图像检索中图像分割方法综述
图像分割文献综述
文献综述图像分割就是把图像分成各具特色的区域提取感兴趣目标的技术和过程。
它是由图像处理到图像分析的关键步骤，是一种基本的计算机视觉技术。
图像分割起源于电影行业。
伴随着近代科技的发展，图像分割在实际中得3到了广泛应用，如在工业自动化、在线产品检验、生产过程控制、文档图像处理、遥感和生物医学图像分析、以及军事、体育、农业工程等方面。
总之，只要是涉及对对象目标进行特征提取和测量，几乎都离不开图像分割。
所以，对图像分割的研究一直是图像工程中的重点和热点。
自图像分割的提出至今，已经提出了上千种各种类型的分割算法。
由于分割算法非常多，所以对它们的分类方法也不尽相同。
我们依据使用知识的特点与层次，将其分为基于数据和基于模型两大类。
前者是直接对当前图像的数据进行操作，虽然可以利用相关的先验信息，但是不依赖于知识；后者则是直接建立在先验知识的基础上，这类分割更符合当前图像分割的技术要点，也是当今图像分割的主流。
基于数据的图像分割算法多数为传统算法，常见的包括，基于边缘检测，基于区域以及边缘与区域相结合的分割方法等等。
这类分割方法具有以下缺点，○1易受噪声和伪边缘影响导致得到的边界不连续，需要用特定的方法进行连接；○2只能提取图像局部特征，缺乏有效约束机制，难以获得图像的全局信息；○3只利用图像的底层视觉特征，难以将图像的先验信息融合到高层的理解机制中。
这是因为传统的图像处理算法都是基于MIT人工智能实验室Marr提出的各层相互独立、严格由低到高的分层视觉框架下进行的。
由于各层之间不存在反馈，数据自底向上单向流动，高层的信息无法指导底层特征的提取，从而导致底层的误差不断积累，且无法修正。
基于模型的分割方法则可以克服以上缺陷。
基于模型的分割方法可以将分割目标的先验知识等有用信息融合到高层的理解机制之中，并通过对图像中的特定目标对象建模来完成分割任务。
这是一种自上而下的处理过程，可以将图像的底层视觉特征与高层信息有机结合起来，因此更接近人类的视觉处理。
图像分割方法综述
图像分割方法综述【摘要】本文简要介绍了几种典型的图像分割方法，主要有阈值分割算法、边缘检测算法、区域分割算法。
它们均是基于不同的理论，十分具有代表性，且在计算机上易于实现，实验效果比较好。
【关键词】图像分割；算法图像分割是一种基本的计算机视觉技术，是图像分割的需要解决的首要和基础问题，是图像处理到图像分析的关键步骤。
图像分割及目标表达和参数测量为图像分析和理解提供基本的信息。
1.图像分割的定义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。
它是由图像处理到图像分析的关键步骤。
图像分割可以用数学描述如下：令集合R代表整幅图像，对R的划分可以看成满足五个条件的非空子集R1,R2,…，Rn。
（1）Ri=R;（2）对于所有的i和j，i≠j，RiRj=?；（3）对i=1,2，…，n，有P(Ri)=TRUE;（4）对i≠j，有P(RiRj)=TRUE；（5）对i=1,2，…，n，Ri是连通的区域。
上述的五个条件：（1）指出分割应将图像中的每个像素都分进某个子区域，也就是说分割结果中得到的全部子区域的总和要包括图像中的所有的像素点。
（2）指出分割结果得到的各个子区域之间是互不相交的。
（3）指出分割结果中每个子区域都有各自的特性。
（4）指出同一个区域的像素应该具有一些不同的特性。
（5）是指同一个子区域的任两个像素是连通的。
2.阈值分割算法灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。
阈值分割方法实际上是输入图像到输出图像的如下变换：g（i，j）=1，f（i,j）≥T0，f（i,j）≥T其中，T为阈值，对于物体的图像元素g（i，j），对于背景的图像元素g（i，j）=0。
由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。
阈值确定后，将阈值与像素点的灰度值比较和像素分割可对各像素并行地进行，分割的结果直接给出图像区域。
图像检索中图像分割方法综述
2009年4月皖西学院学报Apr.,2009第25卷第2期Journal of West Anhui U niversity Vol.25 NO.2图像检索中图像分割方法综述汪慧兰(安徽师范大学物理与电子信息学院,安徽芜湖241000)摘 要:图像分割是图像分析和模式识别需要解决的首要问题和基本问题,也是图像处理的经典难题。
针对图像检索中应用的图像分割方法进行了系统论述,分析了各种方法的优缺点并探讨了图像分割技术的发展方向。
具体介绍了基于颜色布局的分割方法,基于无监督的分割方法。
关键词:图像检索;图像分割;综述中图分类号:TP391 文献标识码:A 文章编号:1009-9735(2009)02-0018-041 引言基于区域的图像检索不仅能从整体上描述图像内容,而且通过对图像进行恰当的分割能鉴别出若干富有意义的图像区域以及这些目标区域之间的相互关系,以便在对象层描绘图像特征,使检索更加符合图像的语义。
