感兴趣区域提取方法的研究

合集下载

新的图像感兴趣区域的提取方法

新的图像感兴趣区域的提取方法在计算机视觉领域中，图像感兴趣区域的提取一直是一个重要的研究方向。

随着技术的不断发展和应用的不断推广，传统的图像感兴趣区域提取方法已经难以满足实际需求。

因此，研究人员提出了一种新的图像感兴趣区域提取方法，该方法结合了深度学习和卷积神经网络的优势，能够更准确地提取图像中的感兴趣区域。

传统的图像感兴趣区域提取方法通常基于图像的低层特征，如颜色、纹理和边缘等。

然而，这些低层特征往往无法准确地描述图像中的复杂结构和语义信息。

相比之下，深度学习和卷积神经网络具有强大的学习能力和表达能力，能够从大量数据中学习到高层次的抽象特征。

新的图像感兴趣区域提取方法主要基于深度学习和卷积神经网络的思想，通过训练一个特定的神经网络模型，来实现对图像中感兴趣区域的准确提取。

首先，需要构建一个大规模的图像数据集，包含大量的正样本和负样本。

正样本是指包含感兴趣区域的图像，而负样本是指不包含感兴趣区域的图像。

然后，利用这个数据集对神经网络模型进行训练，使其能够准确地判断一个图像中是否包含感兴趣区域。

训练完成后，就可以将这个神经网络模型应用到新的图像中，实现对感兴趣区域的提取。

具体而言，可以将输入的图像分割成多个小块，并将每个小块输入到神经网络模型中进行预测。

根据神经网络模型的输出结果，可以确定每个小块是否包含感兴趣区域。

最后，将所有包含感兴趣区域的小块合并起来，就得到了整个图像的感兴趣区域。

与传统的方法相比，新的图像感兴趣区域提取方法具有以下优势：1.准确性：新的方法基于深度学习和卷积神经网络，具有更强的学习和表达能力，能够更准确地提取图像中的感兴趣区域。

2.自适应性：新的方法通过训练自适应能力强的神经网络模型，能够适应各种不同的图像场景和特征，提高感兴趣区域提取的鲁棒性。

3.效率性：新的方法可以利用并行计算的优势，快速地提取图像中的感兴趣区域，适用于大规模图像处理和实时应用场景。

综上所述，新的图像感兴趣区域提取方法在计算机视觉领域具有广泛的应用前景。

基于感兴趣区域特征提取技术的情感语义研究

ＡｂｔａｔＩｇｆｃｉｅｓｍａｔｃｇｉｏｄ１ＳｄｌａｅｎＲＯＩｅｔｒｘｒｃｉｎｔｃｎｑｅ．Ｉｄｓｕｓｓｈｃｕｓｔｎｓｒｃ：ｍａｅａｅｔｖｅｎｉｒｏｎｔｎｍｏｅｍｏｅｓｄｏｃｅｉｉａｂａｕｅｔａｔｈｉｕｓｔｉｓｅｅａｑｉｉｏｆｅｏｅｃｔｉ
方法。仿真实验结果表明，该模型所实现的底层特征到高层情感语义映射准确率比传统的颜色特征提取技术的图像情感语
义识别模型有很大的提高。关键词：兴趣区域；情感语义；颜色特征提取；颜色直方图；自组织映射；情感聚类感
Ｋｅｒｓｅｉｎｆｎｅｅｔ（Ｏ）ａｅｔｅｓｍａｔ；ｃｌｒｅｔｒｅｔｃｉｎｃｌｉｏｒｍ；ｓｌｏｇｎａｉｐｉｙｗｏｄ：ｒｇｏｓｔｒｓＲＩ；ｆｃｖｅｎｉｏｉｆｉｃｏｏａｅｘａｔ；ｏｏｈｓｇａｆｕｒｏｒｔｅｆｒａｉｔｎｍａｐｇ－ｚｏｎ（Ｏ；ａｆｔｅｌｔＳＭ）ｆｃｉｕｅｅｖｃｓｒ
ｃｕｔｒｇａｇｒｔｍｆｈｉｈｅｏｏｉｔｇａｌｓｅｉｌｏｉｎｈｏｔｅｗｅｇｔｄｃｌｒｓｏｒｍ，ａｌａｅｕｔｔｆｅｔｅａｐｏｃ．Ｓｍｕａｉｎｒｓｌｏｔａｅｍｏｅｈｓｗｅｌｓｈｌｍａｅａｆｃｉｐｒａｈｔｉｖｉｌｔｕｔｓｗｔｄｌｏｅｓｈｈｔｈｏｅｕｄｒｙｎｈｒｃｅｉｉｓｏｅｒａｉａｉｎｏｉｈｌｖｌｆｅｔｅｓｍａｔｐｉｇａｃｒｃｈｎｔｅｔｄｔｎｌｏｏｓｏｅｆｈｎｅｌｉｇｃａａｔｒｔｆｔｅｌｔｆｇ —ｅｅｆｃｉｅｎｉｍａｐｎｃｕａｙｔａａｉｏａｌｒｆｔｓｃｈｚｏｈａｖｃｈｒｉｃｈｔ

