图像分割常用算法优缺点探析
图像分割方法的比较研究
图像分割方法的比较研究作者：刘妍君王劲柳来源：《现代商贸工业》2010年第12期摘要: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。
关键词:图象分割;图象处理中图分类号:TP文献标识码:A文章编号:1672-3198(2010)12-0361-021 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。
图像识别中的图像分割算法研究
图像识别中的图像分割算法研究随着计算机技术的不断发展，图像识别成为一个重要且炙手可热的研究领域。
然而，要实现有效的图像识别，首先需要对图像进行分割，将图像中的不同目标和区域划分出来。
图像分割算法的研究成为图像识别的核心之一。
一、传统图像分割算法传统的图像分割方法主要基于像素的灰度值和颜色信息进行分类。
其中最常用的算法之一是基于阈值的图像分割方法。
该方法根据像素的灰度值与设定的阈值进行对比，将像素分为两个类别：前景与背景。
然而，这种方法往往无法适应复杂的图像场景，且需要手动设置阈值，容易受到灰度值变化和光照条件的影响。
二、基于区域的图像分割算法为了克服传统算法的缺点，研究者们开始探索基于区域的图像分割算法。
该算法将图像中相邻的像素组合成连续的区域，再以区域为单位进行分类。
其中，最具代表性的算法是基于区域的生长算法。
该算法首先通过选择一个种子像素作为起始点，然后依次判断相邻像素与种子像素的相似度，最后将相似度高的像素合并到区域中。
通过迭代该过程，最终实现整个图像的分割。
这种算法的优势是不受单一像素灰度值的影响，能够根据像素之间的空间关系进行分割。
然而，该算法在处理复杂纹理和低对比度的图像时容易出现过分割和欠分割的情况。
三、深度学习在图像分割中的应用近年来，深度学习技术的兴起为图像分割带来了新的突破。
卷积神经网络（CNN）被广泛用于图像分割任务，特别是全卷积网络（FCN）。
FCN通过将传统的全连接层替换为卷积层，从而实现像素级的图像分割。
此外，还有一些基于FCN的改进算法出现，如U-Net、PSPNet和DeepLab等。
这些算法通过引入跳跃连接、上下文信息和注意力机制等方法，能够更好地捕捉到图像中的上下文信息，进一步提升了图像分割的准确性和稳定性。
四、图像分割算法面临的挑战尽管深度学习算法在图像分割任务中表现出色，但仍然面临一些挑战。
首先，深度网络的训练需要大量的标注数据，而图像分割任务的标注数据相对较少，因此如何有效利用有限的标注数据进行训练是一个问题。
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。
图像处理中的图像分割算法研究与比较分析
图像处理中的图像分割算法研究与比较分析图像分割是图像处理中的重要任务之一，它的目的是将图像分割为具有相似特征的区域或对象。
图像分割在许多应用领域都有广泛的应用，包括医学图像分析、机器人视觉、计算机视觉等。
本文将对图像处理中常用的图像分割算法进行研究与比较分析。
一、阈值分割算法阈值分割是最简单、最常用的图像分割算法之一。
其基本思想是将图像的灰度值与预先设定的阈值进行比较，将像素按照阈值的大小分为两类：黑色和白色。
阈值的选择直接影响到分割结果的质量。
常用的阈值分割算法包括全局阈值、自适应阈值和多阈值分割。
全局阈值算法对整幅图像进行分割，应用广泛且计算简单，但对于灰度不均匀的图像效果不佳。
自适应阈值算法根据局部像素的统计信息自动调整阈值，适用于灰度不均匀的图像，但对于噪声较多的图像容易受到影响。
多阈值分割算法可以将图像分为多个类别，适用于含有多个目标的图像。
二、边缘分割算法边缘分割算法是通过检测图像中物体的边缘信息进行分割的。
边缘是图像中灰度变化剧烈的区域，通常可以表示物体之间的边界。
边缘分割算法主要有基于梯度的方法和基于边缘检测算子的方法。
基于梯度的方法包括Sobel算子、Prewitt算子、Roberts 算子等。
