一种新的图像分割算法

合集下载

一种新的基于CV模型的图像分割算法

ｓｇｎａｉｎｒｓｌｒｍａｍａｅｂｈｎｉｇｓｅｄｔｒｅｍｅｔｔｅｕｔｆｏｓｍｅｉｇｙｃａｇｎｐｅｅｍ．Ｔｅｆｒｔｅｐｒｍｅｔｏｖｓｔｅｐｒｉｌｄｆｒｎｉｌｑａｉｎｙｔｅｏｓｈｓｘｅｉｎｌｅｈａｔｉｅｅｔｕｔｓｂｈｉｓａｆａｅｏ
ｓｇｎａｉｎｅｍｅｔｔ．Ｔｈａｅｒｐｓｓａｎｗｔｏｏｉｒｖｈｆｃｅｃｆｄ１ｉｓｌｏｅｐｐｒｐｏｏｅｅｍｅｈｄｔｍｐｏｅｔｅｅｆｉｎｙｏｉＣＶｍｏｅ．Ｆｒｔｙ，ｔｅｅｅｇｕｃｉｎｏＶｍｏｅｈｎｒｙｆｎｔｆＣｄｌｏｉｓｂｔｕｅｙｔｅｆｒｆｔｔｌｖｒｔｎｗｉｈｈｓｔｅｓｍｅｓａｌｏｕｉｎｗｉｈｒｇｎｌｄ１Ｓｃｎｌｓｕｓｉｔｄｂｈｏｍｏａａａｉｈｃａｈａｔｂｅｓｌｔｔｔｅｏｉｉａｔｏｉｏｏｈｍｏｅ．ｅｏｄｙ，ｔｅｄａｔｏｈｕｌｍｅｈｄｉｕｅｏｓｌｅｔｅｍｉｉｌｖｌｅｏｈｏａａａｉｎｆｒｌｔｎＡｔｔｅｓｍｅｔｓｓｄｔｏｖｈｎｍａａｕｆｔｅｔｔｌｖｒｔｏｍｕａｉ．ｈａｉ，ａｓｅｄｔｒｓｉｔｏｕｅｏｉｒｖｈｉｏｏｍｅｐｅｅｉｎｒｄｃｄｔｍｐｏｅｔｅｍｃｎｅｇｎｅｓｅｄＴｅｓｅｄｔｒｃｎｒｄｃｈｅｉｎｅｏｒｄｅｔａｄｉｒｖｈｏｕｔｈｅｔｏａｅｉｅｅｔｏｖｒｅｃｐｅ．ｈｐｅｅｍａｅｕｅｔｅｒｌｃｎｇａｉｎｎｍｐｏｅｔｅｒｂｓ．Ｔｅｎｗｍｅｈｄｃｎｇｔｄｆｒｎａｆ

otsu算法——图像分割

前景比例：
背景比例：
像素点总数：
前景和背景概率之和：
平均灰度值：
类间方差：
将公式（4）和（5）带入（6）可以得到等价公式：
核心代码：Histogram[data[i*srcimage.step + j]]++;//step指向每行的字节总量，date访问每个像素的值for (int i = 1; i < 255 ;i++)//从1开始遍历，寻找最合适的值{//每次遍历前需要初始化各变量w0 = 0; u0 = 0; w1 = 0; u1 = 0;for (int j = 0; j <= i; j++)//背景部分各值计算 { w0 += Histogram[j]; //背景部分像素点总数 u0 += j*Histogram[j]; //背景部分像素总灰度和 } u0 = u0 / w0; //背景像素平均灰度 w0 = w0 / number; //背景部分像素点所占比例}double varValueI = w1*w2*(u1 - u2)*(u1 - u2); //类间方差计算
算法过程：（1）设K(x,y)=f(x,y)/g(x,y)为像素点的斜率，其中f(x,y)为点(x,y)的灰度值， g(x,y)为点(x,y)周围点的平均值。（2）设阈值t1，t2将二维直方图分为A、B、 C三个区域。其中B区域代表前景和背景像素点部分，而A、C代表边界点和噪声点部分。
算法过程：（1）对于图像I(x,y),将前景与背景的分割阈值设为T。（2）将属于前景的像素点的个数占整个图像的比例设为w0，其平均灰度设为u0。（3）将属于背景的像素点的个数占整个图像的比例设为w1，其平均灰度设为u1。（4）图像的总平均灰度设为u，类间方差设为S。假设图片的大小为M*N，图像中像素灰度值小于阈值T的像素个数记为N0，像素灰度大于阈值T的像素个数记为N1。则它们之间的关系如下。