例如在图像库中搜索含有汽车的图像。
为了代表图像的物体层,图像检索第一步就是抽取像素特征进行图像分割,分割后得到的各个不同语义区域,如果分割效果理想的话,这些区域将对应一个个物体。
图像分割一直是计算机视觉和图像处理的研究热点和难点,也是基于区域的图像检索系统的关键所在。
因此图像分割的效果直接影响到区域特征的提取,进而影响到检索的效果。
目前,图像分割至今为止尚无通用的自身理论,随着各学科许多新理论和新方法的提出,很多学者对目前提出的上千种图像分割方法作了综述[1][2]和分类。
文献[1]将分割方法划分为基于数据驱动和基于模型驱动的分割方法;文献[2]将其划分为边缘检测、基于区域和其他方法。
本文主要介绍近几年针对图像检索在图像分割中出现的新方法及新理论,分析各种方法的优缺点,并探讨图像分割技术的发展方向。
2 基于颜色布局的图像分割方法2.1 图像分块最早用于图像检索的分割方法是将图像进行分块,如G ong et al.[3],Chua et al.[4],L u et al.[5], Pass et al.[6]为了代表图像的空间语义,首先将图像分块,然后从各个子块中抽取颜色特征,利用颜色空间直方图和颜色布局作为分割后的区域特征。
图像分割方法综述
图像分割方法综述
图像分割是图像处理的一个重要研究课题，它的目的是将图像分
割成若干个不重叠的区域，每一个区域对应着图像中的一个物体，分
割结果有助于进一步提取它们的相关信息。
近年来，已有许多图像分割方法被提出，其中包括基于标签传播、模板与聚类、基于特征聚类、图割等。
基于标签传播的图像分割是一种非监督学习方法，它的基本思想
是通过将图像的局部结构和对象的先验信息投影到相应的标签空间上，通过传播把他们之间的关系扩展到整个图像，从而实现分割的目的。
模板与聚类法是一种经典的图像分割方法，它的基本思想是基于
模板匹配机制，将图像区域进行分类，再利用聚类算法对区域进行聚类，从而实现图像分割。
基于特征聚类是一种基于计算机视觉的图像分割方法，它是基于
目标特征空间应用聚类的方法，通过分析图像的纹理、色彩、颜色变
化等，以实现图像分割的目的。
图割作为图像分割中的一个重要方法，它将图像分割问题转化为
求解图形分割问题，将图像分割问题转化为在相关能量函数中寻求使
能量函数最小值的最小割集。
以上是近年来几种图像分割方法的大致介绍，每种方法都有自己
的特点和优势，根据不同的图像情况选择合适的分割方法可以获得较
好的处理结果。
图像分割技术研究综述
图像分割技术研究综述随着科技的快速发展，图像分割技术作为计算机视觉领域的重要分支，已经在众多应用领域中发挥着越来越重要的作用。
本文将对图像分割技术的研究进行综述，包括其发展历程、应用领域、研究成果以及未来研究方向。
图像分割技术是指将图像按照像素或区域进行划分，从而提取出感兴趣的目标或背景的过程。
图像分割技术在信号处理、计算机视觉、机器学习等领域具有重要的应用价值。
例如，在智能交通中，图像分割技术可以用于车辆检测和跟踪；在医学图像分析中，图像分割技术可以用于病灶区域提取和诊断。
根据图像分割技术所采用的方法，可以将其大致分为以下几类：基于阈值的分割、基于区域的分割、基于边缘的分割、基于模型的分割以及基于深度学习的分割。
1、基于阈值的分割是一种简单而又常用的图像分割方法，其基本原理是通过设定一个阈值，将图像的像素值进行分类，从而将图像分割为不同的区域。
基于阈值的分割方法实现简单、运算效率高，但在处理复杂图像时，往往难以选择合适的阈值，导致分割效果不理想。
2、基于区域的分割方法是根据图像像素的灰度或颜色特征，将图像分割为不同的区域。
这类方法通常适用于均匀背景和简单目标的图像，但对于复杂背景和遮挡情况的处理效果较差。
3、基于边缘的分割方法是通过检测图像中的边缘信息，将不同区域之间的边界提取出来，从而实现图像分割。
这类方法对噪声和光照变化较为敏感，需要结合其他方法进行优化。
4、基于模型的分割方法通常是利用数学模型对图像进行拟合，从而将图像中的目标或背景分离出来。
常用的模型包括参数化模型和非参数化模型两类。
这类方法能够处理复杂的图像特征，但对模型的选择和参数调整要求较高。
5、基于深度学习的分割方法是通过训练深度神经网络，实现对图像的自动分割。
这类方法具有强大的特征学习和自适应能力，能够处理各种复杂的图像特征，但在计算复杂度和训练成本方面较高。
近年来，随着人工智能和机器学习技术的快速发展，基于深度学习的图像分割技术在学术研究和实际应用中取得了显著的成果。
计算机视觉技术中的图像分割方法综述
计算机视觉技术中的图像分割方法综述计算机视觉技术已经成为了现代科学和工程领域中的重要研究方向之一。
在计算机视觉领域中，图像分割是一项关键技术，用于将图像分割成多个区域，以便进一步分析和理解图像的内容。
在本文中，我们将综述计算机视觉技术中的图像分割方法。