它们通过对图像进行梯度运算，找出灰度变化最大的区域，从而实现图像的分割。
基于边缘检测算子的方法如Canny算子、Laplacian算子等，它们通过对图像进行边缘检测，找出具有显著边界信息的像素，从而实现图像分割。
三、区域生长分割算法区域生长分割算法是一种基于像素相似性的图像分割方法。
其基本思想是从一个或多个种子点开始，通过比较相邻像素与种子点的相似度，逐渐将相似的像素进行合并，直到达到预先设定的条件。
区域生长分割算法可以对图像中的每一个像素都进行处理，得到具有相似特征的区域。
但是，算法的结果很大程度上取决于种子点的选择，且对噪声敏感。
因此，在实际应用中，种子点的选择和合并条件的设置是关键。
图像处理中的图像分割算法比较分析
图像处理中的图像分割算法比较分析图像分割是图像处理中的一项重要任务，它旨在将图像划分为具有一定语义的区域。
图像分割在图像分析、计算机视觉和模式识别等领域有着广泛的应用。
随着技术的发展，越来越多的图像分割算法被提出，为了选择合适的算法进行应用，本文将对目前常用的图像分割算法进行比较分析，包括基于阈值、基于区域生长、基于边缘检测和基于深度学习的算法。
1. 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方法之一。
该方法根据像素点的灰度值与设定的阈值进行比较，将图像分割成两个或多个区域。
对于灰度较为均匀的图像，基于阈值的方法能够得到较好的分割效果。
然而，对于灰度不均匀或存在噪声的图像，这种方法的效果较差。
2. 基于区域生长的图像分割算法基于区域生长的图像分割算法是一种基于连通性的方法。
该方法从一组种子像素出发，根据一定的生长准则逐步增长区域，直到达到停止条件为止。
区域生长方法能够处理一些复杂的图像，但对于具有相似颜色或纹理特征的区域容易产生错误的连续性。
3. 基于边缘检测的图像分割算法基于边缘检测的图像分割算法把图像中的边缘看作是区域之间的分界线。
常用的边缘检测算法包括Sobel、Canny和Laplacian等。
这些算法通过检测图像中的灰度值变化或梯度变化，找到边缘的位置，并将图像分割成相应的区域。
基于边缘的方法对于边缘清晰的图像分割效果较好，但对于复杂的图像容易产生断裂或错误的边缘。
4. 基于深度学习的图像分割算法近年来，随着深度学习的兴起，基于深度学习的图像分割算法成为研究热点之一。
深度学习方法利用卷积神经网络（CNN）或全卷积网络（FCN）等模型进行端到端的图像分割。
这些方法能够学习图像中的语义信息，并输出像素级别的分割结果。
深度学习方法在许多图像分割任务上取得了显著的效果，但需要大量的标注数据和计算资源。
综上所述，不同的图像分割算法适用于不同的场景和任务需求。
基于阈值的图像分割算法简单易用，适用于灰度较均匀的图像；基于区域生长的算法能够处理复杂的图像，但容易产生错误的连续性；基于边缘检测的算法对于边缘清晰的图像效果较好；基于深度学习的算法具有较强的泛化能力，可应用于多种场景。
医疗图像分割技术方法和模型比较分析
医疗图像分割技术方法和模型比较分析医疗图像分割是一种在医学影像分析中广泛应用的技术，旨在提取医学图像中的感兴趣区域，帮助医生进行疾病诊断和治疗。
随着计算机视觉和机器学习的不断发展，许多医疗图像分割技术和模型被提出并得到了广泛的研究和应用。
本文将对几种常见的医疗图像分割技术方法和模型进行比较分析。
第一种医疗图像分割方法是阈值分割。
阈值分割是一种基于灰度值的简单而常用的分割方法。
它通过设定一个阈值，将图像中的像素分为前景和背景两类。
然而，阈值分割方法对光照条件不稳定和物体边缘模糊的图像效果较差，且需要提前知道阈值的数值，对于不同类型的图像需要手动调整。
第二种医疗图像分割方法是边缘检测。
边缘检测是通过检测图像中的边缘信息来实现分割的方法。
常用的边缘检测算法包括Sobel算子、Canny算子等。
边缘检测方法能够有效的提取图像中的边缘信息，但常常会受到噪声的干扰，导致分割结果不理想。
