基于差分盒维数的空间目标图像分割算法
基于多尺度空间分析的图像阈值分割方法
‘ ［ 。 。 Ｅ ０二 ３ ［１ ２ ０ Ｏ０ 。 ０ Ｂ
度 卉 力 （ ＧＢ灰 度 的线 悱 组 合 ） ‘ Ｒ （）亮 度 图 ｃ
表 达 式参 见 文献 ［ ］ ２。
ｈ ｒ ， （ ）＝
（） ２
在离散 空间 中推广 ， 于一 维 的离 散信 号 对
收 稿 日期 ：０ ２０ ．３ ２ ０ ７２ 。
维普资讯
第 ６期 江 柳 等 ： 于多尺度空 间分析 的图像 闭伉 分割方法 基
式中， 表示像素值为 ｒ的像素 出现的个数； 表 示整 幅图像 中像 素 的个 数 。这样 可 以对 一 幅 图像
在坐标 系 中作 一 个 密度 分 布 曲线 。本 文 中直 方 图 的表示采 用第 二 种方 式 。分别 作 出 一 幅彩 色 图像 （Ｇ Ｒ Ｂ格式 ） 红 ）Ｇ（ ）Ｂ（ ） Ｒ（ 、 绿 、 蓝 的一 维灰 度直 方 图（ １ａ） 图 （）。Ｙ轴 表 示像 素 值 为 ｒ的像 素 出现 的 个数 （ ０） ×１４即 ， 。从 图 １ａ中可 以看 出三色通道 （） 的灰 度分布在亮 区 （３ ￣２０ 相似 ， 是 在暗 区 的 ２０ ５） 但 分布不 同 ， 导致 Ｒ通 道的 图像较 暗 ， 通道 图像 整 Ｂ 体较亮 。在 Ｒ 和 Ｂ通道 图像 中出现灰 度相差 不大 的 目标混 为一 体 的现 象 ， 致 了分 割效 果 的下 降 。 导 因为人 眼对 亮度 的敏感 度较色度 高 ， 了使 分 割后 为
维普资讯
第２ ７卷 第 ６期
２０ ０ ２年 １ ２月
武 汉 大 学 学 报 ・信 息 科 学 版
￣ ｘ ａａ ｌｓａ ｄ Ｉ ｆ ｒ ｔ ｎ Ｓ ｉ ｅ ｏ ｕ ａ ｉｅ ｓｔ ａａ ｔ ｎ ｎ ｏ ｍａ ｉ ｃｅ ｆＷ ｈ ｎ Ｕｎ ｖ ｒｉ ｃ ｏ ｎｃ ｙ
基于差分粒子群和模糊聚类的彩色图像分割算法
关 键词 ： 模糊 ｃ 均值 聚类 ； 差分粒 子群 算 法 ； 全局优 化 ； 彩 色图像 分割
中图分 类号 ： Ｔ Ｐ ３ ９ １ 文献标 志码 ： Ａ
Ｆｕｚ ｚ ｙ ｃ ｌ ｕｓ ｔ ｅ ｒ ｉ ｎ ｇ ｃ ｏ ｌ ｏ ｒ ｉ ｍａ ｇ ｅ ｓ ｅ ｇ ｍｅ ｎｔ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂａ ｓ ｅ ｄ ｏ ｎ ＤＥＰＳＯ
同的 色彩 空 间对 于 图像 分割 效 果 的影 响 ，尝试 在 不 同的 空 间上使 用 ＤＥ Ｐ Ｓ Ｏ— Ｆ Ｃ Ｍ 进行 图像 分
割． 实验表 明 ， 该 方 法 能解 决 Ｆ Ｃ Ｍ 算 法 陷入局 部 最优 的 问题 ， 在 不 同的 色彩 空 间上 都 获得 了理
想的 分割效 果．
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｃ ｏ ｌ ｏ ｒ ｉ ｍ ａ ｇ ｅ ｃ ｏ ｎ ｔ ａ ｉ ｎ ｓ ａ ｌ ｏ ｔ ｏ ｆ ｄ ａ ｔ ａ ， ｔ ｈ ｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｆ ｕ ｚ ｚ ｙ Ｃ － ｍ ｅ ａ ｎ ｓ ｃ ｌ ｕ ｓ ｔ ｅ ｉ ｒ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ （ Ｆ Ｃ Ｍ） ｅ ａ ｓ ｙ ｔ ｏ