图像处理中的图像分割算法改进方法

图像处理中的图像分割算法改进方法图像分割是图像处理领域中的重要任务，它旨在将一幅图像划分为一组具有相似特征的区域。

对图像进行有效的分割可以提取出感兴趣的目标，并为后续的图像分析和理解提供基础。

然而，由于图像中存在复杂的噪声、背景干扰以及目标形状和大小的差异，图像分割任务一直面临着挑战。

为了进一步提高图像分割的性能，研究人员提出了许多改进方法。

本文将介绍几种常见的图像分割算法改进方法，并讨论它们的原理和优缺点。

一、区域生长算法区域生长算法是一种基于类似区域像素特征的图像分割方法。

该算法从一组种子点出发，逐步生长和合并具有相似特征的像素。

该方法的主要优点是对不同大小、形状和纹理的目标具有较好的适应性。

然而，传统的区域生长算法容易受到噪声和纹理差异的影响，导致分割结果不准确。

为了改进该方法，研究人员提出了以下几种改进方法：1.多特征融合：将像素的多个特征（如颜色、纹理、梯度等）融合起来进行区域生长。

通过融合不同特征，可以减轻单一特征带来的误差，提高分割的准确性。

2.自适应阈值选择：传统的区域生长算法中，阈值通常是手动设置的，无法适应不同图像的特点。

采用自适应的阈值选择方法，可以根据图像的特征动态地选择合适的阈值，从而提高分割的鲁棒性。

3.分层分割策略：将图像分割任务分为多个层次，通过逐层分割和合并来获取更精确的结果。

这种策略可以提高分割的效率和准确性，并适用于大规模图像的处理。

二、基于深度学习的图像分割算法随着深度学习的快速发展，基于深度学习的图像分割算法在近年来取得了巨大的成功。

深度学习模型能够学习到图像的高级特征表示，从而提高分割的准确性和鲁棒性。

以下是几种常见的基于深度学习的图像分割算法：1.卷积神经网络（CNN）：CNN是一种常用于图像分割的深度学习模型。

通过多层卷积和池化操作，CNN可以学习到图像的局部和全局特征，从而实现像素级别的分割。

然而，传统的CNN在处理细节和形状复杂的目标时存在一定的困难，因此研究人员提出了一些改进的网络结构。

一种新的运动目标自适应图像分割算法

基础上，据最大类间方差函数准则自适应地求出调节系数，用设置门限分割法完成图像的自适应分依再
割．该算法进行了详尽的图像分割实验，对与著名的Ｏｔｕ法、代法、大熵法相比较，分割算法不仅ｓ迭最该能适应多种复杂背景，而且分割精度高、度快，一种实用有效的图像分割方法．速是
ｃｓｎｉｈｉｍｅｈｈｏｅｎｔｓｔｏｄ．Ａｉｉａｔｍｎｇｔｈｅｑｕｅｔｏｎ，ａｎｏｌｌｏｒｔｓｉｖｅａｇｉｈｍｆｄａｉｍａｅｓｇｅａｉｎｆｏｒａｐｔｖｅｉｇｅｍｎｔｔｏｏｍｏｎｇｔｒｔｉｐｒｓｎｔｄ．Ｂａｅｏｎｅｔｎｇｅｆｔａｋｉｗｉｏｓｏｒｒｃｎｇｖｉａｇｅｓｓｅｅｅｓｄｓｔｉｓｌ－ｒｃｎｇｄｗｆｔａｋｉｍｏｖｎｇａｒｔ，ｔｉｔｇｅｓｈｅ
一
种新的运动目标自适应图像分割算法
李恩科，刘上乾，麻彦轩，殷世民
（安电子科技大学技术物理学院，西西安西陕７０７）１０１
摘要：提出了一种新的运动目标自适应图像分割算法．设置自适应跟踪波门对运动目标进行跟踪的在
维普资讯
２００８年６月第３５卷第３期
西安电子科技大学学报（自然科学版）

