一种基于图论的图像分割算法
基于图论和均匀性测度的彩色图像分割算法
关键词 ： 图论 ； 均匀性测度 ； 拉普拉 斯算子 ； 色空间 ； 颜 图像分割
中图 分 类 号 ：Ｐ ９ ． １ Ｔ ３ １４ 文献 标 志 码 ： Ａ
Ｃｏ ｏ ｍ ａ ｅ ｓ ｇ ｅ ａ ｉ ｎ ｂ ｓ ｄ ｏ ｒ ｐ ｔ ｏ ｙ ａ ｎｉｏ ｍ ｉｙ ｍ ｅ ｓ ｅ ｅ ｔ ｌ ｒ ｉ ｇ ｅ ｍ ｎｔ ｔｏ ａ ｅ ｎ ｇ ａ ｈ ｈｅ ｒ ｎｄ ｕ ｆ ｒ ｔ ａ ｕｒ ｍ ｎ
（． １ 浙江工业大学 计算机科学与技术学院， 杭州 ３ ０ ２ ； ２ 浙江省可视媒体智能处理技术研究重点实验室， 州 ３ ０ ０ １ １０ ３ ． 杭 １０ ０ （ 通信作者 电子邮箱 ｔａ ｚａｇ ｊｔｅｕ ａ） ｉ ｎｈｎ ＠ｚ ．ｄ ．ｎ ｔ ｕ
摘
要 ： ｒｐ —ａｅ Ｇ ａｈＢ ｓｄ方法是基 于 图论的彩 色图像分割 算法 中比较新 颖的一 种方 法 ， 分割速 度非 常快。针对 该 且
ＨＵ ＡＮ Ｓ ａ —ｈ ｎ ， Ｚ Ｇ ｈ ｎ ｓ ａ ＨＡＮＧ Ｙｏ ｇｌ ｎ ， ＸＩ ａ ｇ ， ＸＩ ｉｎ ｗ ｉ，Ｚ ｎ — ａ ｇ， ｉ ＡＯ Ｇ ｎ ＡＯ Ｊａ ｅ。 ＨＡＮＧ Ｓ ｅ ．Ｈ ｈ ｎＸ
（． ｏｌ ｅｆＣ ｍ ｕｅ ｃ ｎｅａ ｄＴｃｎｌ ｙ ｈｊ ｎ ｎｖｒｔ ｏ Ｔｃｎｌ ｙ ａｇｈ ｕＺ ｅａｇ３ ０２ ， ｈｎ ； １ Ｃ ｌｇ ｏ ｐ ｔ Ｓｉ ｃ ｎ ｅ ｏｏ ，Ｚ ｅａｇ Ｕ ｉ ｓｙｆ ｅｈ ｏ ｇ ，Ｈ ｎｚｏ ｈｊ ｎ １０ ３ Ｃ ｉａ ｅ ｏ ｒ ｅ ｈ ｇ ｉ ｅ ｉ ｏ ｉ ２ Ｋ ｙＬ ｂｒｔｒ ｉ ａ ｄａＩｔｌ ｅｔ ｒｃｓｎ ｅｈｏｏｙｏ Ｚ ｅａｇＰ ｏｉｃ，Ｈ ｎｚｏ ． ｅ ａｏａｏｙｏ Ｖ ｕ ｌ ｆ ｓ Ｍｅｉ ｅ ｉ ｎ ｏｅ ｉｇＴｃｎｌｇ ｈｊ ｎ ｒｖ ｅ ａｇｈ ｕ ｎ ｌｇ Ｐ ｓ ｆ ｉ ｎ ０ ３０ ０ ， ｈｎ ） １０ ０ Ｃ ｉａ
谱聚类方法
谱聚类方法一、谱聚类的基本原理谱聚类（Spectral Clustering）是一种基于图论的聚类方法，通过研究样本数据的图形结构来进行聚类。
谱聚类方法的基本原理是将高维数据转换为低维数据，然后在低维空间中进行聚类。
它利用样本之间的相似性或距离信息，构建一个图模型（通常是相似度图或距离图），然后对图模型进行谱分解，得到一系列特征向量，最后在特征向量空间中进行聚类。
谱聚类的核心步骤是构建图模型和进行谱分解。
在构建图模型时，通常采用相似度矩阵或距离矩阵来表示样本之间的联系。
在谱分解时，通过对图模型的拉普拉斯矩阵进行特征分解，得到一系列特征向量，这些特征向量表示了样本数据的低维空间结构。
通过对特征向量空间进行聚类，可以将高维数据分为若干个类别。
二、谱聚类的优缺点1.优点（1）适用于高维数据：谱聚类方法能够有效地处理高维数据，因为它的核心步骤是将高维数据转换为低维数据，然后在低维空间中进行聚类。
这有助于克服高维数据带来的挑战。
（2）对噪声和异常值具有较强的鲁棒性：谱聚类方法在构建图模型时，会考虑到样本之间的相似性和距离信息，从而在一定程度上抑制了噪声和异常值的影响。