基于感兴趣区域半自动提取的图像压缩的研究

ａｇｉｔｎｒｃｉｓｌｏｒｔｕｅｅｖｅｍｏｅｒｐｒｃｓｒｇｏｏｆｉｅｅｔｅｉｅｅｉｎｎｔｒｓ．Ｔｈｅｐｅｍｅｈｏｓｔｔｔｅｅｘｒｉｎｔｓｗｈａｈｍｅｈｃｎｏｅｖｅｓｆｌｎｆｒａｉｔｏｄａｃｎｓｒｕｅｕｉｏｍｔｏｎａｅｅｏｎｔｕｔｄｍａｅａｄｙｎｄｅｅｔｌ．ｎｄｇｔｒｃｓｒｃｅｉｇｓｒｐｉｌａｆｃｉｙｖｅ
摘
要：了减少图像数据的存储空间和传输时间，出一种基于感兴趣区域半自动提取的图像压缩方法。已有算法不为提与
同，算法在对图像进行感兴趣区域分割时，不是完全人工或者自动分割，该并而是基于手动的基础上结合区域生长的方法
ａｔｍａｃｌ，ｂｔｅｎｓｍｅｈｄａｅｎｈｆｔｒｆｓｍｉａｔｍａｏｅｔｃｏｒｏｆｉｔｅＬｈｎｗｕｏｔａｙｕｉｌｄｆｅｉｔｏｂｓｄｏｔｅｅｕｅｅ — ｕｏｔｎｘｍｔｎｅｎｏｎｅｓａｏｉｉｉｇｒＴｅｅ
基于感兴趣区域半自动提取的图像压缩的研究
王圆妹，陈琳许，劲
４４２；３０３（．江大学电子与信息学院，北荆州１长湖
ቤተ መጻሕፍቲ ባይዱ
２长江大学计算机科学学院，．湖北荆州
４４２；３０３
２２１）６７４
３胜利清河采油厂井下作业部作业二队山东东营．

用c++对感兴趣区域的提取

一. 设计目的和意义通过设计，较全面地掌握各种图像提取算法的基本理论、原理和实现手段，并能分析感兴趣区域（ROI）提取效果及对进一步处理的影响，使学生具有一定综合分析问题和解决问题的能力。

二．设计内容和要求原始数据：所获取二值图像。

技术要求：（1）完成题目所要求技术：全面掌握与区域提取算法相关的基本理论、原理和实现手段；（2）通过仿真（实验）验证，编程实现对处理实景图像进行感兴趣区域提取的算法和实现手段，并进行结果分析。

设计要求：课程设计的目的在于培养学生的综合素质，要求学生做到：（1）根据题目要求查阅有关资料，确定方案，写出设计方案；（2）根据对选题的理解，消化查阅资料，给出相关的实现算法和理论根据；(3) 在Matlab或C++或VC环境下，实现算法，并给出仿真结果；(4) 对结果进行分析总结三．设计工作任务每个成员单独用一种方法，在Matlab或VC环境下运行程序，达到对图像感兴趣区域的提取的目的。