一种新的图像背景自适应分割算法

是进行背景分割，以便把识别对象与图像背景分开。
ｓｖｒｌｈｅｈｌｎｔｏｓｉｃｍｍｎｕｅｓｃｓＱａｔｅ，ｔａｏｎｔｓｅ．ｅｅｒｓｏｉｇｍｅｄｏｏｓｕｈａｕｄｒｓＩｒｔｎａｄＷａｒｄａｔｄｈｎｅｅｉｅｈ
Ｋｅｒｓ：ｍａｅｓｇｅｔｔｏｙｗｏｄｉｇｅｍｎａｉｎ；ｔｒｓｏｄ；ａａｔｖｈｅｈｌｄｐｉｅ；Ｉｅａｉｎ；Ｗａｅｓｅｔｒｔｏｔｒｈｄ
一
种新的图像背景自适应分割算法
王海星
（宾职业技术学院宜四川宜宾６４０）４０３
摘要：图像分割是自动目标识别的关键和首要步骤，目的是将目标和背景分离，计算机视觉的后续处理提供其为依据。笔者在对图像分割技术进行综合研究的基础上提炼出一种以最大类间方差法为基础的图像背景自适应分割算法，算法根据目标和背景区域的灰度统计量来自动选取最优阂值。在此还通过仿真与常规的迭代法、叉此四
域，也可以对应多个区域。图像在进行分类识别之前，重要的一步处理过程
图像中的某些部分感兴趣。这些部分常称为目标
或前景（其它部分称为背景）。它们一般对应图像中特定的、具有独特性质的区域。为了辨别和分析目标，要将这些有关区域分离提取出来，此基需在础上才有可能对目标进一步利用，如进行特征提取

一种新的精子图像分割与识别算法

中图分类号：Ｔ３１１Ｐ９．４
文献标识码：Ａ＿
文章编号：１０— ５９（０１２ — １２００７９９２１）００５— ２
ＯｎｗｇｒｔｆｅＮｅＡｌｏｉｈｍｏ
ＳｅｍｍａｅＳｇｅｔｔｎａｄＲｅｏｎｔｎｐｒＩｇｅｍｎａｉｎｃｇｉｏｏｉ
Ａｂｓｒｃ：ｎｔｉａｅ，ｅｉａｅｃａａｔｒｓｉｓｏｆｓｒｏｅｅｒｍａｇｔｎｃｒｕｄｆｔｉｆｒｎｅｔｅｔａｔＩｈｓｐｐｒｔｇｈｒｃｅｉｔｃｍｍｖｍｎｔｆｏｔｔｒｅｄｂａｋｇｏｎｏｈｅｄｆｅｅｃｓｂｅｗｅｎｈｍｐｅｈｅａｃｔｇｏｙｓｔｔｆｒａｄａｍｅｈｄａｅｒｅ，ｏｗｒｐｕｔｏｂａｅｏｍａｉｓｄｎｘｍｕｍｃｏｓｅｔｏｙｈｅｈｄｎｇｅｒｓｎｒｐｔｒｓｏｌｉｓｇｍｅｔｔｏａｇｒｔｍｆｒｍａｅｎａｉｎｌｏｉｈｏｉｇｓｇｅｔｔｏ，ｐｅｍ，ｒｄｉｇｃｎｔａｎｓｔｌｒｔｅｏｅｉｅｍｎａｉｎｓｒｉｏｕｃｎｏｓｒｉｔｏｆｔｏｒｍｖｍｐｕｉｅ，ｐｌｃｔｏｆｍｏｐｈｏｙｉａｈｐｅａｇｔｄｓｌｙｅｎｔｉｅｒｔｓａｐｉａｉｎｏｒｏｌｇｎｅｃｓｒｔｒｅｉｐａｄｉｍｏｉｉａａｋｅ．ｐｅｉｎａｅｕｔｈｗｈｔｈｅｈｄｃｎａｃｉｖａｔａｃｕａｅｓｇｅｔｔｏｆｓｒ，ｎｕｏｔｃｎｄｇｔｌｍｒｒＥｘｒｍｅｔｌｒｓｌｓｓｏｔａ，ｅｍｔｏａｈｅｅｆｓｎｄａｃｒｔｅｍｎａｉｎｏｐｅａｄａｔｍａｉｔｍｓａｉｔｃｉａｐｒｍｂｅ．ｔｔｓｉｍｇｅｓｅｎｕｍｒＫｅｗｏｒｓＭａｉｕｒｓｎｒｐＴｈｅｈｏｄ；ｍａｅｓｇｍｅｔｔｎ；ｇｔｌｉｎｔｅｙｄ：ｘｍｍｃｏｓｅｔｏｙ；ｒｓｌＩｇｅｎａｉＤｉｉａｇａｕｏｓｒ