（3）适用于任意形状的聚类：谱聚类方法可以适用于任意形状的聚类，因为它的聚类结果是基于特征向量空间的，而特征向量空间可以捕捉到样本数据的全局结构。
2.缺点（1）计算复杂度高：谱聚类的计算复杂度相对较高。
构建图模型和进行谱分解都需要大量的计算。
在大规模数据集上，谱聚类的计算效率可能会成为问题。
（2）对相似度矩阵或距离矩阵的敏感性：谱聚类的结果会受到相似度矩阵或距离矩阵的影响。
如果相似度矩阵或距离矩阵不合理或不准确，可能会导致聚类结果不理想。
（3）对参数的敏感性：谱聚类的结果会受到参数的影响，如相似度度量方式、距离度量方式、图模型的构建方式等。
如果参数选择不当，可能会导致聚类效果不佳。
三、谱聚类的应用场景1.图像分割：谱聚类方法可以应用于图像分割，将图像中的像素点分为若干个类别，从而实现对图像的分割。
基于纹理平滑和GrabCut的皮影图案轮廓的智能提取
基于纹理平滑和GrabCut的皮影图案轮廓的智能提取作者：刘静庄梅玲石历丽高婷来源：《丝绸》2020年第11期摘要：为客观有效地识别局部图案轮廓，实现可选择性目标的提取，文章以皮影图案为研究对象，针对皮影图像局部细节丰富、色彩饱和度高而背景信息干扰较大的特点，设计了皮影图案轮廓的智能提取算法。
首先，采用相对总变差模型进行噪声与主结构的分离，实现图像的平滑处理;然后，设计GrabCut算法，通过分析图案轮廓的边界紧密度指标，确定最优的超像素分割数量，实现局部图案的优化分割;最后，运用Canny算子对分割后的皮影图案进行了轮廓提取。
通过6幅皮影图像的轮廓提取实验结果表明，提出的方法准确完整地实现了目标图案的轮廓提取，且图案分割结果的像素准确度（PA）均大于95%。
关键词：皮影;智能轮廓提取;相对总变差模型;超像素分割;GrabCut;Canny中图分类号： TS941.2文献标志码： A文章编号： 1001-7003（2020）11-0020-08引用页码： 111104Abstract： In order to identify the local pattern contour and extract the optional target， this paper takes the shadow pattern as the research object. According to the characteristics of rich local details， high color saturation and strong interference of background information in the shadow image， an intelligent contour extraction algorithm for shadow patterns was designed. First of all， inorder to achieve image smoothing， the relative total variation model was used to separate the noise from the main structure. Then， the GrabCut algorithm was designed. By analyzing the boundary compactness index