四．每种特征提取的代码和运行结果1 通过腐蚀实现轮廓提取（1）程序代码// DibImage.cpp: implementation of the CDibImage class.// DIB(Independent Bitmap) 函数：//// PaintDIB() - 绘制DIB对象// CreateDIBPalette() - 创建DIB对象调色板// FindDIBBits() - 返回DIB图像象素起始位置// DIBWidth() - 返回DIB宽度// DIBHeight() - 返回DIB高度// PaletteSize() - 返回DIB调色板大小// DIBNumColors() - 计算DIB调色板颜色数目// CopyHandle() - 拷贝内存块//// SaveDIB() - 将DIB保存到指定文件中// ReadDIBFile() - 重指定文件中读取DIB对象//////////////////////////////////////////////////////////////////////#include "stdafx.h"#include "TemplateTrans.h"#include "DibImage.h"#include "math.h"#ifdef _DEBUG#undef THIS_FILEstatic char THIS_FILE[]=__FILE__;#define new DEBUG_NEW#endif//////////////////////////////////////////////////////////////////////// Construction/Destruction////////////////////////////////////////////////////////////////////// CDibImage::CDibImage(){}CDibImage::~CDibImage(){}//////////////////////////////////////////////////////////////////////// function////////////////////////////////////////////////////////////////////// BOOL CDibImage::Enhance(LPSTR lpDIBBits,LONG lWidth,LONG lHeight) {//边缘检测LPSTR lpSrc;LPSTR lpDst;LPSTR lpNewDIBBits;HLOCAL hNewDIBBits;long i,j;unsigned char n,e,s,w,ne,se,nw,sw;unsigned char pixel;hNewDIBBits=LocalAlloc(LHND,lWidth*lHeight);if(hNewDIBBits==NULL){return FALSE;}lpNewDIBBits=(char *)LocalLock(hNewDIBBits);lpDst=(char *)lpNewDIBBits;memset(lpDst,(BYTE)255,lWidth*lHeight);for(j=1;j<lHeight-1;j++){for(i=1;i<lWidth-1;i++){lpSrc=(char*)lpDIBBits+lWidth*j+i;lpDst=(char*)lpNewDIBBits+lWidth*j+i;pixel=(unsigned char)*lpSrc;if(pixel!=255&&pixel!=0)return FALSE;if(pixel==0){*lpDst=(unsigned char)0;nw=(unsigned char)*(lpSrc+lWidth-1);n=(unsigned char)*(lpSrc+lWidth);ne=(unsigned char)*(lpSrc+lWidth+1);w=(unsigned char)*(lpSrc-1);e=(unsigned char)*(lpSrc+1);sw=(unsigned char)*(lpSrc-lWidth-1);s=(unsigned char)*(lpSrc-lWidth);se=(unsigned char)*(lpSrc-lWidth+1);if(nw+n+ne+w+e+sw+s+se==0){*lpDst=(unsigned char)255;}} } }memcpy(lpDIBBits,lpNewDIBBits,lWidth*lHeight);LocalUnlock(hNewDIBBits);LocalFree(hNewDIBBits);return TRUE; }（2）运行结果源图像处理后的图像2自定义FCm函数对图片进行提取（1）程序代码data=imread('cameraman.tif'); %读入图片的像素矩阵 %data=ima();data=double(data);data=data/1000.0;%由于函数的需要，需将data矩阵中的数值转换格式，否则出错figure,imshow(data)%显示原始图片title ('原始图像')%将图片的像素矩阵转换为样本矩阵，该样本矩阵有65536行（把每个像素点作为一个样本% ，65536个样本值）；%有1列（把像素点的灰度值作为样本的特征值）A=zeros(65536,1);%初始化A，为其分配空间A(1:65536)=data(1:65536);%将256*256的矩阵转化成为65536*1的矩阵data=A;% 转换结束后得到样本矩阵cluster_n=2;%标量,表示聚合中心数目,即类别数options=[2;257;1e-5;1]%初始化操作参数y=FCMClust(data, cluster_n, options)%调用模糊C子函数 FCMClust.m子程序1：% FCMClust.m 采用模糊C均值对数据集data聚为cluster_n类function [center, U, obj_fcn] = FCMClust(data, cluster_n, options) % 用法：% 1、[center,U,obj_fcn] = FCMClust(Data,N_cluster,options);% 2、 [center,U,obj_fcn] = FCMClust(Data,N_cluster);% 输入：% data ---- nxm矩阵,表示n个样本,每个样本具有m维特征值% N_cluster ---- 标量,表示聚合中心数目,即类别数% options ---- 4x1矩阵，其中% options(1): 隶属度矩阵U的指数，>1 (缺省值: 2.0)% options(2): 最大迭代次数 (缺省值: 100)% options(3): 隶属度最小变化量,迭代终止条件 (缺省值: 1e-5)% options(4): 每次迭代是否输出信息标志 (缺省值: 1)% 输出：% center ---- 聚类中心% U ---- 隶属度矩阵% obj_fcn ---- 目标函数值if nargin ~= 2 & nargin ~= 3, %判断输入参数个数只能是2个或3个error('Too many or too few input arguments!');enddata_n = size(data, 1); % 求出data的第一维(rows)数,即样本个数in_n = size(data, 2); % 求出data的第二维(columns)数，即特征值长度% 默认操作参数default_options = [2; % 隶属度矩阵U的指数257; % 最大迭代次数1e-5; % 隶属度最小变化量,迭代终止条件1]; % 每次迭代是否输出信息标志if nargin == 2,options = default_options;else%分析有options做参数时候的情况% 如果输入参数个数是二那么就调用默认的option;if length(options) < 4, %如果用户给的opition数少于4个那么其他用默认值; tmp = default_options;tmp(1:length(options)) = options;options = tmp;end% 返回options中是数的值为0(如NaN),不是数时为1nan_index = find(isnan(options)==1);%将denfault_options中对应位置的参数赋值给options中不是数的位置.options(nan_index) = default_options(nan_index);if options(1) <= 1, %如果模糊矩阵的指数小于等于1error('The exponent should be greater than 1!');endend%将options 中的分量分别赋值给四个变量;expo = options(1); % 隶属度矩阵U的指数max_iter = options(2); % 最大迭代次数min_impro = options(3); % 隶属度最小变化量,迭代终止条件display = options(4); % 每次迭代是否输出信息标志obj_fcn = zeros(max_iter, 1); % 初始化输出参数obj_fcn ,将其初始化为max_iter 行矩阵U = initfcm(cluster_n, data_n); % 初始化模糊分配矩阵即隶属矩阵,使U满足列上相加为1% Main loop 主要循环for i = 1:max_iter,%在第k步循环中改变聚类中心ceneter,和分配函数U的隶属度值;[U, center, obj_fcn(i)] = stepfcm(data, U, cluster_n, expo);if display,fprintf('FCM:Iteration count = %d, obj. fcn = %f\n', i, obj_fcn(i));end% 终止条件判别if i > 1,if abs(obj_fcn(i) - obj_fcn(i-1)) < min_impro,break;end,endenditer_n = i; % 实际迭代次数obj_fcn(iter_n+1:max_iter) = [];center;%显示最后的C值矩阵U;%显示最后的隶属度矩阵%通过隶属度矩阵和聚类中心实现图像的二值化，首先将图像的样本点的特征值聚类成两类for i=1:65536if (U(1,i)>U(2,i))data(i)=center(1);elsedata(i)=center(2);endend%恢复图像的像素矩阵---即由二值化后的样本矩阵回归像素矩阵b=zeros(256,256);b(1:65536)=data(1:65536);data=b;figure,imshow(data)%显示模糊C均值处理后的二值化图像title ('模糊C均值后的二值化图像')子程序2：% 子函数function U = initfcm(cluster_n, data_n)% 初始化fcm的隶属度函数矩阵% 输入:% cluster_n ---- 聚类中心个数% data_n ---- 样本点数% 输出：% U ---- 初始化的隶属度矩阵U = rand(cluster_n, data_n); %产生一个cluster_n*data_n的矩阵，其产生0-1之间的随机数col_sum = sum(U);% 返回包含A各列元素之和的一行，data_n列矩阵U = U./(ones(cluster_n,1)*col_sum);;%U点除以sum(U)为行向量的%cluster-n行矩阵以实现每列的元素之和为1即对其进行归一化处理子程序3：% 子函数function [U_new, center, obj_fcn] = stepfcm(data, U, cluster_n, expo)% 模糊C均值聚类时迭代的一步% 输入：% data ---- nxm矩阵,表示n个样本,每个样本具有m的维特征值% U ---- 隶属度矩阵% cluster_n ---- 标量,表示聚合中心数目,即类别数% expo ---- 隶属度矩阵U的指数% 输出：% U_new ---- 迭代计算出的新的隶属度矩阵% center ---- 迭代计算出的新的聚类中心% obj_fcn ---- 目标函数值mf = U.^expo; % 隶属度矩阵进行指数运算结果center = mf*data./((ones(size(data, 2), 1)*sum(mf'))') ;% 新聚类中心dist = distfcm(center, data); % 计算距离矩阵obj_fcn = sum(sum((dist.^2).*mf)); % 计算目标函数值tmp = dist.^(-2/(expo-1));U_new = tmp./(ones(cluster_n, 1)*sum(tmp)); % 计算新的隶属度矩阵子程序4：% 子函数function out = distfcm(center, data)% 计算样本点距离聚类中心的距离% 输入：% center ---- 聚类中心% data ---- 样本点% 输出：% out ---- 距离out = zeros(size(center, 1), size(data, 1));for k = 1:size(center, 1), % 对每一个聚类中心% 每一次循环求得所有样本点到一个聚类中心的距离out(k, :)=sqrt(sum(((data-ones(size(data,1),1)*center(k,:)).^2)',1)); end（2）运行结果源图像处理后的图像3通过调用FCM函数，采用模糊C均值处理对图像进行提取（1）程序代码data=imread('1.jpg'); %读入图片像素矩阵 %data=ima();data=double(data);data=data/1000.0; %由于函数的需要，需将data矩阵中的数值转换格式，否则出错figure,imshow(data)%显示原始图片title ('原始图像')%将图片的像素矩阵转换为样本矩阵，该样本矩阵有19600行（把每个像素点作为一个样本% ，19600个样本值）；%有1列（把像素点的灰度值作为样本的特征值）A=zeros(19600,1);%初始化A，为其分配空间A(1:19600)=data(1:19600);%将140*140的矩阵转化成为19600*1的矩阵data=A;% 转换结束后得到样本矩阵[center,U,obj_fcn]=fcm(data,2);%调用fcm函数center;%显示最后的C值矩阵U;%显示最后的隶属度矩阵%通过隶属度矩阵和聚类中心实现图像的二值化，首先将图像的样本点的特征值聚类成两类for i=1:19600if (U(1,i)>U(2,i))data(i)=center(1);elsedata(i)=center(2);endend%恢复图像的像素矩阵---即由二值化后的样本矩阵回归像素矩阵b=zeros(140,140);b(1:19600)=data(1:19600);data=b;figure,imshow(data)%显示模糊C均值处理后的二值化图像title ('模糊C均值后的二值化图像')（2）运行结果源图像处理后的图像4通过设置门限进行二值化处理对图像进行提取（1）程序代码data=imread('cameraman.tif');%读入图片的像素矩阵 %data=ima(); data=double(data);data=data/1000.0;%由于函数的需要，需将data矩阵中的数值转换格式，否则出错imshow(data)%显示原始图片title ('原始图像')data%通过设置门限值对它进行二值化处理for i=1:65536if (data(i)>0.1)data(i)=1;elsedata(i)=0;endendfigure,imshow(data)%二值化图像title ('二值化图像')（2）运行结果源图像处理后的图像五. 实习总结及心得“多维信息处理实践”是电子技术课程的实践性教学环节，是对我们学习电子技术的综合性训练。

