-基于区域合并的纹理图像分割—MSRM算法
基于MSR和边缘提取的彩色图像融合新方法
基于MSR和边缘提取的彩色图像融合新方法
江兴方;金龙;陶纯堪
【期刊名称】《光电工程》
【年(卷),期】2006(033)003
【摘要】提出了基于多尺度Retinex(MSR)和边缘提取实施彩色图像融合的一种新方法.多尺度Retinex算法具有突出图像中阴暗区域信息的功能,采用边缘检测的方法提取图像中阴暗区域,将原图像阴暗区域的像素替换成多尺度Retinex增强图像的像素实现彩色图像融合,得到的新图像信息更丰富.在提取闭合区域时,提出了区分真断点和准断点的技术,改进了闭合边缘提取的方法.进而对融合的新图像进行了深入研究,获得埃及Giza金字塔中最大的Khufu金字塔阴影的几何信息.
【总页数】5页(P110-113,118)
【作者】江兴方;金龙;陶纯堪
【作者单位】南京理工大学,电光学院,江苏,南京,210094;江苏工业学院,信息科学系,江苏,常州,213016;南京理工大学,电光学院,江苏,南京,210094;南京理工大学,电光学院,江苏,南京,210094
【正文语种】中文
【中图分类】O436
【相关文献】
1.基于小波变换的多聚焦彩色图像融合新方法 [J], 陈木生
2.基于小波变换的多源图像融合边缘提取方法 [J], 杨猛;张晓东;文毅
3.基于MSR Retinex参数融合的真彩色图像增强 [J], 白晨帅;魏洁柔;苏维亚;王亚丁
4.基于MSR的浮尘天彩色图像清晰化方法 [J], 要秀宏;
5.基于提升小波和直方图均衡化的MSR Retinex多参数融合方法的真彩色图像增强 [J], 郝凡凡; 吴粉侠
因版权原因，仅展示原文概要，查看原文内容请购买。
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。
基于三维区域增长的脑部 MR 图像分割方法研究与实现
到较平滑 的图像 ； 其次 ， 利用 阈值 分割和三维 区域增长分 割分别对三维脑部 Ｍ Ｒ 图像进行粗分 割和精确分 割提 取脑组织 ； 最后 ， 通过 形态学运算进行处理 ， 抑制干扰性分 割， 同时填充 目 标区 域内 部 孔洞 ， 显著地提高 了分 割效果 。实验结果表 明， 该方法 能有效地 对三
ｓ ｅ ｇ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｏ ｎ ３ Ｄ ｂ ｒ ａ ｉ ｎ ＭＲ ｉ ｍａ ｇ ｅ ｔ ｏ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｔ ｈ ｅ ｂ ｒ ａ ｉ ｎ ｔ ｉ ｓ ｓ ｕ ｅ ；Ｆ ｉ ｎ ａ ｌ ｌ ｙ ，ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｔ ｈ ｅ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ ｗｉ ｔ ｈ ｍｏ ｒ ｐ ｈ ｏ ｌ ｏ ｇ ｉ ｃ ａ ｌ ｏ ｐ ｅ ｒ ａ ｔ ｉ ｏ ｎ，ｔ ｈ ｅ ｉ ｎ ｔ ｅ ｒ ｆ ｅ ｉｎ ｒ ｇ
图 ２ 原 体 数 据
为起始 ， 在 图像 中找 出一 系列种 子点 ， 把邻 近像 素 （ 或体 素 ） 归 并， 将 这些新像 素 （ 或体 素 ） 作为新 的种 子点 继续 归并 ， 使 区域 逐渐增长扩大 ， 直到可以完全覆盖整个 区域为止 。因此 ， 区域增 长 的过程被增长机制 的规则 和在每个增 长步骤中检查均匀性 的
值 分割没有或很少考虑 空间关 系的不足 。
目前为止 ， 多数的文献 报告致 力于 二维脑 部 Ｍ Ｒ 图像 分 割 算 法的研究 ， 二维 的脑部 ＭＲ图像分割 只显示 了脑 部某个 特定 方 向的断层上 的信 息 ， 然而， 在实际应用 中， 为 了更好地 对脑部 图像 理解和诊 断 ， 需要大量 地涉及感 兴趣结 构的大小 、 位置 、 方
维脑部 ＭＲ图像进 行分割处理 ， 较 好地 提取脑组织。 关键 词
图像处理之Retinex增强算法（SSR、MSR、MSRCR）
图像处理之Retinex增强算法（SSR、MSR、MSRCR）视⽹膜-⼤脑⽪层（Retinex）理论认为世界是⽆⾊的，⼈眼看到的世界是光与物质相互作⽤的结果，也就是说，映射到⼈眼中的图像和光的长波（R）、中波（G）、短波（B）以及物体的反射性质有关其中I是⼈眼中看到的图像，R是物体的反射分量，L是环境光照射分量，(x, y)是⼆维图像对应的位置基于上⾯的原理，看下Retinex常见的⼏种增强算法⼀、 SSR(Single Scale Retinex)单尺度Retinex算法它通过估算L来计算R，具体来说，L可以通过⾼斯模糊和I做卷积运算求得，⽤公式表⽰为：其中F是⾼斯模糊的滤波器，“ * ”表⽰卷积运算其中σ称为⾼斯周围空间常数（Gaussian Surround Space Constant），也就是算法中所谓的尺度，对图像处理有⽐较⼤的影响，对于⼆维图像对应于图像中位置，即：因此，这个算法的思路就可以归结为以下⼏步：1、输⼊: 原始图像数据I(x,y),尺度（也就是⾼斯函数中的σ）2、①计算原始图像按指定尺度进⾏模糊后的图像 L(x,y);②按照log(R)=log(I)-log(L)公式的计算⽅法计算出 Log[R(x,y)]的值③将 Log[R(x,y)]量化为0到255范围的像素值，作为最终的输出，量化公式：R(x,y) = ( Value - Min ) / (Max - Min) * (255-0)（注：⽆需将Log[R(x,y)]进⾏Exp函数的运算,⽽是直接利⽤Log[R(x,y)]进⾏量化，即上述公式中的value值）代码如下：效果图（左边是原图，右边是SSR效果图）：（其中σ=300，即代码中的sigma=300）⼆、 MSR(Multi-Scale Retinex)多尺度Retinex算法多尺度视⽹膜增强算法（MSR， Multi-Scale Retinex），最为经典的就是3尺度的，⼤、中、⼩，既能实现图像动态范围的压缩，⼜能保持⾊感的⼀致性较好。
一种三维城市模型多纹理自动合并方法
一种三维城市模型多纹理自动合并方法摘要：本文提出了一种自动合并多纹理三维城市模型的方法。
通过利用三维城市模型中的地面切片和纹理信息，将城市模型进行多层分区处理。
基于分区信息，提出了一种纹理映射方法用于合并相邻分区的纹理信息。