of the pattern contour， the optimal super-pixel segmentation quantity was determined to realize the optimal segmentation of the local pattern. Finally， the contour of the segmented shadow pattern was extracted by Canny operator. The contour extraction experiment results of 6 shadow images showed that the method proposed in this paper could extract the contour of target pattern accurately and completely， and the pixel accuracy（PA） of the pattern segmentation was greater than 95%.Key words： shadow play; intelligent contour extraction; relative total variation model; super-pixel segmentation; GrabCut; Canny皮影是一門“动则成戏，静则成画”的古老艺术，蕴含着独特的美学特征和传统的文化内涵，至今已有两千多年历史[1]。
基于图论Gomory_Hu算法的快速图像分割
图像则可得到相应图 像的 k个块。 G omo ry Hu算法首 先 任意 选 择两 个 顶点 s 和 t, 利 用 Ed
m ondsK arp算 法计算 其最 小割值 和割 边, 去掉最 小割 边后, 原 图被分为两个子图, 然后分别对这两个子图重复上述过程。最 终得到原图的最小流 割等价树。
G omo ry Hu算法的目的是通 过构造 Gom ory H u割树, 然后 按照割值大小依次去 掉割值较小的边, 这样做可以使得类内的 割值最大, 也就是相似度 最大, 而类 间的相似 度最小。 这也充 分符合图像分割的原则, 就 是使得 块内相 似度最大, 块 间相似 度最小。从理论上考虑这也是 最优的分割方法, 但是也正因如
照是否具有理论 最优 解而被 分为 两支: a) 可以 从理 论上 得到 最优解; b) NP 难问题, 无法 从理论 上得到 最优解, 通过 算法逼 近得到次优解。可见寻 找具有理 论最优 解的分 割方法 是非常 重要的, 也是众多研究者所希望 找到的。 W u等 人提出 的最小 割模型属于第一类, 它可以 获得最 优解, 但是最 小割模 型倾向 于分割出孤立 点集 [ 2, 3] , 标准 割模 型虽 然可 以避 免这 个缺 点, 但它却倾向于将 图像 分成 两个 大小 相等 的块 [ 5] , 并 且与 最小
分割效果。
为了解决这个问 题, 首 先对原图 进行聚 类, 这样做不 仅可 以减少顶点数目以达 到 G om ory H u算法的要求, 还可以通过聚 类尽量减少孤立点的存 在, 让孤立 点聚合 到相近的 类中, 这样 就会避免分割出孤立 点。