图像分割在许多应用中具有重要的作用，例如医学图像分析、目标检测和识别、图像编辑和增强等。
根据分割的目标和应用需求，可以将图像分割方法分为基于区域的方法、基于边缘的方法和基于深度学习的方法。
基于区域的方法是根据图像中的颜色、纹理、亮度等特征将图像分割成不同的区域。
其中，基于阈值分割是最简单和常用的方法。
它根据像素的灰度值和预定的阈值将图像分为前景和背景区域。
另外，基于区域增长的方法根据相似像素的邻域关系将图像分割成具有相似特征的区域。
这些方法在处理简单的图像场景时表现良好，但在复杂的场景下效果可能不理想。
基于边缘的方法主要关注图像中物体的边界。
这些方法首先检测出图像中的边缘，然后根据边缘将图像分割为不同的区域。
其中，基于边缘检测算子（如Canny 算子）的方法是最常用的。
它通过检测图像中的强边缘来实现分割。
此外，还有基于水平分割和基于边缘的分水岭算法等方法。
这些方法在处理具有复杂边缘结构的图像时表现较好。
基于深度学习的图像分割方法在最近的研究中取得了显著的进展。
深度学习模型，特别是卷积神经网络（CNN），可以学习到图像的高层特征和语义信息，从而实现准确的图像分割。
其中，全卷积网络（FCN）是最著名的方法之一，它使用卷积和反卷积操作来预测每个像素的类别。
另外，U-Net、DeepLab和Mask R-CNN等方法也被广泛应用于图像分割领域。
这些深度学习方法在处理复杂的图像场景时具有很强的鲁棒性和准确性。
除了上述方法，还有一些其他的图像分割方法值得关注。
例如，基于图割的方法可以将图像分割问题转化为图论中的最小割问题，并使用最小割算法求解。
此外，基于形状的方法将图像分割问题转化为形状匹配或曲线演化问题，并通过优化方法求解。
图像分割方法概述
图像分割方法概述图像分割是一种基本的计算机视觉任务，旨在将图像划分成不同的区域或对象。
图像分割在许多应用领域中都有重要的应用，如医学影像分析、目标检测与识别等。
本文将概述几种常用的图像分割方法。
一、阈值分割法阈值分割法是最简单且常用的图像分割方法之一。
它基于像素的灰度值，将图像按照灰度值的高低进行分类。
通过设定一个或多个阈值，将图像的像素划分为前景和背景。
根据不同的阈值选择方法，阈值分割法可以分为全局阈值分割和局部阈值分割两种。
二、基于边缘的分割法基于边缘的分割法是另一种常见的图像分割方法。
它利用图像中明显的边缘信息将图像分割成不同的区域。
常用的边缘检测方法有Sobel算子、Canny算子等。
通过检测边缘，可以将图像中的物体从背景中分离出来。
三、区域生长法区域生长法是一种基于相似性的图像分割方法。
它从某个种子像素开始，逐渐将与其相似的像素聚合到同一区域中。
相似性度量可以基于像素的灰度值、颜色、纹理等特征来定义。
区域生长法适用于分割相对均匀的区域，但对于高噪声或复杂纹理的图像效果可能不理想。
四、基于聚类的分割法基于聚类的分割法通过将图像像素聚类成不同的类别来实现图像分割。
常用的聚类算法有K均值聚类、高斯混合模型等。
聚类分割法适用于分割具有明显不同特征的目标，如自然景观图像中的不同物体。
综上所述，图像分割方法有多种多样，每种方法都有其适用的场景和局限性。
在实际应用中，我们需要根据图像的特点和任务需求选择合适的方法。
此外，还可以通过组合多个方法或使用深度学习等方法来提高图像分割的精度和鲁棒性。
随着计算机视觉技术的不断进步，图像分割将在更多领域发挥重要作用。
图像分割方法综述【文献综述】
文献综述电子信息工程图像分割方法综述摘要：图像分割是图像理解的基础，图像分割的算法研究越来越受到关注，早期的图像分割算法在之后的研究中得到完善。
活动轮廓模型是图像分割和边界提取的重要工具之一，主要包括了参数形式活动轮廓模型和几何形式活动轮廓模型两大类，本文对这两类模型进行了大概的说明，简单叙述了相对的优点，如几何活动轮廓模型在变形的过程中能处理曲线拓扑变化。
鉴于活动轮廓模型所存在的缺点，提出了水平集算法，使得计算的范围和简易程度有了很大的发展。
最后指出了图像分割的算法还有一些进一步优化的研究发展方向。
关键词：图像分割，参数活动轮廓模型，几何活动轮廓模型，水平集1.引言对图像进行处理，通过图像分割、目标分离、特征提取、参数测量等技术，将原始的图象转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。
其中图像分割已经越来越受到人们的关注，作为一种图像处理与计算机视觉操作的预处理手段，已经应用到了很多的领域，图像分割可以定义为：根据图像特征对图像进行区域划分[1]过程，图像分割的效果好坏会直接影响到后续的处理结果，所以图像分割是一个基本而又关键的技术，为此人们提出了很多有效的、具有鲁棒性的分割算法。
图像分割方法有很多，按知识的特点和层次可分为数据驱动和模型驱动两大类[2]，前者有Roberts算子、Sobel算子和Canny算子、阈值分割、分水岭算法和模糊聚类分割算法等；后者是直接建立在先验知识的基础上的，如基于活动轮廓模型的图像分割。