Ｌ Ｉ Ｕ Ｊ ｉ ａ ｎ — ｓ ｈ ｅ ｎ ｇ ， ＱＩ ＡＯ Ｓ ｈ ａ ｎ ｇ ＇ ｐ ｉ ｎ ｇ ， Ｋ ＵＡ ＮＧ Ｙｉ － ｑ ｕ ｎ
（ Ｆ ａ ｃ ｕ ｌ ｔ ｙ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ， Ｊ ｉ ａ ｎ ｇ ｘ ｉ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｇ ａ ｎ ｚ ｈ ｏ ｕ ３ ４ １ ０ ０ ０ ， Ｃ ｈ ｉ ｎ ａ ）
计算机视觉中的图像分割与目标检测
计算机视觉中的图像分割与目标检测随着计算机技术的发展和进步，计算机视觉的应用逐渐成为现实。
在计算机视觉领域中，图像分割和目标检测是两个重要的任务。
本文将就图像分割和目标检测的概念、算法原理以及应用领域进行详细介绍。
一、图像分割图像分割是将一幅图像分割成若干个区域或者像素的过程。
其目的是将图像分为具有独立语义的子图像，从而更好地实现对图像内容的理解和分析。
图像分割在计算机视觉中被广泛应用，如医学图像分析、图像识别、图像压缩等。
图像分割算法有很多种，常见的包括阈值分割、边缘检测、区域生长等。
阈值分割是最简单的图像分割方法，其基本思想是根据像素的灰度值与设定的阈值进行比较，将像素分为不同的区域。
边缘检测是通过提取图像中的边缘信息来实现分割的方法。
区域生长算法则是以种子点为起点，通过生长的方式将与种子点相连的像素归为同一区域。
二、目标检测目标检测是计算机视觉中的另一个重要任务，其目的是在图像中找出感兴趣的目标并进行位置的确定。
目标检测在很多应用领域都有广泛的应用，如智能交通监控、人脸识别、无人驾驶等。
目标检测的算法也有多种，常见的有基于特征的方法和基于深度学习的方法。
基于特征的方法主要是通过提取图像中的特征信息，并采用分类器来进行目标的检测。
其中，常用的特征包括Haar特征、HOG 特征等。
基于深度学习的方法则是利用神经网络对图像进行端到端的处理，通过卷积神经网络（CNN）或者循环神经网络（RNN）实现目标的检测。
三、图像分割与目标检测的应用图像分割和目标检测在众多领域中都有广泛应用。
以医学图像分析为例，图像分割能够帮助医生更好地分割出肿瘤等病灶区域，从而为疾病的诊断提供更准确的依据。
而目标检测则能够帮助医生快速定位并识别出疾病部位，为手术治疗提供指导。
在智能交通监控领域，图像分割可以将车辆与背景进行分离，为车辆的跟踪和计数提供基础。
目标检测则能够实现对交通标志、车辆等感兴趣目标的实时检测和识别，从而帮助交通管理部门进行交通流量统计和道路安全监控。
遥感图像中船只目标区域的分割方法
面 号． Ｐ５ Ｔ７ １
遥感 图像 中船 只 目标 区域 的分割 方法
孙晓妍 ，董槐林 ，王备战 ，苏创业
（ 门大 学软 件 学 院 ，厦 门 ３ １０ ） 厦 ６ ０ ５
摘
要 ：针对 高分辨率遥感 海面图像中的船 只检测 问题 ，提出一种新 的区域分割方法。该方法利用小波变换得到适合分形分析 的一定尺 度