第三种医疗图像分割方法是基于区域的分割。
基于区域的分割方法将图像分割为若干个不同的区域，每个区域内的像素具有一定的相似性。
其中，常用的算法包括基于区域增长、基于区域分裂与合并、基于水平集等。
基于区域的分割方法能够克服阈值分割和边缘检测方法的一些缺点，但对于物体边缘模糊等情况效果仍然不够理想。
随着深度学习的兴起，许多基于神经网络的模型被引入医疗图像分割中。
其中，卷积神经网络（CNN）是最常见和最经典的模型之一。
CNN通过多层卷积和池化操作来提取图像的特征，并通过上采样和反卷积操作来还原图像的分割结果。
与传统的分割方法相比，CNN能够自动学习到更丰富的特征表示，从而提高了分割的准确度和稳定性。
然而，CNN模型在训练过程中需要大量的标注数据和计算资源，且对于小样本数据集的泛化能力较差。
除了CNN模型，还有一些其他的深度学习模型被用于医疗图像分割，如U-Net、FCN和SegNet等。
U-Net模型是一种经典的全卷积网络，通过使用跳跃连接来将底层和顶层特征连接在一起，从而提高了图像分割的准确性。
图像分割常用算法优缺点探析
573/2010探索研究图像分割常用算法优缺点探析瞿燕慧（长沙黄浦外语学院 湖南省 410004）摘 要 图像分割是数字图像处理中的重要前期过程，是一项重要的图像分割技术，是图像处理中最基本的技术之一。
本文着重介绍了图像分割的常用方法及每种方法中的常用算法，并比较了各自的优缺点，提出了一些改进建议，以期为人们在相关图像数据条件下，根据不同的应用范围选择分割算法时提供依据。
关键词 图像分割 算法 综述一、引言图像分割决定了图像分析的最终成败。
有效合理的图像分割能够为基于内容的图像检索、对象分析等抽象出十分有用的信息，从而使得更高层的图像理解成为可能。
目前图像分割仍然是一个没有得到很好解决的问题，如何提高图像分割的质量得到国内外学者的广泛关注，仍是一个研究热点。
多年来人们对图像分割提出了不同的解释和表达，通俗易懂的定义则表述为:图像分割指的是把一幅图像分割成不同的区域，这些区域在某些图像特征，如边缘、纹理、颜色、亮度等方面是一致的或相似的。
二、几种常用的图像分割算法及其优缺点（一）大津阈值分割法。
由 Otsu于1978年提出大津阈值分割法又称为最大类间方差法。
它是一种自动的非参数非监督的门限选取法。
该方法的基本思路是选取的t的最佳阈值应当是使得不同类间的分离性最好。
它的计算方法是首先计算基于直方图而得到的各分割特征值的发生概率，并以阈值变量t将分割特征值分为两类，然后求出每一类的类内方差及类间方差，选取使得类间方差最大，类内方差最小的t作为最佳阈值。
由于该方法计算简单，在一定条件下不受图像对比度与亮度变化的影响，被认为是阈值自动选取的最优方法。
该方法的缺点在于，要求得最佳阈值，需要遍历灰度范围0—(L-1)内的所有像素并计算出方差，当计算量大时效率会很低。
同时，在实际图像中，由于图像本身灰度分布以及噪声干扰等因素的影响，仅利用灰度直方图得到的阈值并不能使图像分割得到满意的结果，虽在一定程度上可以消除噪声的影响，但该方法计算n1234567891011RI 000.580.901.121.141.321.411.451.491.51表—4（二）综合评价公式及应用。
图像处理中的图像分割算法的准确性与效率比较
图像处理中的图像分割算法的准确性与效率比较图像分割是图像处理领域中的重要任务之一，它的目标是将图像中的不同区域划分开来，以便进一步进行图像分析、目标识别、图像重建等操作。
图像分割算法的准确性和效率是评估一个算法性能的重要指标。
本文将对几种常见的图像分割算法进行准确性和效率的比较。
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常用的一种方法。
它根据像素灰度值与设定的阈值进行比较，将图像分成两个或多个区域。
这种方法的准确性和效率都相对较低。
当图像具有类似灰度的不同物体时，阈值选择变得困难，并且难以处理复杂的图像背景。