水平集的应用领域是隐含曲线（曲面）的运动[3]，现在水平集已经广泛应用于图像恢复、图像增强、图像分割、物体跟踪、形状检测与识别、曲面重建、最小曲面、最优化以及流体力学中的一些方面。
一个好的图像分割算法应具有以下特点：1、有效性，能将图像中感兴趣的区域或目标分割出来的有效规则。
2、整体性。
能得到图像中感兴趣区域或目标的无断点和离散点的封闭边界。
3、精确性，分割所得到的感兴趣区域或目标边界与实际情况贴近。
图像分割综述
图像分割方法综述图像分割是图像处理中的一项关键技术,自20世纪70年代起一直受到人们的高度重视,至今已提出上千种分割算法。
主要分类：基于边缘的算法、阈值分割法、基于区域的分割算法、结合特定理论工具的分割方法。
一、基于边缘的算法：通过检测出不同区域边界来进行分割。
边缘点往往是图像某些特征变化剧烈的点，这些点往往是一阶导数极大的点或者二阶过零的点，基于此提出了一系列边缘检测的算法.图像的边缘是图像最基本的特征之一，基于边缘的分割方法可以说是人们最早研究的方法。
1959年，Julez在“一种基于边缘检测的电视信号编码方法”一文中首次提及边缘检测技术，开创了边缘检测的先河。
边缘检测方法试图通过检测不同区域间的边缘来解决图像分割问题。
边缘检测技术可以按照处理的顺序分为串行边缘检测以及并行边缘检测。
边缘检测主要包括以下几种方法：基于灰度直方图的边缘检测分割技术、梯度最大值的检测方法、二阶导数的零交叉点检测方法以及小波多尺度边缘检测的方法基于灰度直方图的边缘检测分割技术：1962年，Doyle提出的基于灰度直方图的边缘检测分割技术，计算量小，有一定的抗噪声性能，能够较理想的得到图像的边缘分割效果代表文章：基于灰度与边缘的图像分割方法A Grouping-Feature and Nesting-Kernel Scene Image Segmentation Algorithm优点：边缘定位准确缺点：对噪声敏感,检测到的边缘经常不能闭合。
二、阈值分割法：是灰度图像分割的一个比较常用的方法,通过阈值,把图像中灰度级大于阈值的像素和小于阈的像素分类,从而实现图像分割。
比较经典的算法有Otsu阈值分割法、最大熵阈值法、迭代阈值法、基于直方图的阈值分割算法。
1、最大类间方差法是在判决分析最小二乘法原理的基础上推导得出的求最佳阈值的方法。
发展：大津：1979 年基于最大类间方差的阈值分割算法，刘健庄：1993 年推广到二维，增加了其抗噪性，达到了较好的分割效果；景晓军：2003 年发展到三维，范九伦：2007 年进行了修正，给出了新的递推公式。
图像分割综述
(2) 谱方法用于分割；
(3) 快速算法的设计等。
结束
图像分割综述
概念
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感 兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。 现有的图像分割方法主要分以下几类：基于图像局部特征的图像分割方 法、基于模型的图像分割方法。
基于图像局部特征的图像分割方法
4. 特征空间聚类法
特征空间聚类法是通过聚类的方法对图像特征空间进行相似性划分 。用聚类方法做分割应用较为广泛，其基本原理是把图像空间中的元素 映射到某个特征空间中，通过将特征空间的点聚集成团，然后再映射回 原图像空间以得到分割的结果。特征聚类方法众多，特征聚类可以是单 特征聚类(比如基于颜色特征的K均值聚类)，也可以是多特征聚类（比 如基于坐标和颜色特征的Mean Shift 算法）。
基于模型的图像分割方法
基于模型的图像分割方法是根据图像的二维或多维线性模型来构造 分类的特征矢量进而实现图像分割的方法。下面主要介绍基于偏微 分方程的图像分割方法、基于神经网络的图像分割方法和基于图论 的图像分割方法。
1. 基于偏微分方程的图像分割方法
基于偏微分方程（PDE）的图像分割方法通常是用曲线演化过程来完 成分割。分割过程通常从图像平面上一条任意位置的闭合曲线开始 。曲线在内力（由曲线的固有属性驱动）和外力（由图像数据驱动 ）的共同作用下不断演化，最终停止在图像中物体的边界，从而把 图像分割成不同的部分（曲线内部和曲线外部）。这一类模型通常 是给出包含曲线和图像数据在内的目标函数，然后通过最小化目标 函数得到曲线的演化流，即描述曲线演化过程的偏微分方程。
聚类法必须解决的两个关键问题就是：一是如何选定样本之间的类 似程度；二是如何根据样本之间的类似程度将给定的样本集划分为不同 的类群。在特征空间聚类的分割中，图像特征的提取、相似度的计算和 正确的聚类方法是算法研究的关键。从目前的研究动向看，能自我学习 自我记忆的聚类分析算法将是图像处理中的一个研究热点。
- 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)。