图像感兴趣区域提取技术研究

ｄａａ．ｔ
Ｋｅｏｄ：ｅｉｎｆＩｔｒｓＲＩｉｇｎｌｓ；ｎｒｙｉｇ；ｄｅｄｔｔｒｓｌｎｙｍａｙｗｒｓＲｇｓｎｅｅｔＯ）ｍａｅａｙｉｅｅｇｏｏ（；ａｓｍａｅｅｇｅｅｏ；ａｅｃｐｃｉ
有针对性。
１概述２Ｒ提取技术ＯＩ
第１卷第４０期
２１１月１年２０
广东交通职业技术学院学报
ＪｏＵＲＮＡＬＯＦＧＵＡＮＧＯ１ＧＤ＂４ＣＯＭＭＵＮｌＣＡＴＩＮＳｏＰＯＬＹＴＥＣＨＮｌＣ
Ｖ＿．ＯＮｏ．０１１４Ｄｅｅｂｅ１ｃｍｒ２０１
进行了深入探讨，详细研究了当前几种较具代表性的感兴趣区域提取技术，并对其提取效果做了评价。总结了它们的优缺点以及适用场景，为用户选取合适的感兴趣区域提取方法，提供了实验依据。关键词：感兴趣区域；图像分析；能量图；拐点检测；显著图中图分类号：Ｔ９．１Ｐ３１４文献标识码：Ａ
随着科学技术的发展，图像已经成为了信息
的一个重要来源。一方面对于传递信息给我们带
目前，多种ＲＩＯ自动提取算法已经被国内外
研究者提出。主要包括以下几类：
来了很大的方便，但另一方面其与日俱增的庞大
ＴｅｈｎｉａｓａｃｏｔｃｉｇｏｆＩｅｅｔｃｃｌＲｅｅｒｈｎＤｅｅｔｎｇＲｅｉｎｓｏｎｔｒｓ
ＣＨＥＧｎ１ＮＬｉｉｎ

opencv——感兴趣区域（ROI）的分析和选取[详细总结]

opencv——感兴趣区域（ROI）的分析和选取[详细总结]引⾔在利⽤OpenCV对图像进⾏处理时，通常会遇到⼀个情况，就是只需要对部分感兴趣区域进⾏处理。

因此，如何选取感兴趣区域呢？（其实就是“抠图”）。

在学习opencv的掩码运算后，尝试实现⼀个类似halcon的reduce_domain功能，对于实现抠图的过程中，需要掌握的要点就是位运算符和copyTo函数位运算符的相关API：void bitwise_and(InputArray src1, InputArray src2, OutputArray dst); //dst = src1 & src2 “与”操作void bitwise_or(InputArray src1, InputArray src2, OutputArray dst); //dst = src1 | src2 “或”操作void bitwise_xor(InputArray src1, InputArray src2, OutputArray dst); //dst = src1 ^ src2 “异或”操作void bitwise_not(InputArray src, OutputArray dst); //dst = ~src “⾮”操作copyTo函数它的定义OpenCV中image.copyTo()有两种形式：1、image.copyTo(imageROI)，作⽤是把image的内容复制到imageROI；2、image.copyTo(imageROI，mask),作⽤是把原图(image)和掩膜(mask)与运算后得到ROI区域(imageROI)。

mask就是位图，如果mask像素的值是⾮0的，我就拷贝它，否则不拷贝。

（⾮零的位置就是原图中的那些需要拷贝的部分)正⽂部分对于感兴趣区域(Region of Interest, ROI)的选取，⼀般有两种情形：1)已知ROI在图像中的位置；2)ROI在图像中的位置未知。