二、基于区域的图像分割算法基于区域的图像分割算法是将具有相似特征的像素划分到同一个区域的方法。
常用的算法有区域生长、分水岭算法等。
这种方法通常从种子点开始，根据像素之间的相似性逐步扩展区域。
区域生长算法在处理较小的目标时准确性较高，但在处理大型目标时可能会出现过分合并的情况。
分水岭算法通过模拟水流从最低处开始填充，直到达到分水岭为止。
该算法能够处理复杂的图像背景，但在处理具有重叠目标时准确性较低。
三、基于边缘的图像分割算法基于边缘的图像分割算法通过检测物体边缘将图像分割成不同的区域。
常见的算法有Canny边缘检测、Sobel算子等。
边缘检测算法能够准确地检测物体边界，但在处理噪声较多的图像时效果较差。
四、基于聚类的图像分割算法基于聚类的图像分割算法是将图像像素划分为多个类别的方法。
常见的算法有K-means聚类算法、Mean-Shift算法等。
这种方法可以根据像素之间的相似性将图像分割成不同的区域，准确性较高。
然而，聚类算法的计算复杂度较高，处理大尺寸图像时可能效率较低。
五、基于深度学习的图像分割算法近年来，基于深度学习的图像分割算法取得了显著的进展。
使用卷积神经网络（CNN）等技术，可以对图像进行端到端的像素级别分割。
这种方法的准确性相对较高，并且能够处理复杂的图像场景。
然而，这种方法在计算复杂度和计算资源消耗方面较高，需要较大的训练集和计算设备支持。
- 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)。
图像分割常用算法优缺点探析
摘要图像分割是数字图像处理中的重要前期过程,是一项重要的图像分割技术,是图像处理中最基本的技术之一。
本文着重介绍了图像分割的常用方法及每种方法中的常用算法,并比较了各自的优缺点,提出了一些改进建议,以期为人们在相关图像数据条件下,根据不同的应用范围选择分割算法时提供依据。
关键词图像分割算法综述
一、引言
图像分割决定了图像分析的最终成败。
有效合理的图像分割能够为基于内容的图像检索、对象分析等抽象出十分有用的信息,从而使得更高层的图像理解成为可能。
目前图像分割仍然是一个没有得到很好解决的问题,如何提高图像分割的质量得到国内外学者的广泛关注,仍是一个研究热点。
多年来人们对图像分割提出了不同的解释和表达,通俗易懂的定义则表述为:图像分割指的是把一幅图像分割成不同的区域,这些区域在某些图像特征,如边缘、纹理、颜色、亮度等方面是一致的或相似的。
二、几种常用的图像分割算法及其优缺点
(一)大津阈值分割法。
由Otsu于1978年提出大津阈值分割法又称为最大类间方差法。
它是一种自动的非参数非监督的门限选取法。
该方法的基本思路是选取的t的最佳阈值应当是使得不同类间的分离性最好。
它的计算方法是首先计算基于直方图而得到的各分割特征值的发生概率,并以阈值变量t将分割特征值分为两类,然后求出每一类的类内方差及类间方差,选取使得类间方差最大,类内方差最小的t作为最佳阈值。
由于该方法计算简单,在一定条件下不受图像对比度与亮度变化的影响,被认为是阈值自动选取的最优方法。
该方法的缺点在于,要求得最佳阈值,需要遍历灰度范围0—(L-1)内的所有像素并计算出方差,当计算量大时效率会很低。
同时,在实际图像中,由于图像本身灰度分布以及噪声干扰等因素的影响,仅利用灰度直方
图得到的阈值并不能使图像分割得到满意的结果,虽在一定程度上可以消除噪声的影响,但该方法计算量相当大,难以应用到实时系统。
(二)基于边缘检测的分割算法。
基于边缘检测方法的基本思想是先检测图像中边缘点,再按一定策略连接成轮廓,从而构成分割区域。
其难点在于边缘检测时抗噪性和检测精度的矛盾,若提高检测精度,则噪声产生的伪边缘会导致不合理的轮廓,若提高抗噪性,则会产生轮廓漏检和位置偏差。
经典的边缘检测方法是构造对像素灰度级阶跃变化敏感的微分算子,如roberts梯度算子、Sobel梯度算子等,其边缘检
测速度快,但得到的往往是断续的、不完整的结构信息,这类方法对噪声较为敏感。