通过对模型进行实验分析和性能测试，证明了该方法在纹理合并效果和运行速度上都比现有方法有所提升。
关键词：三维城市模型；多纹理；自动合并；多层分区；纹理映射1.引言随着计算机技术的不断进步，三维城市模型已经被广泛应用于城市规划、游戏开发、虚拟漫游等领域。
纹理是三维城市模型的一个重要组成部分。
目前，市面上的三维城市模型多数是基于单一纹理贴图，而对于真实的城市场景来说，单一纹理贴图往往不能满足需求。
在一个城市中，建筑、道路、广场等不同区域的纹理风格和细节都存在差异，需要采用多种纹理。
多纹理的使用会对模型的渲染速度产生很大的影响，严重影响用户的体验。
如何高效地合并多个纹理是一个重要的研究问题。
现有的多纹理合并方法大多是基于纹理相似性的，并严重依赖于人工干预。
Mueller 等[1] 提出了一种基于图像分割的纹理合并方法，对于相似区域的纹理进行合并。
对于一些细节纹理如窗户、门板等，这些方法却很难自动识别。
Gao等[2] 提出了一种基于局部统计信息的纹理合并方法，但是计算量很大，实用性不高。
有必要研究一种自动合并多纹理的新方法，用于提高纹理合并的效果和速度。
2.多层分区在本文提出的方法中，城市模型首先被分为不同的区域，在每个区域中确定初始的纹理。
分区的过程可以简化为如下几个步骤：（1）将整个建筑区域按照固定大小的地面切片进行分割。
（2）然后，根据每个区域中的信息，将区域继续进行分割，直到满足分割条件。
（3）对每个分区进行纹理的初始化，确定初始纹理。
下面，我们详细说明如何进行多层分区。
2.1 地面切片在城市模型中，地面是相对平整的，可以将其进行切片处理。
本文中，我们采用矩形地面切片进行区域分割。
sam交互式分割训练
sam交互式分割训练【原创实用版】目录1.SAM 交互式分割训练的概述2.SAM 交互式分割训练的原理3.SAM 交互式分割训练的应用实例4.SAM 交互式分割训练的优势与不足5.我国在 SAM 交互式分割训练领域的发展正文1.SAM 交互式分割训练的概述SAM（Semantic Anchor Matching）交互式分割训练是一种基于语义锚点匹配的交互式目标分割方法。
它通过在图像中寻找具有相似语义特征的区域，实现目标区域的精确分割。
这种分割方法在计算机视觉领域具有广泛的应用，例如：人脸识别、物体检测与跟踪、场景分割等。
2.SAM 交互式分割训练的原理SAM 交互式分割训练的原理主要分为两个阶段：语义锚点提取和交互式分割。
（1）语义锚点提取：首先，通过卷积神经网络（CNN）对输入图像进行特征提取，得到一系列的特征图。
然后，利用区域提议网络（Region Proposal Network, RPN）生成一系列潜在的目标区域。
最后，对这些潜在目标区域进行非极大值抑制（Non-Maximum Suppression, NMS），得到最终的语义锚点。
（2）交互式分割：在得到语义锚点后，对每个语义锚点进行像素级别的分割。
具体方法是，将语义锚点与图像特征图进行交互式匹配，得到匹配度最高的特征图。
然后，利用该特征图对语义锚点进行分割，从而实现目标区域的精确分割。
3.SAM 交互式分割训练的应用实例SAM 交互式分割训练在许多领域都取得了显著的成果，以下是两个应用实例：（1）人脸识别：SAM 交互式分割训练可以实现对人脸图像的精确分割，从而实现人脸识别。
这对于安防监控、人脸支付等场景具有重要意义。
（2）物体检测与跟踪：SAM 交互式分割训练可以实现对物体图像的精确分割，从而实现物体检测与跟踪。
这对于智能驾驶、机器人导航等场景具有重要意义。
4.SAM 交互式分割训练的优势与不足优势：（1）精确度高：SAM 交互式分割训练可以实现对目标区域的精确分割，提高分割精度。
毕业设计(论文)开题报告-基于区域合并的纹理图像分割--MSRM算法的MATLAB实现模板
2007级本科学士学位开题报告学院：信息科学与工程学院年级专业：电子信息工程0706班学生姓名：学号：指导老师姓名：2011年4月2日一、简表设计名称基于区域合并的纹理图像分割——MSRM算法的MATLAB实现课题来源A．科研课题（√） B. 自选课题（）课题类型 A. 理论研究（√） B. 应用研究（） C. 开发研究（）开题时间2011 年 4 月 2 日二、设计立论依据(包括研究意义、研究现状分析、参考文献综述)研究意义及现状：对图像分割的研究可分为三个层次：1、图像分割算法，即对图像分割技术的研究；2、对分割结果或分割方法的评价，对图像各种分割性能比较，分析不同分割方法的特点；3、对分割方法的评价和评价准则进行系统研究。
图像分割算法的研究已经有几十年的历史，至今基于各种理论已经提出上千种分割算法，现在这方面的研究仍然是研究的重点。
由于图像分割目前还没有通用的分割理论，故大多数分割算法都是针对具体问题的；另外一方面，对一个给定的图像分析问题要选择适当的分割算法还没有标准的分割方法，故对分割方法的评价近来也受到重视，也是今后发展的一个趋势。
纹理有三个主要标志：1、某种局部的序列性在比该系列更大的区域内不断重复；2、序列有基本部分非随机排列组成的；3、各部分大致的均匀统一体，在纹理区域内的任何地方都有大致相同的结构尺寸，即纹理基元。
纹理图像的这些特性决定了基于统计理论是描述纹理图像较好的方法。
高效和有效的图像分割是计算机视觉和识别物体的重要任务。
由于通常对自然的图像进行全自动图像分割是十分困难的，而包含有几个简单的用户输入的互动方案是比较好的解决办法。
提出基于区域合并机制的一种新型的极大相似性规则，在标记的帮助下指导合并过程。
如果R的一个邻域Q在所有邻域中与R 有最高的相似性，那么区域R与邻域Q合并。
该方法自动合并由均值漂移分割得到的初始分割区域，然后通过给所有未标记区域贴标签作为背景或目标来有效地提取物体轮廓。
一种基于区域分割和M带小波变换的图像融合算法
一种基于区域分割和M带小波变换的图像融合算法
赵程章;赵永强;张洪才
【期刊名称】《计算机测量与控制》
【年(卷),期】2007(15)4
【摘要】针对目前小波域图像融合所存在的问题,文中阐述了一种基于区域分割和M带小波变换的图像融合算法,在图像配准的基础上对各幅源图像进行M带小波分解,由分解结果产生图像纹理向量,对纹理向量进行聚类,形成源图像的多尺度区域分割,通过区域重叠得到指导融合的联合区域分割图像,然后进行图像融合;此算法充分利用了图像中体现象素间关系的区域信息和M带小波变换在能量紧致性和方向选择性等方面的优势;仿真实验表明,该算法的结果不论在主观视觉效果还是在客观评价指标方面都优于传统的二带小波融合算法.