2009年4月皖西学院学报Apr.,2009第25卷第2期Journal of West Anhui U niversity Vol.25 NO.2图像检索中图像分割方法综述汪慧兰(安徽师范大学物理与电子信息学院,安徽芜湖241000)摘 要:图像分割是图像分析和模式识别需要解决的首要问题和基本问题,也是图像处理的经典难题。
针对图像检索中应用的图像分割方法进行了系统论述,分析了各种方法的优缺点并探讨了图像分割技术的发展方向。
具体介绍了基于颜色布局的分割方法,基于无监督的分割方法。
关键词:图像检索;图像分割;综述中图分类号:TP391 文献标识码:A 文章编号:1009-9735(2009)02-0018-041 引言基于区域的图像检索不仅能从整体上描述图像内容,而且通过对图像进行恰当的分割能鉴别出若干富有意义的图像区域以及这些目标区域之间的相互关系,以便在对象层描绘图像特征,使检索更加符合图像的语义。
例如在图像库中搜索含有汽车的图像。
为了代表图像的物体层,图像检索第一步就是抽取像素特征进行图像分割,分割后得到的各个不同语义区域,如果分割效果理想的话,这些区域将对应一个个物体。
图像分割一直是计算机视觉和图像处理的研究热点和难点,也是基于区域的图像检索系统的关键所在。
因此图像分割的效果直接影响到区域特征的提取,进而影响到检索的效果。
目前,图像分割至今为止尚无通用的自身理论,随着各学科许多新理论和新方法的提出,很多学者对目前提出的上千种图像分割方法作了综述[1][2]和分类。
文献[1]将分割方法划分为基于数据驱动和基于模型驱动的分割方法;文献[2]将其划分为边缘检测、基于区域和其他方法。
本文主要介绍近几年针对图像检索在图像分割中出现的新方法及新理论,分析各种方法的优缺点,并探讨图像分割技术的发展方向。
2 基于颜色布局的图像分割方法2.1 图像分块最早用于图像检索的分割方法是将图像进行分块,如G ong et al.[3],Chua et al.[4],L u et al.[5], Pass et al.[6]为了代表图像的空间语义,首先将图像分块,然后从各个子块中抽取颜色特征,利用颜色空间直方图和颜色布局作为分割后的区域特征。
还有B.Moghaddam et.al.[7]也将图像分成互不重叠的区域,这种方法虽然简单但不能准确代表图像目标区域的方法,且子块间的空间约束关系太强,对图像的旋转、平移等敏感。
基于此,St ricker et al[8]将图像划分成5块互相交叠的区域,通过对区域中的像素和靠近边界的像素设置不同的权重,但也只能做到对目标的有限旋转不变性。
2.2 后向映射Swain和Ballard[9]提出了后向映射算法,为支持大规模图像库中的快速查找,Smit h和Chang提出了用颜色集(color set s)作为对颜色直方图的一种近似[10]同时和后向映射算法配合。
他们首先将R G B 颜色空间转化成视觉均衡的颜色空间(如HSV空间),并将颜色空间量化成若干个柄。
然后,他们用颜色分割技术将图像分为若干区域,每个区域用量化颜色空间的某个颜色分量来索引,从而将图像表达成一个二进制的颜色索引集。
VisualSeek[11]是由哥伦比亚大学开发研制基于web的图像/视频搜索工具,它是最早基于区域的图像检索系统。
系统所采用的视觉特性就是颜色集和基于小波变换的纹理特性。
2.3 基于感兴趣点的方法813收稿日期:2008-12-04基金项目:教育部人文社会科学项目(05J C870012)。
作者简介:汪慧兰(1978-),女,安徽怀宁人,讲师,硕士研究生,研究方向:基于内容的视觉信息检索,模式识别。
基于感兴趣点的检测区域的方法[12]表现图像的高频特征,但是其计算复杂度高。
张鹏等[13]借鉴心理学,基于视点转移和视区追踪的显著区域检测,其运算速度和抗噪能力比较好,但没对检测出的区域进行编组。
另外人们还提出了交互的方法[14],这种方法虽然在很大程度上表示了用户的检索需求,但是这对于大型的图像数据库显然是不合适的。
基于颜色布局的图像分割方法仅仅利用图像的低层特征,而不能够进行学习,从而不能很好地代表语义。
为了使分割的区域更能代表图像的物体层次,同时能适应大规模的图像数据库的检索,最近人们提出了基于非监督学习的区域分割方法。
3 基于无监督学习的图像分割方法3.1 聚类算法Windsurf[15]和SIM PL Icity[16]中都使用K均值聚类算法,K均值算法就是通过最小化聚类的所有点与聚类中心的欧氏距离之和来将数据进行分类,它允许将一幅图像最多分成16个区域,该算法实现简单,应用也广泛,但它仅仅使用了颜色特征且其算法不允许聚类的交叠和无法处理有噪声的情况。
Mirmehdi and Pet rouin Ref.[17]对颜色-纹理图像3 -D直方图使用聚类算法,形成高分辨率的图像区域。