一种新的图像感兴趣区域的提取方法

Ｊｎ２１ｕ．００
一
种新的图像感兴趣区域的提取方法
曹红兵，陈蕴
２０１）３０２
（．阳师范学院计算机与信息学院，徽阜阳２６４；１阜安３０１
２中国科学技术大学计算机系，徽合肥．安
摘
要：对于Ｉｉ显著图模型的感兴趣区域检测方法中，在的检测结果与视觉感知有差异以及转移过程中同一目ｔ的ｔ存
标内出现多个感兴趣区域检测结果等问题，引入灰度尺度变化特征和Ｃ模型，Ｖ以使感兴趣区域检测结果更符合人的视觉感知。实验结果表明，算法检测到的感兴趣区域与人的视觉感知结果吻合率为７．，于Ｉｔ模型的７．。该７６高ｔｉ２８／／０关键词：感兴趣区域；著图；觉特征；度尺度显视灰
ｐｒｅｔｎ，ａｄｍｏｅｔａｎｅｅｔｎｒｓｌｍａｐｅｒｉｈａｂｅｔｄｒｎｒｎｆｒｐｏｅｓｒｙｓａｅｖｒａｅｃｐｉｏｎｒｈｎｏｅｄｔｃｉｅｕｔｙａｐａｔｅｓｍｅｏｊｃｕｉｇｔａｓｅｒｃｓ．Ａｇａｃｌａｉ— ｏｎ
中图分类号：Ｐ９．１Ｔ３１４
文献标识码：Ａ
文章编号：０４１６（０００— ０９０１０ —０９２１）２０１ —４

基于感兴趣区自动提取的红外图像压缩研究

具体实现，通过图像实验充分验证了该方法的有效性、实时性，具有重要的应用价值。
关键词：红外图像；兴趣区；图像压缩；ＰＧ００感ＪＥ２０
中图分类号：Ｔ３１４Ｐ９．文献标志码：Ａ文章编号：１０ — ６５２０）２３６．４０１３９（０８１ —６１０
Ｒｅｅｒｈｏｎｒｒｄｉｇｏｒｓｉｎｓａｃｎｉｆａｅｍａｅｃｍｐｅｓｏ
ｂｓｄｏｅｉｎｏｔｒｓａｔｍａｉｅｅｔｄａｅｎｒｇｏｆｉｅｅｔｕｏｔｄｔｃｅｎｃ
ＹＡｈｎ—ｈ，Ｉｉ－ｎ，Ｕｉ — ｎ，ＨｕＵＮＳｅｇｚｉＸＥＸａｆｇＧＯＱｎｆｇＺＵＲｉｏａｇｅ
Ｋｅｏｄ：ｉｆｒｄｉａｅｒｇｎｏｔｅｔＲＩ；ｉａｅｃｍｒｓｏ；ＰＧ００ｙｗｒｓｎｒｅｇ；ｅｉｆｎｅｓＯ）ｍｇｏｐｅｓｎＪＥ２０ａｍｏｉｒ（ｉ
பைடு நூலகம்
随着无人机、巡逻攻击导弹等武器装备不断出现，了完为成目标的自动检测、识别及跟踪，需要将图像数据（见的类常
１红外图像感兴趣区域的自动提取
在复杂环境下得到的红外图像细节较多，目标和背景界限
型包括红外图像、Ｒ图像等）缩后在有限带宽的信道上传ＳＡ压
输。基于感兴趣区域的图像压缩编码技术能对一幅图像的不