【总页数】4页(P506-508,511)
【作者】赵程章;赵永强;张洪才
【作者单位】西北工业大学自动化学院,陕西,西安,710072;西北工业大学自动化学院,陕西,西安,710072;西北工业大学自动化学院,陕西,西安,710072
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种改进的基于小波变换的图像融合算法 [J], 张建勋;牛文宾;张凯文
2.基于区域分割与提升小波变换的图像融合算法 [J], 高颖;王阿敏;支朋飞;葛飞
3.一种改进的基于小波变换的图像融合算法 [J], 张建勋;牛文宾;张凯文
4.一种基于非抽样小波变换的模糊逻辑图像融合算法 [J], 黄晓青
5.一种基于小波变换的全色遥感图像与彩色多光谱图像融合算法 [J], 刘长柱因版权原因，仅展示原文概要，查看原文内容请购买。
一种改进超像素融合的图像分割方法
一种改进超像素融合的图像分割方法余洪山;张文豪;杨振耕;李松松;万琴;林安平【摘要】基于超像素的传统图像分割方法在边缘分割的一致性、计算效率和融合算法的自适应性等方面仍存在诸多问题.文章结合国内外相关研究进展,提出了一种新型超像素融合的图像分割方法.方法采用ERS超像素过分割算法,以强度、梯度直方图作为超像素特征,并采取EMD方法计算特征距离,通过混合Weibull模型获取融合自适应阈值,进而完成分割.算法时间复杂度降至为O(N),分割过程中不需要手动选取待分割区域,有效提高了算法的自适应性.实验结果表明本方法在分割边界准确度和处理效率方面优于现有方法.【期刊名称】《湖南大学学报（自然科学版）》【年(卷),期】2018(045)010【总页数】9页(P121-129)【关键词】超像素;区域融合;陆地移动距离;混合Weibull模型;图像分割【作者】余洪山;张文豪;杨振耕;李松松;万琴;林安平【作者单位】湖南大学电气与信息工程学院/机器人视觉感知与控制技术国家工程实验室,湖南长沙410082;湖南大学深圳研究院,广东深圳 518057;湖南大学电气与信息工程学院/机器人视觉感知与控制技术国家工程实验室,湖南长沙410082;湖南大学电气与信息工程学院/机器人视觉感知与控制技术国家工程实验室,湖南长沙410082;湖南大学深圳研究院,广东深圳 518057;湖南大学电气与信息工程学院/机器人视觉感知与控制技术国家工程实验室,湖南长沙410082;湖南大学电气与信息工程学院/机器人视觉感知与控制技术国家工程实验室,湖南长沙410082;湖南大学电气与信息工程学院/机器人视觉感知与控制技术国家工程实验室,湖南长沙410082【正文语种】中文【中图分类】TP273图像分割是利用颜色、纹理和灰度等特征将图像分割成一定数量的符合人类视觉感知分类的区域. 由于自然图像中场景的复杂性，加之人的视觉感知上的主观性，人们对图像场景理解不尽相同，因此图像分割一直是计算机视觉中的一个难点. 传统方法以像素为基本处理单元，使得算法时间消耗大、效率低. 超像素是指具有相似纹理、颜色和亮度等特征的相邻像素构成的图像块[1]，它利用像素之间特征的相似程度将像素分组，在很大程度上降低了后续图像处理任务的复杂度. 然而超像素分割会对图像产生过分割，并不能达到符合人的视觉感知的分割结果. 超像素算法多用于图像分割预处理，在后续图像处理中用超像素来代替像素，大大降低了时间的消耗.目前，基于超像素融合的图像分割研究开始获得越来越多的关注，典型方案有基于SLIC或Normalized cuts产生超像素过分割，然后提取超像素的特征(颜色、纹理和直方图等)，再基于一定的相似性度量标准计算相邻两个超像素的特征相似性距离. Hsu C Y等[2]提出了基于谱聚类的融合策略，该方法通过对SLIC 产生的超像素进行谱聚类取得了较高的效率，但其对于复杂场景的分割结果不够理想. Song X 等[3]采用了基于分层超像素的区域融合策略-MSRM(maximal similarity based region merging)[4]，针对前景对象很少的图像，该方法可以得到较好的分割结果，但需要人为给定前景对象所在的大致矩形区域. 当场景前景对象很多且分散时，该算法将很难处理，因此存在很大的局限性. Han B等[5]利用Normalized cuts[6]产生超像素，基于直方图的相似性度量计算相邻超像素间的非相似性距离来完成对图像的分割. 该方法虽然对相似的超像素进行了融合，但是融合比较保守导致分割结果过于细化，即在明显应该分割为一个对象的区域中存在没有融合的超像素边界. 综上所述，目前基于超像素融合的图像分割方案在边缘分割的一致性、特征相似性度量的可靠性、计算效率和融合算法的自适应性方面仍需进一步改善.针对上述问题，本文结合国内外相关研究进展，提出了一种改进超像素融合的图像分割方法. 主要改进如下：1)本文采用ERS(entropy rate superpixel)算法生成与真实边缘一致性更佳的超像素图像；2)选用稳定性好且计算简易的直方图特征(强度、颜色及方向直方图)，并采用陆地移动距离EMD(Earth Mover’s distance)计算超像素节点间相似性，以适应多种结构尺寸；3)采用Weibull 模型对相邻超像素的EMD 分布进行估计，获取融合处理的自适应阈值，从而提高了本文算法的鲁棒性. 本文算法时间复杂度为O(N)，处理过程中不需要手动选取待分割区域，分割结果的边界准确率和处理效率均具有明显的提高.1 改进的超像素融合图像分割方法如图1 所示，本文提出的超像素融合图像分割方法可划分为三部分：1)超像素过分割方法选择及图像预分割；2)以超像素节点为单位，求取强度、颜色以及方向(梯度)的特征直方图，基于特征相似性距离EMD模型，计算相邻节点各自特征直方图之间的相似性距离；3)建立Weibull 混合模型(Weibull mixture model)，对模型中的参数进行估计，确定节点特征相似性距离阈值γf ，并根据其进行超像素融合.1.1 基于超像素算法的图像预分割1.1.1 超像素算法选择目前，超像素算法主要分为两大类：基于图论的算法和基于梯度上升的算法.超像素的评价标准[7]主要包括：1)边缘贴合度；2)紧密度；3)计算效率等. 边缘贴合度指的是超像素边缘与真值边沿的吻合程度. 某些超像素方法虽然可以产生超像素，但是超像素的边缘可能穿过场景中物体的实际边缘. 紧密度反映了超像素形状是否规则以及边缘平滑程度. 