如果一个顶点与 其所有邻接 顶点的 权值之 和小于 其邻接
图b是对原图像进行快速聚类后得到的结果在这一过程中图像被分为很多类接下来以每一类为一个顶25卷点构造新的赋权图并利用gomory2hu算法寻找它的流割等价树去边后得到第二步分割4给出了本文方法分别与swa算法标准割算法的分割结果比较
基于图论的图像分割算法仿真研究
关键词 ： 图像分割 ； ； 图论 最小生成树 ； 仿真
中图分类号 ：Ｐ ９ Ｔ３１ 文献标识码 ： Ｂ
Ｉ ａ ｅ Ｓ ｇ ｎ ａ ｉ ｎ Ｂａ ｅ ｎ Ｇｒ ｐ ｅ ｒ ｍ ｇ ｅ ｍｅ ｔ ｔ ｓ ｄ ｏ ａ ｈ Ｔｈ ｏ ｙ ｏ
将一些 比较相似 的像 素集合起来放 在同一个 区域 内 ， 然 后具体 的对 每一个需 要分 割 的区域找个 统一 的像素来 作为 生长 的起点 ， 接着将种子像素周围的领域 内的与该 种子像素
本 文用 ｄ （ Ｚ ） 表示 树 上结点 的度 ， （ ｄ ） ｚ 表示结 点 的度约束值 ，（ ） Ｒ 表示边 的代价值。 ｃ ｅ 定义 １ 树的代价 ｃ Ｔ ： ： （ ） 为树 上 边代价 的和 ，即 ｃ Ｔ （）
摘要 ： 究图像分割优化问题。由于图像可 以分割为若干个不同的区域 ， 研 要求分割边缘清晰 ， 速度快 。但传统图像分割算法 由于计算 复杂等原 因， 造成图像分割分辨率低 ， 清晰度不高 ， 当图像 中的信息量非常大时 ， 分割非常耗时等缺陷 ， 提出了图论 的图像分割算法 。采用 图论的图像分割算法是一种全局的分割算法 ， 首先 分析图像在不 同 Ｆ Ｆ Ｒ Ｔ域的能量分 布特点 ， 通过 归一化剩余 误差 因子 Ｐ 评估和分析 Ｆ Ｆ Ｒ Ｔ域的能量积聚性和图像所包含 的信息 ， 使用最小生成树方 法对图像对 区域分别进 行分割 ， 并最终合并 ， 采用二值化方法对 图像进行仿真 。结果表明 ， 的算法能有效的分割图像 ， 改进 提高了图像分割的速度 ，
Ａｌ ｏ ｉｈ ｉ ｕ ａ ｉｎ ｓ ａ ｃ ｇ ｒｔ ｍ Ｓ ｍ ｌ ｔｏ Ｒｅ ｅ ｒ ｈ
Ｚ ＨＡＮＧ Ｊａ ｉｎ—ｍｅ ， ＵＮ Ｚ ｉ ｉｎ， ｉ ｉ Ｓ ｈ —ｔ ａ ＹＵ Ｘ ｕ—ｐｎ ｉｇ
数学技术在医学影像处理中的应用案例
数学技术在医学影像处理中的应用案例随着科技的不断发展，数学技术在医学领域的应用越来越广泛。
特别是在医学影像处理方面，数学技术的应用为医生们提供了更准确、更可靠的诊断手段。
本文将介绍几个数学技术在医学影像处理中的应用案例，展示数学在医学领域的重要性。
首先，数学技术在医学影像处理中的应用之一是图像重建。
在医学影像学中，由于某些原因，如设备限制或病人体质等，获得的图像可能存在噪声或伪影。
这些问题会对医生的诊断结果产生不利影响。
为了解决这些问题，数学家们开发了一系列的图像重建算法。
其中，最常用的是基于压缩感知理论的算法。
该算法利用数学模型将原始图像表示为一个稀疏向量，并通过测量数目远远小于图像像素数目的方式获得图像信息。
通过这种方式，医生们可以获得更清晰、更准确的图像，提高诊断的可靠性。
其次，数学技术在医学影像处理中的应用之二是图像分割。
图像分割是指将一幅图像分成若干个子区域的过程。
在医学影像学中，图像分割对于诊断疾病和评估治疗效果非常重要。