维普资讯
第３ ４卷 第 １ 期 ０
Ｖ ． ４ ｏ１ ３
・
计
算
机
工
程
２０ ０ ８年 ５月
Ｍａ ０ ｙ ２ ０８
Ｎｏ １ ．０
Ｃｏｍｐｕｔ ｒＥｎｇ ｎｅ ｒｎｇ ｅ ｉ ｅｉ
人工智能及识别技术 ・
文 编 ： ｏ — ４ （ｏ）— ｌ ＿ ３ 文 标 — 章 号 ｌ ０＿２２ ８ ｏ＿９ ＿ ０ ３ ８ｏ ｌ ０ 每 ｏ 献 识
Ｒｅ ｉ ｎ— ａ ｅ ｇ ｅ ａ ｉ ｎ Ｍ ｅ ｈｏ ｆＳｈｉ ｇ ｏ ｂ ｓ ｄ Ｓｅ ｍ ｎｔ ｔｏ ｔ ｄ ｏ ｐｓ ｉ ｍ ｏ ｅＳｅ ｉ ｍ ａ ｅ ｎ Ｒｅ ｔ ｎｓｎｇ Ｉ ｇ
ＳＵ Ｎ ａｏ－ Ｘｉ ｙａｎ， ＤＯ Ｎ Ｇ ｕａ －ｉ Ｗ Ａ ＮＧ ｉｚ Ｈ ｉｌｎ， Ｂｅ－ ｈａｎ，Ｓ Ｃｈｕａ － Ｕ ｎｇ ｙｅ
（ ｏｔ ａｅＳ ｈ ｏ ， ａ ｎＵｎｖ ｒｉ ， ａ ｎ３ １ ０ ） Ｓ ｆ ｒ ｃ ｏ ｌＸｉｍｅ ｉｅｓ ｙ Ｘｉ ｗ ｔ ｍｅ ６ ０ ５
［ ｓｒｃ］Ｔ ｉｐ ｐ ｒ ｒｐ ｓｓ ｅ ￣ｏ ｏｖ ｅ ｒｂｅ ｆｅ ｉｎｂｓｄｓｇ ｎａ ｏ ｉｈｒｓｌｔ ｎｒｍｏｅｓｎｉｇｓａ ｍａｅ Ａｂｔａ ｔ ｈｓ ａ ｅ ｏ ｏｅ ｎ ｗ ｍｅ ｄｔ ｓｌｅ ｈ ｏ ｌｍｓ ｇｏ ・ａｅ ｍｅｔｔ ｎ ｎｈｇ ． ｏｕｉ ｔ ｓ ｇ ｓｎ ｐ ａ ｏ ｔ ｐ ｏｒ － ｅ ｉ ｉ － ｅ ｏ ｅ ｅ ｎ ｅｉ ｉ
图像分割的常用方法
图像分割的常用方法
1. 阈值分割：根据像素灰度值与预设阈值之间的大小关系将图片分成黑白两个部分，常用于二值化处理。
2. 区域生长：利用像素之间的空间连通关系，从种子像素开始，将与其相邻的像素逐步合并成同一个区域。
3. 全局图像分割：将图像分成多个颜色或灰度级别，然后根据图像亮度、颜色、纹理、空间信息等特征进行分类，常用于分类、检测、识别等任务。
4. 模型分割：使用先前训练好的模型对图像分类和分割。
例如，利用卷积神经网络(CNN) 对图像进行分类和分割。
5. 基于图的分割：将图像转换成图形结构，建立节点之间的连接关系，通过图形算法对图形进行分割。
6. 边缘检测：检测图像中的边缘线条并将其分割出来，常用于目标检测和识别。
7. 水平集分割：该方法使用曲线(水平集) 对图像进行分割，可以在不同曲线之间自由地移动，因此在较复杂的图像中可以得到更好的分割效果。
图像分割技术
息。二阶导数对噪声也比较敏感，解决的方法是先对图
像进行平滑滤波，消除部分噪声，再进行边缘检测。
✓ 利用二阶导数信息的算法是基于过零检测的，因此得到
的边缘点数比较少，有利于后继的处理和识别工作。
✓ 各种算子的存在就是对这种导数分割原理进行的实例化
计算，是为了在计算过程中直接使用的一种计算单位。
4.1 边缘检测
4.1.5 Log边缘算子
（2）增强：对平滑图像进行拉普拉斯运算，即:
h( x, y ) 2 ( f ( x, y ) G ( x, y ))
（3）检测：边缘检测判据是二阶导数过零交叉点，并对
应一阶导数的较大峰值。
这种方法的特点是:图像首先与高斯滤波器进行卷积，
这样既平滑了图像又降低了噪声，孤立的噪声点和
第四章 图像分割