常见的超像素算法性能比较[7]如表1 所示(使用公测数据集Berkeley dataset[8]中图片进行测试，其中边缘贴合度通过边界召回率boundary recall[7]反映)．图1 基于超像素融合的图像分割流程图Fig.1 Flow chart of image segmentation based on superpixel merging表1 几种超像素方法的性能特点Tab．1 Several superpixel algorithm performance characteristics算法边缘贴合度形状是否规整数量是否可控紧密度是否可控时间复杂度Ncuts0.68√√×O(N32)watersheds-×××O(Nlog (N))mean-shift-×××O(N2)Turbopixel0.61√√×O(N)SLIC0.82√√√O(N)ERS0.84×√√O(Nlog (N))超像素分割是为后续的分割服务的，所以超像素的边缘贴合度对后续的分割质量有着最直接的影响. 同时综合表格中时间复杂度、紧密度和数量是否可控等性能，本文采用的是边缘贴合度非常好的ERS(entropy rate superpixel)算法产生超像素.1.1.2 基于ERS的超像素计算和图模型构建ERS是由Liu等人[9]在2011年提出的一种基于图的聚类算法，该算法采用了一种新型的目标函数，并通过在图拓扑结构中最大化目标函数产生超像素. ERS算法构造的目标函数如表达式(1)所示：(1)式中，A表示图拓扑结构中的边集，λ是可调节的权重因子，H(A)代表随机游走熵率项，B(A)代表平衡项. H(A)项的定义为：(2)式(2)中，pi,j代表随机游走的转移概率，μi为随机游走的固定分布，H(A)构造的目的是为了生成紧密度较好的超像素，而构造平衡项则是为了约束超像素的尺寸．B(A)项的构造为：(3)式(3)中，ΖA是聚类分布，表示聚类分布的概率[10].用ERS算法对原始图像进行超像素过分割后，整幅图像由许多超像素构成. 超像素构成的“图”模型如图2所示，其中图结构由节点和边组成，即G=(V,E)，节点V 不再是图像中所有的像素集合，而由超像素构成，E是由连接相邻两个节点(超像素)的边构成的集合.图2 超像素“图”结构Fig.2 Superpixel “graph” structure1.2 特征提取与相似性度量1.2.1 超像素节点特征提取在二维彩色图像中，颜色、强度以及方向梯度是三种常用且易提取的直方图特征. 超像素是一定范围内像素点的集合，因此本文选取强度直方图、颜色直方图和方向直方图特征作为超像素节点特征.强度直方图是一个1维256区间的直方图，颜色直方图是由色调(hue)和饱和度(saturation)(HSV颜色空间中)构成的76*76(颜色位数为8位)的2维直方图，梯度直方图是用方向梯度(即垂直方向梯度与水平方向梯度的反正切)构成的1 维的360 区间的直方图，这个特征与HOG 特征类似. 为便于计算处理，算法将所有的特征直方图归一化处理.1.2.2 基于EMD的相似性度量1)EMD度量标准为了计算上述特征直方图相似性从而为超像素融合提供判断依据，本文采用EMD作为相似性度量标准. EMD是一种在某种区域两个概率分布距离的度量，即被熟知的Wasserstein度量标准. 如果两个分布被看作在区域上两种不同方式堆积一定数量的山堆，那么EMD是把一堆变成另一堆所需要移动单位小块最小的距离之和. EMD定义如表达式(4)[10]：(4)其中fij需要满足的约束条件：fij≥0(5)∑jfij≤pi(6)∑ifij≤qj(7)其中P和Q为两种给定的分布，P为m个特征量xi和其权重pi的集合，Q为n 个特征量yi和其权重qi的集合，P和Q分别记作P={(x1,p1),…,(xm,pm)}和Q={(y1,q1),…,(yn,qn)}. 在计算这两个分布EMD前，需先定义好P、Q中任意特征量Pi和Qi之间的距离dij(该距离称为ground distance，两个分布之间EMD 依赖于分布中特征量之间的ground distance). 当这两个特征量是向量时，dij是欧式距离，当这两个特征量是概率分布时则dij是相对熵(Kullback-Leibler divergence). 约束条件(5)是对方向性进行约束. (6)和(7)是对两个分布的量进行约束. 当P和Q归一化后有相同的总量时，EMD等同于两个分布之间的Mallows距离[11].EMD相比其它分布距离计算方法有着明显的优势[10]：EMD适用于计算两个直方图之间的距离，并且它能够处理变化尺寸的结构，有着更大的紧凑性和灵活性；如果两个分布有相等的总量，EMD则是一种真实的度量.2)相似性度量对于任意相邻的超像素对(节点)va和vb，提取其以强度(1维)、颜色(2维，HSV空间中色调和饱和度)和方向(1维)直方图为特征的4维特征直方图，再将其归一化处理，以此作为计算va、vb间EMD的参数. va、vb的特征相似性距离如式(8)[11]所示：(8)其中dn表示第n对相邻节点va和vb的特征相似性，且dn∈[0,1]，如果dn为0，则两个相邻节点特征完全一样，如果为1，则意味着相邻两个节点完全不相似.为常量，是以上述相邻节点的4维特征直方图为参数所能求得的最大可能的EMD，从而使得式(8)中dn的值在0到1之间. 其中，强度变化的最大可能为黑色到白色，色调(hue)变化的最大可能为0°到360°，饱和度(saturation)变化的最大可能为0%到100%，梯度方向变化的最大可能为水平梯度到垂直梯度.基于上述处理后，图像对应的图构建G=(V,E)基本完成，其中 V由超像素构成的集合，E为连接相邻两个节点(超像素)的边构成的集合，边权重由其连接的两个超像素之间的EMD确定，作为这两个超像素的相似性度量. 如图3所示．图3 “图”的权重示意图Fig.3 Schematic diagram of the weight of the graph1.3 自适应融合不同场景图像的最佳融合阈值不尽相同，如采用手动设置阈值，则需要多次更改阈值方能得到较好的分割结果. 为了确定本文超像素融合所需的自适应相似性阈值，首先需要得知边缘权重的分布模型，尚无证据表明相邻节点间的EMD服从均匀分布或者正态分布. 由于被比较的两个直方图特征向量分布是相关且非同分布的，根据文献[12]，这两个特征向量之间的Lp范数距离服从Weibull分布. 另外Chen-Ping Yu等人[13]的工作也对其进行了佐证. 