然而，由于医学图像通常具有复杂的纹理和形状，传统的图像分割方法往往存在一定的局限性。
为了解决这个问题，数学家们提出了基于图论的图像分割算法。
该算法利用图论中的最小割最大流理论，将图像分割问题转化为一个最优化问题，并通过数学模型求解最优解。
通过这种方式，医生们可以更准确地分割出感兴趣的区域，从而更好地进行疾病诊断和治疗。
此外，数学技术在医学影像处理中的应用之三是图像配准。
图像配准是指将多幅图像进行空间上的对齐，以便进行比较和分析。
在医学影像学中，图像配准对于疾病的早期诊断和治疗方案的制定非常重要。
然而，由于不同设备获得的图像具有不同的位置和角度，传统的图像配准方法往往存在一定的困难。
为了解决这个问题，数学家们提出了基于变换模型的图像配准算法。
该算法利用数学模型描述图像之间的空间变换关系，并通过数学优化方法求解最优变换参数。
通过这种方式，医生们可以将不同设备获得的图像进行精确对齐，提高诊断和治疗的准确性。
层次式图切分快速分割算法
摘
要： 图切分 （ ｒ ｈ ｕｓ Ｇ 是近年来兴起的基于图论框架的图像分割方法， Ｇ ａ ｔ Ｃ） ｐＣ ，
该 理论 的新 颖之 处在 于它 的全局 最优 性 和结合 多种 知识 的统 一性 。 但 当图像较 大 时运 算 非
常耗时。该文提 出了一种基于 Ｇ Ｃ的层次式图像分割方法。先在低分辨率 中用 Ｇ Ｃ以较低的 分割代价获取粗尺度 的初始分割 ， 再将结果轮廓映射回高分辨率图像 中并构造 出窄带， 进而 采用 ｍａｉ ｔｎ ｔ ｇ思想，在窄带内获取精确分割。实验结果表明，本文方法在确保分割结果准确 性的同时，运算速度 大幅度提 高。
图像 分 割 是 计 算 机 视 觉 以及 数 字 图像 处 理 领 域 的研 究 热 点和 难 点之 一 ，由于 此 问题 的重要
性和 困难 性 ，从７ 年代起 图像 分 割 问题 一 直吸 引 ０
着 国 内外研 究 人 员为此 努 力 ， 至今 已提 出 了 上
收 稿 日期 ：２ １ ４ 叭 ０ ００ 一
．
ｐ ｅ ｅ ｔ ｒ ｓ ｎ ｓ ａ ＧＣ— ａ ｅ ｅ ａ ｃ ｉ ａ ｍ ａ ｅ ｓ ｇ ｎ ａ ｉ ｎ ｍｅ ｈ ｄ Ｆ ｒｔｔ ｅ ｉ ｉ ａ ｓ ｇ ｎ ａ ｉ ｎ ｉ ｂ ｓ ｄ Ｈｉｒ ｒ ｈ ｃ ｌ ｉ ｇ ｅ ｍｅ ｔ ｔ ｔ ｏ ． ｉｓ ｈ ｎ ｔ ｌ ｅ ｍｅ ｔ ｔ ｓ ｏ ｉ ｏ
．
ｓ ｗ ｔ ｔ ｈｉ ｍｅｈ ｃ ｎ ｎ ｕｒ ｔ ｅ ｃ ｕｒ ｃ ｏ ｓ ｇ ｅ ｔ ｔｏ ｒ ｓ ｌｓ ｈｏ ｈａ ｔ ｓ ｔ ｏｄ ａ ｅ ｓ ｅ ｈ ａ ｃ ａ ｙ ｆ ｅ ｍ ｎ ａ ｉ ｎ ｅ ｕ ｔ ｗｉｈ ｓｇ ｉｉａ ｔ ｔ ａ ｉ ｎ ｆｃ ｎ ｉ ｃ ｅ ｓｎ ｎ ｃ ｎ ｒ ａ ｉ ｇ ｉ ｏｍｐ ｔｎ ｓ ｅ ｕ ｉ ｇ ｐｅ ｄ． Ｋｅ ｙ ｗｏｒ ：ｉ ｆ ｒ ａｉ ｎ ｐ ｏ ｅ ｓｎｇ ｔ ｃ ｏ ｏ ；ｉ ｇ ｅ ｍｅ ｔ ｔ ｎ；ｇ ａ ｈ ｃ ｓ ｄｓ ｎ ｏ ｍ ｔｏ ｒ ｃ ｓ ｉ ｅ ｈｎ ｌ ｇｙ ｍａ ｅ ｓ ｇ ｎ ａｉ ｏ ｒ ｐ ｕｔ；ｍｕ ｔｌｖｅ ｌｉｅ ｌ ｓ ｇ ｎ ａ ｉ ｎ； ｔｉ ｅ ｍｅ ｔ ｔｏ ｍａｔｎｇ
基于图论的快速FCM图像分割算法
图像 分 割算法 为混凝 土细 观结构 分析提供 一种 辅助 分析功