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)。

关键字纹理图像；感兴趣区域；相位一致性；区域生长
1 引言
图像分割是把图像中互不相交、具有特殊涵义的区域区分出来。每个区域内像素的属性满足一定的一致性，如灰度值相近或纹理特征相似。图像分割是图像分析的关键步骤，是一种低层次的计算机视觉技术。计算机视觉中的图像理解包括目标检测、特征提取和模式识别等，都依赖于图像分割的质量。尽管已经有了许多分割方法，但是到目前为止还不存在一种通用的方法，同时也没有一个判断分割质量的标准，因为它与人的主观认识有密切联系，被认为是计算机视觉处理中的一个瓶颈技术。目前图像分割主要有以下三类方法：一是阈值分割，它借助于图像的整体信息，如直方图来决定阈值的选取；二是基于边界的分割，它主要借助于各种边界算子对图像处理得到边界，然后再得到用户感兴趣的区域，其主要问题是如何从得到的分散的边界组成闭合的边界，从而得到待分割的区域；三是区域生长，寻找与用户输入种子点相似属性的像素来得到一块区域，最简单的形式是从一个像素出发，检查其邻域，判断是否与种子点具有相似的属性，若相似，则加入当前区域，否则不添加，直至区域不再增长为止。
·14·
计算机与信息技术
开发与应用
感兴趣区域提取方法的研究
薛联凤刘云飞
（南京林业大学信息学院，江苏南京 210037）
摘要感兴趣区域信息的提取和分析，对图像特征分析有着重要的作用，本论文借助于完全离散小波分解得到的大
量子图像数据作为均值移动算法的收敛数据，并对其收敛点。然后在基于相位一致性的边缘检测，依据收敛点的信息结合边缘信息进行区域生长的方法，而达到图像区域提取和识别，将人们感兴趣的区域孤立出来，对所需区域进行形状描述、收集信息和求取图像特征参数。实验表明，此方法有着较好的分割效果。
条件（a）说明分割必须是完全的：即，每个像素必须属于一个区域，条件（b）要求区域中的点必须与某个预定义的准则相联系，条件（c）说明不同区域必须是不相交的，条件（d）涉及在分割区域内的像素必须满足的性质为在一定区域像素值相同，条件（e）不同区域有着不同的像素值。 2.3 区域生长
通常根据所解决问题的性质而选择一个或多个起点，当一先验信息无效时，这一过程将对每个像素计算相同的特性值，最终，这个特性集在生长过程中用于将像素归属于某个区域。如果这些计算的结果呈现了不同簇的值，则那些由于自身的性质而处在这些簇中心附近的像素可以作为种子。
参考文献
[1]万常选.XML 数据库技术[M].北京：清华大学出版社， 2005.1.1
[2]张成岗贺福初.生物信息学方法与实践[M].北京：科学出版社，2002.6
[3]王明诒等.生物信息学.北京：科学出版社[M]，2004.9 [4]赵国屏等.生物信息学.北京：科学出版社[M]，2002.4 [5] http：/// 收稿日期：10 月 6 日修改日期：11 月 7 日作者简介：朱笑花（1980-），女，硕士研究生，研究方向：信息处理、自动控制；张寿明，男，教授，硕士生导师，研究方向：过程控制、信息处理。
∑ ∑ wo (x)[Eno (x) − To]
∑ ∑ PC（x）= o n
Ano (x) + ε
on
（3）
式中，Wo 和 To 分别是频率扩展和噪声补偿；Eno、Ano 分别为当前位置在方向 o、尺度 n 上的能量和幅值；[]表示如果该符号中的值为正，则为其本身，其它为 0；ε为很小的正常数，防止分母为 0。 3.2 基于边缘信息的区域生长
n
（a） ∪ Ri = R
i=1
开发与应用
计算机与信息技术
·15·
（b） Ri是一个连通的区域，i = 1，2，...，n （c） Ri ∩ R = Φ, 对所有的i和j,i ≠ j （d） P(Ri) = Ture, 对于i = 1,2,..., n （e） P(Ri ∪ Rj) = False,对于i = j
( ) 对应的特征相量是
x1, x2,...,x9
归一化方法为 ~xi
=
xk
max(
l =1,..,9
xl
)
，依
据上述的方法提取特征参数。根据这个收敛的数据的均值进行区域生长。
2.2 区域生长的概念区域生长是一种根据事前定义的准则将像素或子区域聚
合成为更大区域的过程。基本的处理方法是以一组“种子” 点开始将与种子性质相似（诸如灰度级或颜色的特定区域）的相邻像素附加到生长区域的每个种子上。令 R 表示整幅图像区域。图像分割即为 R 划分为 n 个子区域 R1，R2，R3，…， Rn 的过程：
取消了采样，这样得到一幅模糊图像和 15 幅细节图像，在细
节子图中以某一点为中心的小窗口中计算能量，在计算好能
量的特征图像中，取位于相同位置的 16 个特征构成一个像素
的特征矢量，再对特征矢量进行归类。能量的计算表示如下：
∑ ∑ E(x, y) = 1
x+w y+w
g( p, q) − m(x, y) 2
E（ x） =PC（x） ∑ An n