因此，本文采用Weibull模型对相邻超像素的EMD分布进行估计，以获得自适应阈值，用于对不同场景图像的融合分割处理，从而提高了算法的鲁棒性.1.3.1 Weibull混合模型及参数估计Weibull是概率统计中常用的分布模型. 采用两个Weibull分布混合后对所有相邻超像素对的特征距离(EMD)X建立模型. 其混合模型完整形式如公式(9)所示：(9)其中θ=(ε1,φ1,μ1,ε2,φ2,μ2,π) 是待确定的模型参数.ε、φ、μ和π分别是尺度、形状、位置和混合参数.为了得到M2(Χ;θ) 中的参数，需要对M2(Χ;θ)进行参数估计，本文采用最大似然估计. 最大似然估计是基于观测样本的似然函数最大化来对参数进行估计的，M2(Χ;θ)的似然函数取对数后如下：lnM2(X;θ)=(10)该似然函数很复杂，并且存在位置参数μ1和μ2，因此，本文采用Nelder-Mead 方法[14-15]，它作为一种不含导数的优化方法，通过使(10)的负对数似然函数最小化来实现对参数的估计.为了得到相似性阈值γf，本文采用一个单一Weibull分布来拟合由两个Weibull 分布构成的混合Weibull模型，用AIC(Akaike Information Criterion)[16]信息准则来防止拟合混合Weibull模型过程中出现的过拟合. 相似性阈值γf由表达式(11)决定：(11)当混合模型更好的时候，γf的取值为max (x,η)，此时γf是混合的两个部分的交点，通过搜索向量Xf 的值可以以线性时间得到该方程的解. 当单一的Weibull更好时，即AIC(M2)>AIC(M1) 时，γf通过计算M1的逆累计分布函数得到，其中τ是给定的一个百分数，τ∈[0,1].1.3.2 超像素融合处理对于图像对应的图结构G=(V,E)，若相邻节点之间边的权重大于γf时，则认为该边连接的两个超像素差异较大，分属不同对象，该边继续保留，反之，则对两个超像素进行融合.超像素融合过程示意图如图4 所示，图中相似性阈值为0.6，即当连接相邻两个超像素(节点)的边的权值小于0.6 时，则认为这两个相邻超像素属于同一对象物体，可以对这两个超像素进行融合，形成一个更大的区域(如图4中实线连接的超像素节点)，反之，如果连接相邻超像素的边缘权值大于0.6，则认为该相邻超像素对不相似，属于不同的对象物体，继续保留分割边界(如图4 中的虚线形成的边界).2 实验结果与分析为验证本文方法的有效性和先进性，本文采用两个常用公测数据集BSD(Berkeley Segmentation Dataset)[8]以及SUN Dataset[17]的图像进行实验对比分析. 实验平台配置如下：PC主频为2.0 GHz，RAM为4 G，软件环境为MATLABR2014a.图4 超像素融合过程示意图Fig.4 Schematic of the superpixel merging process2.1 实验结果图5为本文方法得到的实验结果. 从图中可以看出：本文方法分割结果边界与场景真实边界具有良好的一致性，对于复杂的场景，如第二行图像所示，同样能得到与人的视觉感知相一致的结果．图5 实验结果Fig.5 Results of the experiment2.2 Weibull模型的有效性分析为了验证本文算法加入Weibull模型的有效性，本文另通过手动选取相似性阈值γf ，对不同场景图像进行超像素融合实验. 实验结果(超像素融合后的均值填充效果图)如图6所示.图6中最右侧为与真实场景最一致的融合效果图. 由实验结果可知，要得到良好的融合效果，必须手动调节多次阈值直至结果满意为止. 而且，对于不同场景的图像，其最佳相似性阈值不尽相同.加入Weibull模型后，最佳相似性阈值可由Weibull分布估计求得. 与上述手动调节阈值相比，具有更好的灵活性，避免了繁琐的调节阈值的步骤，可方便应用于不同的场景图像，极大地提高了算法的鲁棒性.2.3 分割结果直观效果对比为了验证本文算法的分割效果，本文选取了2种常用的基于超像素融合的分割算法并与其进行了对比，分别为DBSCN算法[18]对SLIC超像素融合的分割方法(SLIC-DBSCN)，基于原型对象(proto-object)的分割方法[12](PO).图6 手动选取阈值融合实验结果Fig.6 Merging results of selecting the threshold value manually不同算法的实验结果对比如图7所示，其中(a)为原始图像，(b)、(c)和 (d)分别为SLIC-DBSCN算法、PO算法以及本文算法的分割结果. 超像素数目均设定为600. 由图7中分割结果的对比可得，在产生相同超像素个数的情况下，本文方法得到的分割结果在保持边界的性能上优于SLIC-DBSCN算法和PO方法，分割结果视觉效果上更符合人的视觉感知.图8为图7的局部细节放大对比. 进一步从分割细节上进行了对比说明.图7 不同算法的实验结果对比Fig.7 Comparison of experimental results from different algorithm图8 局部细节放大对比图Fig.8 Partial details of the enlarged comparison chart2.4 分割结果性能量化对比为了对实验结果进行量化评价，本文采用了3种量化指标：1)PRI(Probabilistic Rand Index)[19]，它统计了实验的分割结果的边界标记像素与真实分割结果保持一致的数目，即分割结果的边缘准确度；2)VOI(Variation of Information)[20]，该指标针对两个类之间的信息的不同进行了距离度量；3)BDE(Boundary Displacement Error)[21]，该指标表示分割结果与真值之间的区域边界的平均位移.从以上指标可以得出，PRI越高，VOI，BDE越小，则分割结果的性能越好. 本文分割方法与Normalized cut(Ncut)[6]，Mean Shift[22]，Ultrametric Contour Maps(UCM)[23]，Segmentation by Aggregating Superpixels (SAS)[24]，SLIC-DBSCN算法以及PO算法的量化比较如表2所示，其中文献[6]、[22]、[23]、[24]的性能量化数据来自于文献[2]，实验数据集采用BSD.表2 本文方法与其他算法分割结果的性能评估Tab．