能 ，对 于 建 筑 工 程 上判 断混 凝 土 应 力 是否 破 损 有 应 用意 义 。 下 一 步 工 作 是 将 ＭＢ 算法 应 用于 混 凝 土 三 维 重 建 结 果 图像 Ｐ
本文 取 一 个 应 力 阶段 混 凝 土 Ｃ Ｔ断 面 图 像 （ 小 为 １ ２ ｘ 大 ４ ０
参考文 献
［］ 田 威，党发宁， 昕宇 ． １ 梁 混凝土细观 破裂过程 的 Ｃ 图像分 Ｔ
析［１ Ｊ．武汉 大学学报：工学版， ０ ８４ （）６ —２ ２ ０ ， １２： ９７ ． ［］ 徐胜军 ，毛建东 ，赵 ２ 亮．基于局部 能量最小 化模型 的图像分
不能快速得出分割结果 针对 以上问题 ，本文根据 图论 中的最短路径距离算法和 Ａ Ｃ 算法 ， ＷＦ Ｍ 提出一种新 的快速 Ｆ Ｍ 图像分割算法 ， Ｃ 通过 对直 方图的加权处理 ，提高聚类中心和聚类数 目的准确性 。
ｒ， ｔ ｕ ７
虽然该 方法 能很好地去除 噪声点对于 中心点的影响，对 某 些边 缘点能较 准确 的估计 ，但是对一部分边缘点易模糊化
ｃ ｓ ｒ ｇｔｏ ｇ ｔ ｉｐｅｅ ｔ ａ ｍｐｏ ｅ ａ ｉｌ ｕ ｚ — ａ ｓＦ Ｍ ）ｉ ｇ ｅ ｍｅｔｔ ｎａ ｏｉ ｍ． ｒｕ ｈｔｅｓｏ ｅｔｐｔ ｌｏ ｔｍ，ｔ ｌ ｔ ｎ ｕ ｈ，ｔ ｒｓｎｓ ｎｉ ｒｖｄｒｐｄｙＦ ｚｙ Ｃｍｅｎ（Ｃ ｕｅ ｉ ｈ ｍａ ｅｓｇ ｎａｉ ｌ ｒ ｏ ｇ ｔ ｈ ｈ Ｔ ｏ ｇ ｈ ｒ ｓ ａ ａｇ ｒｈ ｉ ｈ ｔ ｈ ｉ
（ ｏｌｇ ｆ ａ ｅ ｔ ｓ Ｐ ｙ ｉｓＣ ｏ ｇ ｉｇＵｎｖ ｒｉ ， ｈ ｎ ｑｎ ０ ０ ４ Ｃ ｉａ Ｃ ｌ ｅｏ Ｍ ｔ ｍａｉ ＆ ｈ ｓｃ， ｈ ｎ ｑｎ ｉｅｓｙ Ｃ ｏ ｇ ｉｇ４ ０ ４ ， ｈｎ ） ｅ ｈ ｃ ｔ
- 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)。
［ ｂ ｔａｔ ｔｓ ｉ ｃｌｔ ｅｅｍｉｅｈ ｒｓｏｄａｄｗｅｇ ｔ ｏ ｆｃｅｔ ｉ ｉ ｇ ｅｍｅｔｔ ｎ Ａｉ ｎ ｔｈｓ ｒｂｅ ｔｉ ｐｐ ｒ ｒｐ ｓｓ Ａ ｓｒｃ］Ｉ ｉｄｆ ｕｔｏｄ ｔｒ ｎ ｅ ｅｈ ｌ ｎ ｉｈ ｅ ｉｎｓ ｎ ｍａ ｅｓｇ ｎａｉ ． ｍｉｇａ ｉｐｏ ｌ ｉ ｔ ｔ ｈ ｃ ｉ ｏ ｔ ｍ，ｈｓ ａｅ ｏ ｏ ｅ ｐ ａ
ｌ 概述
图像 分 割是模 式识别 、 算机 视觉 技术 中 图像 理解和 计
效 基于 图的 图像 分割 方法 ， 该方法 可行 并且 时间复杂 度 不 高 ， 以得到 图 的全 局性质 。 方法构 造 的度 量 函数并 非 可 该 最佳 ，其权重 函数 和评定 函数 等均可 改进 ，文 献［８对 １］ 其进行 了改进 ， 效果 并非 十分理 想 。因此 ，本文 对度 量 但 函数进 行改进 ，提 出一种 基于 图论 的图像分 割算 法 。
ｄ ｔｒ ｉｅｆ ｎ ｔｏ ０ ｅａｅ ｏｂ ｒ ｅ ｒｓ ｇ ｅ ｔｄ ｘ ｅ ｉ ｅ ｔｌ ｅ ｕｔ ｈ ｗ ｈ ｔｈｉ ａｇ ｒｔｍ ｓｂ ｔ ｒｔａ ｔｅ ｉ ｌｒｏ ｅ ｎ ｉ ａ ｅ ｅｅ ｎ ｕ ｃｉｎｆ ｒｔ ｒ ａｔ ｅｍｅｇ ｄｏ ｅ ｍ ｎ ｅ ．Ｅ ｐ ｒ ｎ ａ ｓ ｌ ｓ ｏ ｔａ ｓ ｌｏ ｉ ｍ ｈ ｍ ｒ ｓ ｔ ｈ ｉ ｅｔ ｎ ｏｈ ｒｓｍｉａ ｎ ｓｉ ｍ ｇ ｅ ｈ