在对图像的研究和应用中，人们往往仅对图像中的某些
部分感兴趣，这部分常常称为目标或前景（其他部分称为背
景），它们一般对应图像中特定的、具有独特性质的区域。
为了识别和分析图像中的目标，需要将它们从图像中分离、
提取出来。
图像处理过程
图像分割是指把图像分成各具特性的区域并提取出感
兴趣目标的技术和过程。
同的像素具有不同的权值，对算子结果产生的影响也不同。
4.1 边缘检测
4.1.2 Sobel边缘算子
离散性差分算子
计算简单，检测效率高，对噪声具有平滑抑制作用，但是得
到的边缘较粗，且可能出现伪边缘。Sobel算子并没有将图像
的主体与背景严格地区分开来，换言之就是Sobel算子没有基
于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视
基于聚类分析的声呐目标图像自动提取方法
≤ 二 二
Ｉ ， 一 、 ， 一
背景
）
可 以很 好 的表 征灰度 表面 的粗 糙度 ，并且对 尺 度 的
变 化 不敏 感 ，这 与人 类 视 觉 系 统 有 很 大 的相 似 之 处 ，因此 常常被 用 作灰度 图像 的特 征 。 差 分 盒计 数法 是灰度 图像分 形维 数 的常用 计 算方 法 。一 幅大 小 为 Ｍ ×Ｍ 的 图像 可 以被划 分 成 大 小为 ×占的均匀 网格 ， 占是 当前度 量 图像所 使 用 的尺度 。假 定在 每一 个 网格上 放 置一列 大 小 为 × 占Ｘ占 的 盒 子 ， 每 个 盒 子 的 高 度 为
＝
／ 一～、 ／ 暗区 ｊ
＼ ＼ ～ 一／
Ｌ ——— ——— ——— —一 —— ——— ——— ———
＼
、
— 一 ／
／ 、 一 亮区
一 ／
— — — — …－
一— —
（， ） Ｏ０
域均伯
图 １ 维 特 征 点 不 意 图 二
图 ２给 出 了一 幅侧扫 声 呐 图像 ，图 ３ 出 了其 给 二维特 征 的联 合分 布 图。由 图 ３可 以看 出所 建 立 的 两个 二维 特征 矢量 均呈现 聚类 性 ，说 明所选 的特 征
塑 堕 Ｊ
其中ｄ Ｉ ， ） 与Ｃ ｉ 是 ， ｉ ， 之间的距离函数， 通常采
用欧氏距离 。目标函数 本质是每个数据点与所在 类 的质 心 的距 离之 和 ，因此 目标 函数越 小 ，类 内分 布 就越 集 中 ，聚类 效 果越 好 。所 以通 过 不断 地优 化 目标 函数取 值来 寻求 好 的聚类 方 案 ，当取 极 小值 时 即有可 能 是局 部最优 方案 。 Ｋ均 值聚 类 算法 步骤 ： （ 随机 选取 Ｋ 个对 象作 为 初始类 的质心 ； １ （）计 算各 个 对 象 与各 个类 质心 的距 离 ，将 ２ 对 象划 分 到距离 最 小 的类 中； （）重 新计算 各 个类 的质 心（ ３ 即均 值） ； （）若类 的质 心 不再变 化 ，则返 回划 分结 果 ， ４ 否则转回步骤（） ２。 Ｋ均值 聚 类 是 以确 定 的类数 及 选定 的初 始聚 类 中心 为前提 ，使各 模式 到其 所判 属 类别 中心 距离 之 和 最 小 的最佳 聚类 。显然 该算法 的分类 结果 受 到取 定 的类 别 数 目及 聚类 中心 的初始 位 置 的影响 ，所 以 结 果只 是局 部最 优 的 。