2 The performance evaluation of this paper and ot her algorithm segmentation’s results方法PRIVOIBDENcuts[6]0.724 22.906 117.15Meanshift[22]0.795 81.972514.41UCM[23]0.811.68N/ASAS[24]0.831 91.684 911.29SLIC-DBSCN0.784 61.927 813.72PO0.846 31.582 511.21本文方法0.853 71.519 110.98本文采用BSD数据集做了40组分割实验，并对三种不同分割算法的时间分别计算平均值，实验图像尺寸481×321，在设置不同超像素数目N的情况下，三种方法平均消耗时间如表3所示．表3 不同N时算法的平均时间消耗Tab．3 Average time consumption of algorithm for different N s方法N=500N=800N=1 000SLIC-DBSCN18.826.238.5PO10.415.323.6本文方法10.716.124.5由表看出，本文算法具有较高的时间效率，相较于SLIC-DBSCN算法具有明显的优势，与PO算法相差无几. 随着超像素的数目增多，时间消耗亦随之增加，虽然N越大，超像素对边缘的贴合度越好，但是并不是对任何图像都将超像素的数目N设置的越大越好，对于图像尺寸较小时，如BSD数据集的尺寸为481×321，N 设置600即可获得很好的分割结果.3 结论本文在图像预处理阶段(超像素分割)采用了ERS算法，通过产生数目更少的超像素便可达到更好的边缘保持性能，这一点对后续的分割至关重要.此外，本文的算法充分运用了统计学，距离度量采用EMD ，通过 Weibull分布建立EMD统计模型．因此，该方法的实验结果具有很高的边缘准确性. 本文采用AIC信息准则确定自适应阈值，无需手动调节，从而提高了超像素聚类的鲁棒性，使得该算法能够适应复杂场景的分割. 在时间消耗上，本文的分割方法首先采用ERS超像素过分割，使得后续的融合都是基于超像素级的. 另外，本文的分割方法两次利用了“图”的结构(ERS为第一次利用“图”结构，然后基于超像素过分割的结果第二次建立“图”的结构)，这使得我们的算法具有很好的存储效率.与其他经典的传统分割算法([22]，[23]，[24])以及基于超像素融合的分割方法([2]，[12]，[18]等)的实验结果进行对比，本文对图像的分割结果性能优于其他方法，特别是在图像场景比较复杂的情况下，本文的分割结果对物体的边界保持得非常好.在对超像素融合后，将各个区域进行均值赋色，最后生成的分割图像的视觉效果和人类视觉的感知一致.参考文献【相关文献】[1] MALIK J. Learning a classification model for segmentation[J]. Proc Iccv, 2003,1(1):10-17．[2] HSU C Y, DING J J. Efficient image segmentation algorithm using SLIC superpixels and boundary-focused region merging[C]// Communications and SignalProcessing． Melmaruvathur: IEEE, 2014:1-5.[3] SONG X, ZHOU L, LI Z, et al. Interactive image segmentation based on hierarchical superpixels initialization and region merging[C]// International Congress on Image and Signal Processing． Dalian: IEEE, 2015: 410-414.[4] NING J, ZHANG L, ZHANG D, et al. Interactive image segmentation by maximal similarity based region merging[J]. Pattern Recognition, 2010, 43(2): 445-456.[5] HAN B, YAN J. A novel segmentation approach for color images with progressive superpixel merging[C]// International Conference on Computer Science and Network Technology． Changchun: IEEE, 2013: 433-437.[6] SHI J, MALIK J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(8): 888-905.[7] ACHANTA R, SHAJI A, SMITH K, et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274-2282.[8] MARTIN D, FOWLKES C, TAL D, et al. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics[C]// International Conference on Computer Vision．Vancouver: IEEE, 2001, 2:416-423.[9] LIU M Y, TUZEL O, RAMALINGAM S, et al. Entropy rate superpixel segmentation[C]// Computer Vision and Pattern Recognition．Colorado : IEEE, 2011: 2097-2104.[10] RUBNER Y, TOMASI C, GUIBAS L J. A metric for distributions with applications to image databases[C]// International Conference on Computer Vision． Bombay: IEEE Computer Society, 1998:59.