近年来有许多基于模糊技术的图像分割方法,基于模糊集合和逻辑的分割方法是以模糊数学为基础,利用隶属决图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题,如薛景浩[18]等人提出的一种新的基于图像间模糊散度的阈值化算法以及它在多阈值选择中的推广算法,采用了模糊集合分别表达分割前后的图像,通过最小模糊散度准则来实现图像分割中最优阈值的自动提取,该算法针对图像阈值化分割的要求构造了一种新的模糊隶属度函数,克服了传统函数带宽对分割效果的影响,有很好的通用性和有效性,方案能够快速正确地实现分割,且不需事先认定分割类数,实验结果令人满意。
3.2 J SEG方法Y ining Deng[19]等提出的J SEG方法对图像进行无监督的分割,它包括颜色量化和空间分割两个独立步骤,量化的颜色代表不同的区域,然后用滑动的窗口形成多分辨率的“J图像”,区域生长技术应用于J 图像上。
此方法能获得较为准确的区域,但其运算速度不高。
3.3 边流(edgeflow)分割法Net ra采用了边流(edgeflow)分割法[20],边流分割法通过不同属性图的边流向量的加权平均,可以检测出多种图像属性的综合边缘,它能检测出图像的颜色—纹理的边缘,边缘检测后,连接不连续的边缘形成封闭的轮廓,再进行区域合并。
此方法几乎不需要参数调节,但是它不是完全自动的分割而需手工剪除一些无关区域。
Net ra[21]系统采用了基于边流法(edge flow)的图像分割,其为UCSB大学Alexandri2 a数字图书馆项目中用于图像检索的原型系统。
3.4 基于模型的方法基于模型的方法是非常具有吸引力的,它提供了学习、分割的一个整体框架。
其中最有影响力的模型就是马尔可夫随机场(MRF)模型。
MRF描述了相邻像素间的相互关系,如Mukherjee et al.[22]用MRF从区域生长算法中获得初始分割,Yang et al.[23]也采用了MRF来分割图像。
近年来,一个新的基于模型的方法正逐渐引起人们的兴趣,那就是基于有限混合模型的方法。
有限混合模型的应用已延伸到诸多领域,如模式识别、计算机视觉、信号与图像分析、机器学习等。
多维高斯混合模型。
高斯混合模型理论比较成熟,能拟合任何形式的分布,从图像流形的观点来看,在图像分割领域也应该具有良好的前景。
Blob2 world[24]采用了标准的期望最大法(EM)去确定图像特征空间的高斯混合密度模型的参数。
该分割方法需要大量的人工参与,例如需要指定特征分布模型和聚类数目,但它克服了K均值法聚类不能交叠及无法处理有噪声的不足。
为了克服上面的问题,人们提出了改进的EM 算法,如Ueda et al.提出了分裂—融合的EM (SM EM)算法[25],Z.H.Zhang et al.还采用了分裂—融合的EM算法进行了图像分割的实验[26],J.Ver2 beek,N.Vlassis的贪婪EM(greedy EM)算法[27], Figueiredo and J ain提出了Component-wise EM 算法[28],Shoham提出了确定退火期望最大化算法(DA EM)和确定会聚最大化算法[29]。
如唐英干等用高斯混合模型和DA EM算法的自适应图像分割[30]。
在众多的应用中,高斯分布的尾部比需要的要轻,而且参数的估计会受到关于分量的非典型(atyp2 ical)观测样本的严重影响,T分布比高斯分布有较重的尾部,它提供了一个比高斯分布更鲁棒的方法,如Peel&McLachaln[31]导出K-分量多维T混合模型参数的ML估计,用T混合模型建模特征比用高斯91混合模型建模特征进行图像分割时结果更加平滑,能消除一些噪声的影响,从而使目标更为明显。
4 总结与展望本文对彩色图像检索中主要的分割方法进行了综述,包括颜色布局和无监督学习的两大方法,而且这些分割方法往往相互结合,例如聚类和模糊方法结合出现了模糊聚类等。
从图像分割研究的历史来看,可以看到对图像分割的研究有几个明显的趋势:一是对原有算法的不断改进;二是新方法、新概念的引入和多种方法的有效综合运用。
目前,对于彩色图像分割,还没有一个统一的方法,现有的方法都是针对特定图像特定应用场合的,人们逐渐认识到现有的任何一种单独的图像分割算法都难以对一般图像取得令人满意的分割效果,因而很多人在把新方法和新概念不断地引入图像分割领域的同时,也更加重视把各种方法综合起来运用。
近年来,基于模型的方法在图像分割领域受到越来越多关注,使图像分割朝着更智能化、精确化和实用化方向发展。