分析的难点 ，在理论研究和实际应用中都是研究的热点 ，
多年 来形成 了很 多经典 的 图像 分割算 法 。 型 的算 法主 要 典 有文 献 ［ 提 出的采 用直 方 图阈值 进行 图像 分 割、 文 献【］ １ ］ ２
提出的区域合并算法 ，局部频谱直方图分割图像 的方法 也在文献【】 ３中被采用 。 此外 ， 还有基于进化算法 的图像
中田分类号：Ｔ ９１３ Ｎ１７ ．
种 基 于 图论 的 图像 分割 算 法
张 乾 ，冯夫健 ，林 鑫 ，王 林 ， 。
（＿ １ 贵州省模 式识别与智能系统重点实验室 ，贵阳 ５ ０２ ；２ 贵州 民族大学教务处 ，贵阳 ５ ０ ２） ５０ ５ ． ５０５ 摘 要 ：针对图像分割应用中阈值难 以确定 的问题 ，提出一种基于 图论 的图像分割算法 。利用二维高斯分布 函数给 出边权重函数的动态 自
Ｚ ＮＧ Ｑ ａ ， Ｅ Ｇ ｕｊ ｎ， Ｉ ｉ ＷＡ ＨＡ ｉｎ， Ｆ Ｎ Ｆ －ａ Ｌ Ｎ Ｘ ｎ， ＮＧ ｉ 一 ｉ Ｌｎ，
（． ｙＬ ｂ ｒｔｒ ｆ ａ ｅｎＲ ｃｇ ｉｏ ｎ ｔｌｇｎ ｙｔｍｓ ｆ ｉ ｏ ｒｖｎ ｅＧｕｙ ｎ ５ ０ ５ Ｃ ｉａ １Ｋｅ ａ ｏａｏｙｏ Ｐ ｔ ｒ ｅｏ ｎｔ ｎａｄＩ ｅｌ ｅ ｔ ｓｅ Ｇｕｚ ｕＰ ｏｉｃ ， ｉａｇ５ ０ ２ ， ｈｎ ； ｔ ｉ ｎ ｉ Ｓ ｏ ｈ ２Ａｃｄ ｍｉＡｆ ｉ ｆ ｃ， ｕｚ ｏ ｎ ｕＵ ｉｅｓｙ Ｇ ｉａｇ５ ０ ２ ， ｈｎ ） ． ａｅ ｃ ｆ ｒ Ｏ ｅ Ｇ ｉｈ ｕＭｉｚ ｎｖｒｉ ， ｕｙｎ ５ ０ ５ Ｃ ｉａ ａｓ ｉ ｔ
第 ３ 卷 第 １ 期 ８ ８
Ｖｏ ． １ ３８
・
计
算
机
工
程
２１ ０ ２年 ９月
Ｓ ｐｔｍｂｅ
Ｃｏｍ ｐ ｔ ｒＥｎｇ ｎ ｅ ｉ ｕｅ ｉ ｅ ｒｎｇ
图形 图像处理 ・
一
文 章编号： ００ ３２（ １ １ １４ ０ 文献标识码；Ａ １０— ４８０２ ８ ９— ４ ２ ） —０
适应 系数 ，结合 区域间、区域内的相 似度函数定义差距函数 ，得到适合区域合并 的动态判定函数 。实验结果表明，与其他算法相 比，该算
法 的图像分 割效果较好 ，花费时 间较少 。
关健 词：图像分割 ；图论 ；判定 函数 ；最短路径 ；结构相 似度
Ａ ｎ Ｉ ａ ｅＳｅ ｍ ｅ ａ ｉ ｎ Ａｌ ｏ ｉｈｍ ｓ ｄ ０ ｒ ｐｈ Ｔｈｅ ｒ ｍ ｇ ｇ ｎｔ ｔｏ ｇ ｒｔ Ｂａ ｅ ｎ Ｇ ａ ｏｙ
ｓ ｇ ｅ ｔ ｔ ｎ， ｎ ａ ａ ｅｔ ｅｒ ｎ ｎ ｍ ｅ ｅ ｍ ｎ ａｉ ａ ｄ ｉ ｃ ｎ ｓ ｖ ｈ ｕ ｉ ｇ ｔ ． ｏ ｔ ｎ ｉ
［ ｙｗｏ ｄ ］ｉ ｇ ｅｍｅｔｔ ｎ ｇａ ｈｔｅｒ； ｅｅ ｉｅｆｎ ｔ ｎ ｔｅ ｈ ｒ ｓｐｔ；ｔ ｃｕａ ｍｉ ｒｙ Ｋｅ ｒ ｓ ｍａｅｓｇ ｎａｉ ；ｒｐ ｏ ｄｔｒ ｎ ｃｉ ；ｈ ｏ ｅｔ ａｈ ｓ ｕｔｒｌｉ ｌ ｉ ｏ ｈ ｙ ｍ ｕ ｏ ｓ ｔ ｒ ｓ ａｔ Ｄ ： ０３ ６ ／ｉ ｎ１０ －４ ８２ １ ．８ ５ ｏＩ １ ． ９ｊｓ ．０ ０３ ２ ．０２１ ． ２ ９ ．ｓ ０