边缘检测技术中较为成熟的方法是线性滤波器,其中尤其是以拉普拉斯LOG(Laplace of Gauss)算子最为有名。
LOG算子较好地解决了频域最优化和空域最优化之间的矛盾,计算方法也比较简单方便,另外,该算子在过零点检测中具有各向同性特点,保证了边缘的封闭性,符合人眼对自然界中大多数物体的视觉效果。
在实际应用中,用高斯函数对图像做平滑滤波存在以下问题:高斯函数在对图像平滑的同时却产生了边缘模糊效应,出现了缓变边缘。
而且随着领域的增大,抑制噪声效果的同时,边缘模糊效应相应增加,使LOG算子的噪声平滑能力与边缘定位能力相矛盾。
(三)基于神经网络的分割算法。
基于神经网络模型(ANN)的方法的基本思想是用训练样本集对神经网络进行训练,以确定节点间的连接和权值,再用训练好的神经网络分割新的图像数据。
近年来随着神经网络模型的不断丰富,神经网络用于图像分割的算法也是日益增多,如基于多层神经网络的非线性图像分割、基于RBF 神经网络的图像分割、基于竞争Hopfield 神经网络的自动聚类图像分割、基于BP 神经网络算法的图像分割等。
BP 网络是多层前馈型网络的典型代表,BP 网络模型如下图所示:
BP 算法又名反向传播算法。
由于这种算法在本质上是一种神经网络学习的数学模型,所以,有时也称为BP模型,这个算法目前还存在一些问题,如计算量大、所耗时间长,收敛速度缓慢,不能保证学习结果达到均方误差的全局最小点,没有知识积累性等。
人们对BP 算法提出了各种各样的改进方法,其中大部分是减少其运算量的,主要方法是合理选择修改权重的步长值和增加动态因子,另外利用其它的优化算法来优化神经网络的结构。
神经网络存在巨量的连接,容易引人空间信息,能较好地解决图像中的噪声和不均匀问题,选择何种网络结构是这种方法要解决的主要问题。
(四)基于数学形态学的分割算法。
数学形态学是以形态结构元素为基础对图像进行分析的数学工具。
它的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。
数学形态学的应用可以简化图像数据,保持它们基本的形状特征,并除去不相干的结构。
数学形态学的基本运算有4个:膨胀、腐蚀、开启和闭合。
它们在二值图像中和灰度图像中各有特点。
数学形态学在图像处理中的应用广泛,有许多实用的算法。
其中分水岭分割方法,是一种基于拓扑理论的数学形态学的分割方法,其基本思想是把图像看作是测地学上的拓扑地貌,图像中每一点像素的灰度值表示该点的海拔高度,每一个局部极小值及其影响区域称为集水盆,而集水盆的边界则形成分水岭。
分水岭的概念和形成可以通过模拟浸入过程来说明。
在每一个局部极小值表面,刺穿一个小孔,然后把整个模型慢慢浸入水中,随着浸入的加深,每一个局部极小值的影响域慢慢向外扩展,在两个集水盆汇合处构筑大坝,即形成分水岭。
数学形态学对图像的处理具有直观上的简明性和数学上的严谨性,由于形态学技术在进行图像处理时,充分考虑到了图像的结构特征,为基于形状细节进行图像处理提供了强有力的手段。
因此相对于其他图像处理方法而言,形态学技术具有独特的结构特征优势。
三、结束语
在图像分割问题上,至今还没有建立起完善的理论体系,图像分割技术呈现出多种特征相融合、多种分割方法相结合、新理论新技术不断创新的发展趋势。
与此同时,许多研究人员正不断尝试将一些新方法和新理念引人到图像分割领域。
图像分割技术正朝着自动、精确、快速、自适应性和鲁棒性的目标发展。
随着计算机技术的不断发展及各种新理论的应用与改进,相信图像分割技术会不断完善和成熟起来。
参考文献:
[1]许微,侯正信。
基于扩散率函数的图像放大算法[J]。
传感技术学报,2006年04期
[2]Gonzalez R C,Woods R E..Digital Image Processing, 3rd.ed., Addisonwesley, 1992
[3]龚声蓉,刘纯平。
数字图像处理与分析[M]。
清华大学出版社,2006
[4]刘红霞,图像分割算法的研究与实现[D]。
华东师范大学,2004(5)。