[11] LEVINA E, BICKEL P. The earth mover's distance is the mallows distance: Someinsights from statistics[C]// Eighth IEEE International Conference on Computer Vision． Vancouver: IEEE, 2001, 2: 251-256.[12] BURGHOUTS G J, SMEULDERS A W M, GEUSEBROEK J M. The distribution family of similarity distances[C]// Conference on Neural Information Processing Systems.Vancouver: DBLP, 2009:201-208.[13] YU C P, HUA W Y, SAMARAS D, et al. Modeling clutter perception using parametric proto-object partitioning[C]// International Conference on Neural Information Processing Systems. Lake Tahoe: Curran Associates Inc， 2013:118-126.[14] NELDER J A, MEAD R. A simplex method for function minimization[J]. The Computer Journal, 1965, 7(4): 308-313.[15] LAGARIAS J C, REEDS J A, WRIGHT M H, et al. Convergence properties of the Nelder-Mead simplex method in low dimensions[J]. SIAM Journal on Optimization, 1998, 9(1): 112-147.[16] LUMLEY T, SCOTT A. AIC and BIC for modeling with complex survey data[J]. Journal of Survey Statistics and Methodology, 2015, 3(1): 1-18.[17] XIAO J, HAYS J, EHINGER K A, et al. Sun database: Large-scale scene recognition from abbey to zoo[C]// Computer Vision and Pattern Recognition. San Francisco: IEEE,2010:3485-3492.[18] ESTER M. A density-based algorithm for discovering clusters in large spatial Databases with Noise [C]// International Conference on Knowledge Discovery and Data Mining. Portland: AAAI Press, 1996:226-231.[19] UNNIKRISHNAN R, PANTOFARU C, HEBERT M. Toward objective evaluation of image segmentation algorithms[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, 29(6):929.[20] MEIL M. Comparing clusterings: an axiomatic view[C]//Proceedings of the 22nd International Conference on Machine Learning. Bonn: DBLP, 2005: 577-584.[21] FREIXENET J, X, RABA D, et al. Yet another survey on image segmentation: region and boundary information integration[J]. Lecture Notes in Computer Science, 2002, 2352:21-25.[22] COMANICIU D, MEER P. Mean shift: A robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(5): 603-619.[23] ARBELAEZ P, MAIRE M, FOWLKES C, et al. From contours to regions: An empirical evaluation[C]//Computer Vision and Pattern Recognition. Miami: IEEE, 2009: 2294-2301.[24] LI Z, WU X M, CHANG S F. Segmentation using superpixels: A bipartite graph partitioning approach[C]// Computer Vision and Pattern Recognition. Rhode Island: IEEE, 2012:789-796．。
基于区域分割的自适应MSR方法
基于区域分割的自适应MSR方法
刘茜;李象霖;卢心红
【期刊名称】《计算机工程》
【年(卷),期】2009(35)24
【摘要】提出一种基于区域分割的自适应MSR图像增强方法,通过将图像分割为不同光照区域,对明暗区域边界的光照进行自适应估计,使用区域信息修改滤波器系数来降低光照在不同区域间的扩散,从而达到抑制光晕的目的,并采用改进的MSR 方法提升图像的视觉质量.实验结果和数据分析证明了该方法是有效的.
【总页数】3页(P205-207)
【作者】刘茜;李象霖;卢心红
【作者单位】中国科学院研究生院,北京,100049;中国科学院研究生院,北
京,100049;西南大学计算机与信息科学学院,重庆,400715