一种新的基于区域合并的图像分割算法

且有效地达到优越的分割．提出的方法将彩色直方图和纹理直方图的信息用于测量不同地区的相似性，而所从引导区域合并的进程．外，了获取纹理信息，用局部二进制模式（Ｂ）以便嵌入主要的统一ＬＰ模式来此为采ＬＰ，Ｂ
ｈｓｏｒｍａｅｎａｐｉｄｓｃｅｓｌｎｃｌｒｉｇｅｍｅｔｔｎ，ｃｎｒｓｖｌｉｔｇａｈｓｂｅｐｌｕｃｓｆｌｉｏｏｍａｅｓｇｎａｉｅｕｙｏｏｔｔｅｙ，ｉｏａｅ，ａｉｎｓｍｅｃｓｓ
ｕｉｇｊｉｔｃｌ－ｘｒｉｏｒｍ．Ｔｅｒｇｎｍｅｇｇａｇｒｈｙｍｘｍｌｓｉｒｙｗｔｃｌｒｓｏｏｏｔｔｅｈｓｇａｎｎｒｅｕｔｈｅｉｒｉｌｉｍｂａｉａｉｌｔｉｏｏｎｏｔｍａｈｏｉ

Ａｓｒｃ：ｈｓｐｐｒｐｏｏｅｏｅｏｏｍａｅｓｇｎａｉｎｍｅｈｄｂｓｄｏｅｉｎｍｅｇｎｙｂｔｔＴｉａｅｒｐｓｓａｎｖｌｃｌｒｉｇｅｍｅｔｔｔｏａｅｎｒｇｏｒｉｇｂａｏ
ｏｌｓｎｃｌｒｈｉｔｇａｎｙｕｉｇｏｏｓｏｒｍｉｆｒｔｎｓｏｕｃｅｔｎｄｆｅｔｖｆｒｓｅｏｅｍｅｔｔｏ．Ｔｈｎｏｍａｉｉｎｔｓｆｉｎａｅｆｃｉｅｏｕｐｒｒｓｇｎａｉｎｏｉｉｅｐｏｏｅｔｏｎｏｐｒｔｓｂｔｃｌｒｈｉｔｇａｒｐｓｄｍｅｈｄｉｃｒｏａｅｏｈｏｏｓｏｒｍａｄｔｘｕｅｈｓｏｒｍｎｏｍａｉｎｔａｕｅｔｎｅｔｒｉｔｇａｉｆｒｔｏｏｍｅｓｒｈｅ