参考文献:[1]王爱民,沈兰荪.图像分割研究综述[J].测控技术,2000,19(5):1-5.[2]林瑶,田捷.医学图像分割综述[J].模式识别与人工智能,2002,19(5):1-5.[3〗Y.G ong,H.,Chua,,X.Guo.Image indexing and retrieval based on color histogram[C].In:Proc.2nd Int.Conf.on Multimedia Modeling,1995:115-126.[4]T.S.Chua,K.Tan,B.C.Ooi.Fast signature-based color-spatial image retrieval[C].In:IEEE Int.Conf.on CV PR,1997:362-369.[5]H.L u,B.C.Ooi,K.Tan.Efficient image retrieval by colorcontents[C].In:Internat.Conf.on Applications of DB., 1994:132-138.[6]G.Pass,R.Zabih,paring images using colorcoherence vectors[C].In:ACM4th Internat.Conf.Multi2 media,1996:65-73.[7]B.Moghaddam,H.Biermann,D.Margaritis.Defining imagecontent with multiple regions of interest[C].IEEE Work2 shop on Content-Based Access of Image and Video Li2 braries,1999.[8]M.Stricker and A.Dimai.Color indexing with weak spa2tial constraints[C].Proc.SPIE Storage Retrieval Still Im2 age Video Databases IV,,1996,2670:2-40.[9]M.J.Swain,D.H.Ballard.Color indexing[J].InternationalJournal of Computer vision,1991,7(1):11-32.[10]J.R.Smith,S.F.Chang.Tools and techniques for colorimage retrieval[C].Proc.SPIE,1996,2670:2-7.[11]J.R.Smith and S.F.Chang.Visualseek:a f ully automatedcontent based image query system[J].In ACM Multimedia 1996(7):87-98.[12]V.G ouet,N.Boujemaa.Object-based queries using colorpoints of interest[J].IEEE Workshop on Content-Based Access of Image and Video Libraries,Hawai,USA,2001: 30-36.[13]张鹏,王润生.基于视点转移和视区追踪的图像显著区域检测[J].软件学报,2004,15(6):891-898.[14]A.Del Bimbo,ing weighted spatial relation2ship s in retrieval by visual contents[J],IEEE Workshop on Image and Video Libraries,1998.[15]ANstsev,Rastogi,K.Shim.Windsurf:Region-based im2age retrieval using wavelets Iwoss[C].Proceedings on Da2 tabase and Expert Systems Applications,1999:167-173.[16]J.Z.Wang,J.Li,and G.Wiederhold.Simplicity:Semantics-sensitive integrated matching for picture libraries[J].IEEE Trans.Patt.Anal.Mach.Intell.,2001,23(9):947 -963.[17]M.Mirmehdi,M.Petrou.Segmentation of color textures,IEEE Trans.Pattern Anal.Machine Intell,2000,22(2): 142-159.[18]薛景浩,章毓晋,林行刚.基于特征散度的图像FCM聚类分割[J].模式识别与人工智能,1998,11(4):462-467. [19]Y ining Deng,B.S.Manjunath.Unsupervised segmenta2tion of color texture in images and video[J].PAMI,2001,(8):184-200.[20]W.Y.Ma and B.S.Manjunath.Edge flow:A f rameworkof boundary detection and image segmentation[C].In:Proc of Computer Vision Pattern Recognition,1997:744-749.