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.移动机器人同时定位与构图中的自适应区域分割方法 [J], 黄佳维;石章松;吴中红
2.一种自适应尺度的MSR图像增强方法 [J], 谷曙媚;刘志坚;方厚辉
3.快速形状自适应区域分割方法 [J], 洪波;肖高逾;余松煜
4.一种基于自适应区域分割的地形模型简化方法 [J], 张慧杰;吕英华;刘淑华
5.简化化学反应计算的当地自适应建表方法在PMSR中的应用 [J], 李艺;陈义良;罗雅屏;董刚
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
毕业设计
题目：
基于区域合并的纹理图像分割—MSRM算法的MATLAB实现
摘要
图像分割是图像分析及计算机视觉系统中的重要环节，是图像处理研究中的一个基本难题。
图像分割是由图像处理到图像分析的关键步骤，只有在图像分割的基础上才能对目标进行特征提取、参数测量和识别，使得更高层的图像分析和理解成为可能，图像分割质量的好坏直接影响后续图像处理的效果。
因此，可以说图像分割是图像处理中最为重要的环节。
基于区域的图像分割方法，将图像按内容划分成许多区域。
虽然存在过分割，但是可以通过研究改进算法减少过分割或选择有效的后处理算法得到有用的结果。
例如，在Mean Shift和Watershed这两种图像分割算法中，一方面可以研究各种减少过分割的改进算法。
另一方面，也可以采用有效的预处理，去除噪音，使图像适宜于Watershed或Mean Shift算法分割。
MSRM是基于最大相似度的区域合并算法,该算法简单有效,不需要设定区域合并的阈值,且对单目标和多目标图像都能正确分割。
本设计在提取了图像的颜色特征和纹理特征之后，计算相邻区域的相似度，在人工交互信息的指导下，基于最大相似度准则逐步对初始过分割区域进行合并，分离出图像中的目标和背景。
关键词：MSRM；区域合并；交互式图像分割；算法；纹理图像
Abstract
Image segmentation is the important elements of image analysis and computer vision systems ，and it is a fundamentalproblem in image processing。
Image segmentation is a key step that from image processing to the image analysis。
Only on the basis of image segmentation to object feature extraction, parameter measurement and recognition，which make it possible to analysis and understanding of the higher-level image, and the quality of image segmentation directly affects the effect ofsubsequent image processing. Therefore, we conclude that image segmentation is the most important part of image processing.
Region-based image segmentation method is divided into many regions according to the contents of the image。
Although there is over-segmentation，studing improved algorithm can reduce the over-segmentation or choosing an effective post-processing algorithms are useful results. For example, in both Mean Shiftt and Watershed image segmentation algorithm, One can study a variety of improved algorithm to reduce over-segmentation, On the other hand, effective pretreatment can also be used to remove noise, and make the image suitable for Mean Shiftt and Watershed segmentation algorithm.
MSRM is a algorithm which based on the maximum similarity of the region merging, the proposed algorithm is efficient and effective, it does not require a preset threshold and can successfully extract the single objective and multi-target image from complex scenes . In this design, calculate the similarity of adjacent regions afte the extration of image color features and texture features, under the guidance of interaction information ,a maximal similarity based region merging mechanism was proposed to gradually merged the initial over-segmentation of regions. Then separated the target and background from image.
Keywords:MSRM; Region merging; Interactive Image Segmentation; Algorithm;
Texture image。