一种新的免疫组化图像分割算法研究

第２８卷第６期
２１０１年６月
计算机应用与软件
ＣｏｕｅｐｌａｉｎｎｏｔｒｍｐｔｒＡｐｉｔｏｓａｄＳｆｗａｅｃ
Ｖ０．８Ｎｏ．１２６
Ｊｎ０１ｕ．２１
一
种新的免疫组化图像分割算法研究
出新的阳性产物图像特征：所有阳性像素满足ｒ＞ｇ＞ｂ每个阳性像素在（ —ｇ、ｇ）（ —ｂ三个色差分量上的均值和方差较；ｒ）（ —ｂ、ｒ）
大。以这些特征为基础，结合中值滤波，出一种新的阳性产物自动分割算法。利用８提２幅图像对算法进行验证，医生目视鉴别结与
（ｃｏｌｆＩｏｍｔｎＥｇｎｅｉＵｉｒｔｏＳｉｎｅａｄＴｃｎｌｙＢｉｎＢ｛ｇ１０８ＣｉａＳｈｏｎｒａｉｎｉｅｒｇ，ｎｖｓｙｆｃｃｎｅｏｏｅｉｏｆｏｎｅｉｅｈｇｊｇ，ｅｎ００３，ｈｎ）ｉｒ（ｎｚｉｅｓｉｌｆｌｔｅｉｎｖｒｔＣｉｅｄｃｅＢｉｎＯ７０，ｈｎ）ＤｏｇｈｍｎＨｏｔｉｉｅｔＢｉｎＵｉｓｙｏｈｎｓＭｅｉｎ，ｅｉ１００ＣｉａｐａＡａｄｏｊｇｅｉｆｅｉｊｇ（ｃｏｌＡｐ＆ｃｅｅＵｉｒｉＳｉｃｎｅｈｏｏｙＢｉｎＢｉｎ００３ＣｉａＳｈｏｏｐｌｄＳｉ，ｎｅｓｙｏｃｎｅａｄＴｃｎｌｅｉｅｉｇ１０８，ｈｎ）ｆｃｎｖｔｆｅｇｊｇ，ｊ
ＡｂｔａｔｓｒｃＩ ’ ｅｙｉｏｔｎｏａｔｍａｉａｌｅｍｅｔｇｉｔＳｖｒｍｐｒａｔｔｕｏｔｌｙｓｇｎｉｍｍｕｏｉｏｈｍｉａｉｇｓｎａａｙｉｇｍｅｉａｔｉｅｉｐｉｓｆｒｔｅｃｎｎｈｓｃｅｃｌｍａｅｉｎｌｚｎｄｃｌｓａｎｄｂｏｓｅｏｈｔ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

图像工程是近几年发展起来的一门学科，它的研究内容非常丰富，根据抽象程度和研究方法的不同可分为三个层次：图像处理、图像分析和图像理解。

图像处理的目的之一是图像识别，而图像分割与测量是图像识别工作的基础。

图像分割是将图像分成一些有意义的区域，然后对这些区域进行描述，相当于提取出某些目标区域图像的特征，判断图像中是否有感兴趣的目标。

有学者提出了一种免疫网络算法在数据分析中的新设计思想，近来又有学者结合粗糙集提出了一种新的分割算法，该算法在人脑MRI图像分割实验中得到了很好的分割效果，但由于FCM算法本身的缺陷（对区域间的连通性不确定），在具体应用中总会出现一些问题。

论文基于免疫遗传分类算法提出了一种通过无教师学习方法确定聚类数和聚类中心的免疫遗传聚类算法；接着，在一些学者研究工作的基础上，针对粗糙集中属性约简算法复杂度高的问题，提出了一种改进算法，降低了属性约简算法的复杂度；最后把无教师学习的免疫遗传算法和粗糙集结合得到了一种改进的分割算法，从而可以很好的避免前述算法需要事先设置聚类数和聚类中心、对区域的连通性不确定的缺陷，提高分割准确度，而且免疫遗传算法本身具有聚类速度快，精确度高的优点。