但 该方 法简 单 ，计算 量相 对 较 小 ，如模 式分 布呈 现类 内团聚状 时 ，该算 法 能取 得 较好 的结果 。 Ｋ均值聚类要求遍历数据集中的所有数据 ，如 果 数据 集 中 的所 有 数据 都不 相 同时 ，这 样做 是必 须 的 ；但 当数据 集 呈现 出一 定 的概率 分布 时，如果 仍 然 对所 有 的数据 进 行遍 历就 不 是 明智 的做法 。加 权 Ｋ均 值聚 类就 是针 对数 据集 呈现 一 定概 率分 布 的条 件 下对 传 统 Ｋ均值 聚 类作 出 的改进 。 改进算 法 只是 在 计算 各 个类 的质 心 时 ，会 采 取加 权 的形式 求取 质
基于层次HMM的运动目标分割
基于层次HMM的运动目标分割张泊平;吴松丽;鄢靖丰【摘要】提出对差分图像用三层统计模型表示的思想:前景运动汽车层、背景运动汽车层和运动阴影层,并分别建立了各层的统计模型,应用HMM对运动图像序列进行模型参数估计,通过模型进行运动汽车分割.HMM利用图像序列帧之间的图像像素空间相关性和时间相关性,从而完成模型参数的识别.通过MAP算法完成模型参数具体化,不但用模型完成图像前景目标的分割,同时在分割中自然区别了背景运动目标和阴影,实现了复杂背景图像的运动汽车分割.实验结果表明方法能够有效地完成分割目的.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)005【总页数】4页(P162-165)【关键词】分层模型;隐马尔可夫模型;运动汽车分割【作者】张泊平;吴松丽;鄢靖丰【作者单位】许昌学院,计算机科学与技术学院,河南,许昌,461000;驻马店教育学院,数理系,河南,驻马店,463000;许昌学院,计算机科学与技术学院,河南,许昌,461000【正文语种】中文【中图分类】TP391 引言图像分层模型的核心是将存在多个运动目标的图像中运动特征相同的目标看作一个图像层次，并建立该层次目标的模型，把对整个图像的分析转变为对图像所有层次的分析。
Haritaoglu[1]提出了基于图像灰度强度的运动目标分割算法。
由于所建立的图像背景模型与实际图像背景之间的差异太大，最终得到的图像前景并不清晰，处理效果难以达到预想的目的。
Rowe[2]在继承了Haritaoglu方法的基础上，提出了基于图像背景灰度强度分布的统计模型。
由于将图像运动背景作为一个统计模型进行处理，在获取图像前景和背景的全局分割阈值上存在困难，更不能将运动目标和运动阴影进行分割。
Toyama[3]将图像看为由4个不同层次的目标构成，并分别建立各层次的统计模型，引入背景维护机制。
该思想不但能够将图像前景中的运动目标从图像中抽取出来，还能够消除阴影影响。
- 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)。
计 算 机 科 学 Ｃ ｏ ｍ ｕ ｔ ｅ ｒ ｃ ｉ ｅ ｎ ｃ ｅ Ｓ ｐ
Ｖ ｏ ｌ ． ３ ９Ｎ ｏ ． １ １ Ａ Ｎ ｏ ｖ ２ ０ １ ２
基于差分盒维数的空间目标图像分割算法
姚 远 粱志毅 （ ） 西北工业大学航天学院 西安 ７ １ ０ ０ ７ ２
