值,而得不到全局最优解。近年来相继出现了许多改进的FCM分割算法,其中快速模糊分割( FFCM)是最近模糊分割的研究热点。FFCM算法对传统FCM算法的初始化进行了改进,用K - 均值聚类的结果作为模糊聚类中心的初值,通过减少FCM的迭代次数来提高模糊聚类的速度。它实际上是两次寻优的迭代过程,首先由K - 均值聚类得到聚类中心的次最优解,再由FCM进行模糊聚类,最终得到图像的最优模糊分割。

图像分割阈值选取技术综述

图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提.阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术.已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1.引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37].简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提.同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术.已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割;在遥感应用中,合成孔径雷达图像中目标地分割等;在医学应用中,血液细胞图像地分割,磁共振图像地分割;在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2.阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是:通过设定不同地特征阈值,把图像像素点分为若干类.常用地特征包括:直接来自原始图像地灰度或彩色特征;由原始灰度或彩色值变换得到地特征.设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取:b0=0<黑),b1=1<白),即为我们通常所说地图像二值化. <原始图像)<阈值分割后地二值化图像) 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值;N(x,y>是点(x,y>地局部邻域特性.根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T=T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T=T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T=T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non-

相关文档
最新文档