经实验验证，提高了聚类的速度，对图像的分割更细致、更准确，提高了分割算法的效率。

关键词：免疫遗传算法；不确定理论；粗糙集；图像分割Image engineering is a subject that has been developed in recent years, and it has many contents. According to the degree of abstract and the investigate methods, the research on it can be divided into three levels: image processing, image analysis and image comprehension. One of image processing goals is the pattern recognition, but the image segmentation and the survey are the pattern recognition work foundations. The image segmentation is that the image is divided into to the significance some regions, then carried on the description to these regions, equal in withdrawing the characteristic of certain target sector images, at last judged image whether it has the interested goal.Some scholars proposed one new kind design concept of immunity network algorithm in the data analysis, recently also other scholars had gather the rough collection to propose one new kind of segmentation algorithm, this algorithm obtaining the very good segmentation effect in the human brain MRI image segmentation experiment, but because of FCM algorithm itself flaw (to connectivity between region indefinite), the algorithm has some problems in the general application.The paper based on the immunity heredity classification algorithm proposed one kind studies the method determination cluster number and the cluster center immunity heredity cluster algorithm through the non-teacher; Then, at in some scholar research work foundation, in view of the rough centralism attribute reduction algorithm order of complexity high question, proposed one kind of improvement algorithm, reducing the attribute reduction algorithm order of complexity; Finally the immunity genetic algorithm which the non-teacher studies builds up roughly gathers obtained one kind of improvement segmentation algorithm, avoids the forecited algorithm needing to establish the cluster number and the cluster center, to the region connective indefinite flaw beforehand, and enhances the segmentation accuracy.Moreover immunity genetic algorithm itself has the cluster speed to be quick and high precision merit.Confirmed after the experiment, the new algorithm enhances the cluster speed, is more careful to the image segmentation, accurately, and increases the segmentation algorithm efficiency.Keywords: Immune Genetic；Uncertainty Theory；Rough Set；Image Segmentation目录第一章绪论 (1)1.1引言 (1)1.2图像分割的定义 (2)1.3目前使用的图像分割算法 (3)1.3.1边缘检测 (3)1.3.2 区域的生长和分裂合并 (3)1.3.3 阈值分割 (4)1.3.4 其他分割方法 (5)1.4论文主要工作与论文结构 (6)1.4.1论文主要工作 (6)1.4.2论文的结构 (7)第二章免疫遗传算法概念和粗糙集基本理论 (8)2.1免疫遗传算法的概念及工作原理 (8)2.1.1免疫遗传算子及相关概念 (9)2.1.2突变规则 (11)2.1.3免疫算法描述 (12)2.2粗糙集的基本理论[57] (12)2.2.1粗糙集及其近似 (13)2.2.2协调近似空间 (14)2.2.3协调近似空间的信息刻画 (16)2.3小结 (17)第三章免疫网络算法和传统免疫遗传算法的改进聚类算法及应用 (18)3.1FCM聚类算法及不足 (18)3.2免疫聚类算法 (19)3.2.1免疫网络算法原理 (19)3.2.2免疫网络算法的描述 (20)3.2.3传统免疫聚类算法的相关概念 (21)3.2.4传统免疫聚类算法的实现步骤 (23)3.2.5基于聚类数和聚类中心的传统免疫聚类算法的实现步骤 (24)3.2.6改进聚类算法的应用 (25)3.3实验及分析 (26)3.3.1实验一 (26)3.4小结 (27)第四章基于免疫遗传聚类和粗糙集的改进图像分割算法及应用 (28)4.1粗糙集及信息的属性约简和特征 (28)4.1.1不可分辨关系 (28)4.1.2信息系统 (28)4.1.3属性约简 (30)4.1.4属性特征 (34)4.2属性约简的改进算法 (34)4.2.1算法的基本思想 (34)4.2.2算法的实现步骤 (35)4.2.3算法的复杂度分析 (36)4.3实验及分析 (36)4.3.1实验二 (36)4.4分割算法 (38)4.4.1基于免疫遗传算法聚类设计的信息表构造和区域划分 (38)4.4.2基于值约简的属性权值和基本区域差异度计算 (38)4.4.3基于差异度的初始等价关系及相似域的划分 (39)4.4.4基于相似度的最终等价关系及分割 (39)4.5算法的各步骤简要阐述 (39)4.5.1基于聚类基础上的信息表构造和区分 (40)4.5.2值简越、属性权值、区域差异度计算 (40)4.5.3基于区域差异度的区域划分 (41)4.5.4基于相似度最终等价关系及分割 (42)4.6实验分析 (42)4.6.1实验三 (42)4.6.2实验四 (43)4.7小结 (44)第五章总结与展望 (45)5.1总结 (45)5.2展望 (45)致谢 (46)参考文献 (47)附录：作者在攻读硕士学位期间发表的论文 (51)第一章绪论1.1引言图像分割是由图像处理到图像分析的关键步骤，也是计算机视觉领域低层次视觉中的主要问题。

图像分割是一种重要的图像技术，它不仅得到人们广泛的重视和研究，也在实际中得到大量的应用。

图像分割在不同领域中有时也用其他名称，如目标检测( target tracking)技术，目标轮廓(object lineation)技术，阈值化(thresholding)技术，图像区分或求差(image discrimination)技术，目标识别(target recognition)技术，目标跟踪(target tracking)技术等，这些技术本身或核心实际上也是图像分割技术。

图像技术在广义上是各种与图像有关技术的总称。

图像技术种类很多，跨度很大，但可以将它们归在一个整体框架——图像工程之下。