[21]W.Y.Ma and ra:A toolbox for navi2gating large image databases[C].IEEE International Conf.on Image Processing,1997,1:568-571.[22]J.Mukherjee.MRF Clustering for segmentation of colorimages,Pattern Recognition Letters[J].2002,23(8):917 -929.[23]X.Yang,J.liu unsupervised texture segmentation withone∃step mean shift and boundary markov random dields,Pattern Recognition Letters,2001,22:1073-1081.[24]C.Carson,M.Thomas,S.Belongie.Blobworld:A Systemfor Region-based Image Indexing and Retrieval[C].Third Int.Conf.on Visual Information Systems,1999.[25]N.Ueda,R.Nakano,Z.Ghahramani,and G.E Hinton.SM EM algorithm for mixture models[J].Neural Compu202tation,2000,12(10):2109-2128.[26]Zhang Z.H.,Chen C.B.,Sun J.&Chan K.L.EM algo2rithms for G aussian mixtures with split and merge opera2 tion[J],Pattern Recognition,2003,36(9):1973-1983. [27]J.J.Verbeek,N.Vlassis,and B.Krose.Efficient greedylearning of Gaussian mixture models[J].Neural Computa2 tion,2003,15(2):469-485.[28]M.A.T.,Figueiredo,A.K.,J ain.Unsupervised learningof finite mixture models[J].IEEE Transaction Pattern A2 nalysis and Machine Intelligence.2002,24:381-396.[29]Shoham,S..Robust clustering by deterministic agglomer2ation EM of mixtures of multivariate t distributions[J].Pattern Recognition2002,35:1127-1142.[30]唐英干,赵立兴,关新平.基于混合模型和DA EM算法的自适应图像分割[J].仪器仪表学报,2005,26(6):653 -657.[31]D.,Peel,G.J.,McLachlan.Robust mixture modeling u2sing the t distribution[J]put,2000,(10):339 -348.A Survey on Im age Segmentation T echniques of Im age R etrievalWAN G Hui2lan(T he College of Physics and Elect ronic I nf orm ation,A nhui N orm al U ni versit y,W uhu241000,Chi na) Abstract:The image segmentation,which is the first essential and f undamental issue in the image analysis and pattern recognition, is a classical difficult problem in the image processing.This paper discusses systematically on the segmentation techniques of image retrieval,and analyzes on the merits and demerits of each method,the color layout and unsupervised segmentation are given more discussed.K ey w ords:image retrieval;image segmentation;survey(下接第132页)安全问题,在确保旅游者人身与财产安全的前提下发展体育。