（2）
式中，E（x）为位置 x 处的局部能量，An 为傅里叶变换
各分量幅度，PC（x）为位置 x 处的相位一致性。
而局部能量由原信号与两个互为 Hilbert 变换的滤波器进
行卷积得到。因为考虑噪声的影响，本文采用 Kovesi 所提方
法，由式（2）得到位置 x 处的相位一致性。
检测进行初次分割结果，图 1（c）是再次应用基于边缘信息的
区域生长对图 1（b）分割结果，图 1（d）是对图 1（c）应用
基于边缘信息的区域生长面积形态特征分割的结果。
(a)原始图像
(b) 基于相位一致性的边缘检测
(c) 基于边缘信息的区域生长 (d)基于边缘信息的区域生长
图 1 图像分割的处理过程（下转第 19 页）
为生长过程提供潜在的区域模型。具体的生长过程如下：
（1）对应用相位一致性所检测到的边缘图像进行标记，
可根据式（4）计算标识为 l 的边界段的质心坐标（xl，yl），
并赋予其标号
∑ X l
=
1 X
n ( x, y)∈l
∑ Yl
=
1 Y
n ( x , y )∈l
（4）
由于提取边界的不连续，同一区域就会获得多个不同标
开发与应用
计算机与信息技术
·19·
if（start.state=="Open"） { string[] dirs = Directory.GetFiles（@dir.txtpath，"*.xml"）； for（int g=0；g<dirs.Length；g++） { try
{ clear（）； XmlDocument xmldoc=new XmlDocument（）； xmldoc.Load（dirs[g]）； XmlElement root = xmldoc.DocumentElement； for （int f=0；f<root.ChildNodes.Count；f++） { for （ int i=0 ； i<root.ChildNodes.Item
本论文借助于完全离散小波分解得到的大量子图像数据作为均值移动算法的收敛数据，并对其收敛点，然后在基于相位一致性的边缘检测，依据收敛点的信息结合边缘信息进行区域生长的方法，而达到图像区域提取和识别，然后应用区域生长分割图像，将人们感兴趣区域“孤立”出来，而对所“孤立”的区域形状进行特征描述。
在实际应用区域生长方法时需要解决 3 个问题：选择或确定一组能正确代表所需区域的种子像素；确定在生长过程中能将相邻像素包括进来的准则；制定让生长过程停止的条
件或准则。应用相位一致性进行边缘检测，得到图像内各区
域的大体分布，可以利用代表各区域分布的边界信息自动获
得种子点，同时这些边界线还可以作为生长停止的约束条件
纹理图像的分析基于频率域特征的分析较为理想，结合
纹理的方向性和区域性特点，将纹理图像进行子波分解，一
个像素对应 4 个子波系数，这些子波系数体现了不同方向细
节，再分别将 4 个子波域块映射为能量特征图像。
设待分割的图像为 f（x，y），对图像进行四进制小波分
解，为了使滤波器组的各子带图像和原图像保持相同大小，
时将（x，y）压入堆栈。
（3）从堆栈中取出 1 个像素，把它当作 (x0, y0 ) ，重复步骤（2），直到堆栈为空时，该区域生长过程结束。
（4）逐个取出其它种子点按（2）～（3）种
子点为中心取 1 个小窗口，窗口的大小可调。分别计算窗口
2 图像的预处理
2.1 均值移动算法均值移动算法是一种基于密度梯度估计纹理簇的中心点
方法，可以处理无人监督的簇分类。均值移动算法是在特征空间中移动样本点向平均值靠近，直到收敛到一个特定位置。该位置被视为纹理中心点。对于任意一点以自己为圆心，对给定半径区域内的点进行均值移动算法处理，以达到收敛的目的。
模型，阶跃、线、屋顶等各种边界特征类型甚至马赫带现象都与傅立叶相位的一致性程度相对应。相位一致性定位准确，与图像亮度或对比度的变化无关，且与人类视觉系统特征识别的许多心理学解释一致，这些特性使其适用于特征变化较大的自然彩色图像。相位一致性的计算非常复杂。Venkatesh 和 Owens 证明了局部能量等于傅里叶变换各分量幅度之和与相位一致性的乘积，如式（2）所示：
对象数据库，直到现在的 XML 数据库，本文提出基于 XML 的关系型数据库的存储方法是介于 XML 数据库和关系型数据库之间，该方法充分利用了两者的优势。目前有许多研究者正在从事基于关系数据库系统处理 XML 数据（即 XML— enabled 数据库系统）以及以 XML 文档发布关系数据的研究工作。该工作具有很大的挑战性和应用价值。特别是，本论文研究的对象是有关马铃薯的生物数据，特别是马铃薯晚疫病的数据，并对该数据进行数据挖掘和分析，目前国内还没有相关的报道和研究，国外有相关的研究，但是都尚实行会员制，具有很大的局限性。因此本论文提出的构建马铃薯生物信息学平台和 XML 在该平台中的应用，都具有很大的研究前景和应用价值，对生物信息学的发展和马铃薯的相关疾病的研究都有重大的意义。