１ 引言
在图像分析的研究 和 应 用 中 ， 图像分割是一种基本而又 关键的技术 ， 其目的是将目标和背景分离 ， 将图像中有意义 的 为目标识别 、 精确定位等后 续 或者需要处理的特征提取出来 ， 处理提供依据 ， 其结 果 直 接 影 响 到 其 后 的 信 息 处 理 过 程 。 近 国内外 图 像 分 割 方 法 有 了 很 大 的 发 展 ， 常见的分割 ３ ０ 年来 ， 技术有阈值分割法 和聚类分割法
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ｈ ｉ ｓ ｒ ｅ ｏ ｒ ｔ ｒ ｏ ｏ ｓ ｅ ｓ ａ ｎ ｅ ｗ ｉ ｍ ａ ｅ ｓ ｅ ｍ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｍ ｅ ｔ ｈ ｏ ｄ ｆ ａ ｃ ｉ ｎ ｓ ａ ｃ ｅ ｔ ａ ｒ ｅ ｔ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｉ ａ ｌ ｂ ｏ ｘ ｃ ｏ ｕ ｎ ｔ ｉ ｎ Ｔ ｐ ｐ ｐ ｇ ｇ ｇ ｐ ｇ ｇ （ ， ， Ｄ Ｂ Ｃ） ． Ｆ ｉ ｒ ｓ ｔ ｌ ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｔ ｏ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｏ ｆ ｔ ｈ ｅ ｎ ａ ｔ ｕ ｒ ａ ｌ ｂ ａ ｃ ｋ ｒ ｏ ｕ ｎ ｄ ｏ ｆ ｓ ａ ｃ ｅ ｔ ａ ｒ ｅ ｔ ｕ ｔ ｉ ｌ ｉ ｚ ｉ ｎ ｓ ｉ ｍ ｉ ｌ ａ ｒ ｉ ｔ ｏ ｆ ｆ ｒ ａ ｃ ｔ ａ ｌ ｔ ｈ ｅ ｏ ｒ ｔ ｏ ｙ ｇ ｇ ｐ ｇ ｇ ｙ ｙ ， ａ ｎ ａ ｌ ｚ ｅ ｎ ｅ ｂ ｕ ｌ ａ ｂ ａ ｃ ｋ ｒ ｏ ｕ ｎ ｄ ｕ ｓ ｉ ｎ ｉ ｘ ｅ ｌ ｒ ｅ ｉ ｏ ｎ ｒ ａ ｖ ａ ｒ ｉ ａ ｎ ｃ ｅ ｔ ｏ ｏ ｂ ｔ ａ ｉ ｎ ｔ ｈ ｅ ｅ ｄ ｅ ｂ ｅ ｔ ｗ ｅ ｅ ｎ ｔ ａ ｒ ｅ ｔ ａ ｎ ｄ ｂ ａ ｃ ｋ ｒ ｏ ｕ ｎ ｄ ． Ｓ ｅ － ｙ ｇ ｇ ｐ ｇ ｇ ｙ ｇ ｇ ｇ ， ， ｃ ｏ ｎ ｄ ｌ ｔ ｈ ｒ ｏ ｕ ｈ ａ ｎ ａ ｌ ｚ ｅ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｒ ｅ ｓ ｈ ｏ ｌ ｄ ａ ｎ ｄ ｔ ｈ ｅ Ｄ Ｂ Ｃ ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎ ｕ ｎ ｄ ｅ ｒ ｔ ｈ ｅ ｔ ｈ ｒ ｅ ｓ ｈ ｏ ｌ ｄ ｔ ｈ ｒ ｅ ｓ ｈ ｏ ｌ ｄ ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｏ ｎ ｍ ｅ ｔ ｈ ｏ ｄ ｏ ｆ ｙ ｇ ｙ ， ； ｒ ａ ｖ ａ ｒ ｉ ａ ｎ ｃ ｅ ｉ ｓ ｉ ｖ ｅ ｎ ． Ｆ ｉ ｎ ａ ｌ ｌ ｆ ｏ ｌ ｌ ｏ ｗ ｉ ｎ ｃ ｈ ａ ｒ ｔ ｏ ｆ ｔ ｈ ｅ ｉ ｍ ａ ｅ ｓ ｅ ｍ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｉ ｓ ｉ ｖ ｅ ｎ ｂ ｅ ｓ ｉ ｄ ｅ ｓ ｔ ｈ ｅ ｅ ｘ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ｒ ｅ ｓ ｕ ｌ ｔ ａ ｌ ｓ ｏ ｇ ｙ ｇ ｙ ｇ ｇ ｇ ｇ ｐ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｓ ｅ ｍ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｃ ａ ｎ ａ ｃ ｈ ｉ ｅ ｖ ｅ ｅ ｘ ｃ ｅ ｌ ｌ ｅ ｎ ｔ ｅ ｆ ｆ ｅ ｃ ｔ ． ｒ ｏ ｖ ｅ ｓ ｇ ｐ ， ， Ｋ ｅ ｗ ｏ ｒ ｄ ｓ Ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｉ ａ ｌ ｂ ｏ ｘ ｃ ｏ ｕ ｎ ｔ ｉ ｎ Ｉ ｍ ａ ｅ ｓ ｅ ｍ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ Ｓ ａ ｃ ｅ ｔ ａ ｒ ｅ ｔ ｇ ｇ ｇ ｐ ｇ ｙ 现在计算分形维数的算法普遍存在计算量大、 准确性差的缺 点， 所以用分型维数进行图像分割的计算速度要低于用传统 算法进行图像分割的速度 ， 因而寻找速度快 、 适应性好的算 法 就成为了亟需解决的问题 。
（ ， ， ’ ） Ｃ ｏ ｌ ｌ ｅ ｅ ｏ ｆ Ａ ｓ ｔ ｒ ｏ ｎ ａ ｕ ｔ ｉ ｃ ｓ Ｎ ｏ ｒ ｔ ｈ ｗ ｅ ｓ ｔ ｅ ｒ ｎ Ｐ ｏ ｌ ｔ ｅ ｃ ｈ ｎ ｉ ｃ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ Ｘ ｉ ａ ｎ ７ １ ０ ０ ７ ２， Ｃ ｈ ｉ ｎ ａ ｇ ｙ ｙ
摘 要 基于差分盒子维数提出了一种针对空间目标的图像分割算法 。 首先根据空间环境目标自然背景与空间 目 标 人造结构的特点差异 ， 从分形理论的相似性上对星空背景 进 行 分 析 ， 利用像素邻域灰度方法得到目标和背景的边界。 其次 ， 在对给定阈值及该阈值下图像的差分盒维数关系进行分析的基础上 ， 提出基于灰度方差的阈值选择方法 。 最 后 通过诸多仿真空间图像处理验证该分割算法是有效的 。 给出空间目标图像分割算法的流程 ， 关键词 差分盒维数 ， 图像分割 ， 空间目标 中图法分类号 Ｔ Ｐ ７ ５ １ 文献标识码 Ａ
Ｉ ｍ ａ ｅ Ｓ ｅ ｍ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｆ ｏ ｒ Ｓ ａ ｃ ｅ Ｔ ａ ｒ ｅ ｔ Ｂ ｅ ｓ ｅ ｄ ｏ ｎ Ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｉ ａ ｌ Ｂ ｏ ｘ Ｃ ｏ ｕ ｎ ｔ ｉ ｎ ｇ ｇ ｐ ｇ ｇ
ＹＡＯ Ｙ ｕ ａ ｎ Ｉ ＡＮＧ Ｚ ｈ ｉ ｉ Ｌ － ｙ
［ ４］ ［ １］