基于图的快速图像分割算法
.. . …
. word. … Efficient graph-based image segmentation
2.相关工作
G=(V,E)，每个节点Viv对应图像中一个像素点，E是连接相邻节点的边，每个边有对应有一个权重，这个权重与像素点的特性相关。
最后，我们将提出一类基于图的查找最小割的分割方法。这个最小割准则是最小化那些被分开像素之间的相似度。【18】原文中叫Component,实质上是一个MST,单独的一个像素点也可以看成一个区域。
预备知识：
图是由顶点集（vertices）和边集（edges）组成，表示为，顶点，在本文中即为单个的像素点，连接一对顶点的边具有权重，本文中的意义为顶点之间的不相似度，所用的是无向图。
树：特殊的图，图中任意两个顶点，都有路径相连接，但是没有回路。如上图中加粗的边所连接而成的图。如果看成一团乱连的珠子，只保留树中的珠子和连线，那么随便选个珠子，都能把这棵树中所有的珠子都提起来。如果，i和h这条边也保留下来，那么h,I,c,f,g就构成了一个回路。 .. . …
. word. … 最小生成树（MST, minimum spanning tree）：特殊的树，给定需要连接的顶点，选择边权之和最小的树。上图即是一棵MST。
本文中，初始化时每一个像素点都是一个顶点，然后逐渐合并得到一个区域，确切地说是连接这个区域中的像素点的一个MST。如图，棕色圆圈为顶点，线段为边，合并棕色顶点所生成的MST，对应的就是一个分割区域。分割后的结果其实就是森林。
边的权值：
对于孤立的两个像素点，所不同的是颜色，自然就用颜色的距离来衡量两点的相似性，本文中是使用RGB的距离，即
3 图割
3.1 我们定义D，衡量分割区域之间是否有明显边界。D是通过测量沿着两个区域边界元素的不相似度对比测量两个区域部各自部元素之间不相似度。
我们用C表示一个部分的在差异，是该区域最小生成树上的最大权值。
我们定义两个区域间的不同是两个区域连接边的最小权值，
如果C1，C2之间不想连，则Dif(C1,C2)=无穷大， .. . …
. word. … 使用下面的阈值函数来控制两个区域之间的差异性必须大于最小在差异，我们定义如下函数：
其中MInt是：
阈值函数控制着两个区域之间的差异性必须大于他们在差异性，以便它们之间有明显的边界（D为true）。对于小的区域，Int(C)是对局部数据的特性的一个好的估计。在一些极端情况下，如果|C|=1，Int(C)=0。因此我们的阈值函数为
||/)(CkC
这里的|C|是C的大小，K是某个特定常量参数。对于小的区域我们需要明显的边界。实际上k设置为一系列值.
说明：
当二者都是孤立的像素值时，，所有像素都是"零容忍"只有像素值完全一样才能合并，自然会导致过分割。所以刚开始的时候，应该给每个像素点设定一个可以容忍的围，当生长到一定程度时，就应该去掉该初始容忍值的作用。原文条件如下
增加项:
||/)(CkC .. . …
. word. … 其中为区域所包含的像素点的个数，如此，随着区域逐渐扩大，这一项的作用就越来越小，最后几乎可以忽略不计。那么就是一个可以控制所形成的的区域的大小，如果，那么，几乎每个像素都成为了一个独立的区域，如果，显然整图片都会聚成一块。所以，越大，分割后的图片也就越大
4算法和它的特性
定义1 分得太细。
定义2 分得太粗
特性1
相近的算法【6】
算法1 分割算法
输入：图 ),(EVG，有n个顶点和M条边。
输出：对V的分割为 ),......,(1rCCS
0. 首先将边E按照权重大小由小到大排列为)...,(,1moo；
1. 开始一个分割0S，每一个顶点iv是它自己的区域；
2. 重复步骤3，q=1,....,m
3. 按照如下方法，通过1-qS构建qS：按顺序，iv和jv表示第q次相连的两个顶点，比如，),(oqjivv。如果iv和jv在1-qS的不相交的两个区域中，并且)(wqo是较小的相对于这些区域的在差异性，那么合并这两个区域除非什么也不做。1qiC包含iv成为1-qS的一部分，让1qjC包含jv成为一部分（let Ci q−1 be the .. . …
. word. … component of Sq−1 containing vi and Cj q−1 the component
containing vj）。如果),()(1111iqjqiqqjqCCMIntowandCC，将1qiC和1qjC合并到1-qS中成为qS。否则qS=1-qS
4. 返回 mSS
算法分析：具有全局特性，既不会分得太细也不会分得太粗。该算法是贪心决策
引理1 上述算法中的步骤3，如果iv和jv没有合并，那么1qiC和1qjC中至少有一个最后会在分类的区域中。证明见paper
4.1 实施问题和运行时间
实施主要是包括并查集结合排序和路径压缩（a disjoint-set forest with
union by rank and path compression），参考《算法导论》（Introduction to
Algorithms. The MIT Press（麻省理工）, McGraw-Hill Book Company,
1990.）。运行时间分为两个部分：1.按照从小到大给权值排序。整数权重使用计数排序（counting sort）可在线性时间完成。
/dm_vincent/article/details/7655764
.cnblogs./TonyNeal/p/bingchaji.html
/structure/union-find-set/
.mamicode./info-detail-610308.html
说明：并查集+排序+路径压缩 .. . …
. word. …
动态联通性
假设我们输入了一组整数对，即上图中的(4, 3) (3, 8)等等，每对整数代表这两个points/sites是连通的。那么随着数据的不断输入，整个图的连通性也会发生变化，从上图中可以很清晰的发现这一点。同时，对于已经处于连通状态的points/sites，直接忽略，比如上图中的(8, 9)。
在对问题进行建模的时候，我们应该尽量想清楚需要解决的问题是什么。因为模型中选择的数据结构和算法显然会根据问题的不同而不同，就动态连通性这个场景而言，我们需要解决的问题可能是：
给出两个节点，判断它们是否连通，如果连通，不需要给出具体的路径
给出两个节点，判断它们是否连通，如果连通，需要给出具体的路径
建模思路： .. . …
. word. … 最简单而直观的假设是，对于连通的所有节点，我们可以认为它们属于一个组，因此不连通的节点必然就属于不同的组。随着Pair的输入，我们需要首先判断输入的两个节点是否连通。如何判断呢？按照上面的假设，我们可以通过判断它们属于的组，然后看看这两个组是否相同，如果相同，那么这两个节点连通，反之不连通。为简单起见，我们将所有的节点以整数表示，即对N个节点使用0到N-1的整数表示。而在处理输入的Pair之前，每个节点必然都是孤立的，即他们分属于不同的组，可以使用数组来表示这一层关系，数组的index是节点的整数表示，而相应的值就是该节点的组号了。
puffsun.iteye./blog/1294547
说明：计数排序（counting sort）
计数排序假设n个输入元素中的每一个都是介于0-k的整数，此处k为某个整数。计数排序顾名思义离不开计数，我们要计的是输入元素中相同元素出现的次数。对每一个输入元素x，确定小于x的元素的个数，那样排序之后，x在最终输出数组中的位置就可以确定了。例如：如果有17个元素小于x，则x就位于第18个输出的位置上。当然有几个元素相同时，这个方法就略微改进一下，因为不能将它们放在同一个位置上。
为了检查两个顶点是否属于同一个区域，我们对每个顶点使用set-find，为了合并两个区域，我们使用set-union。因此每条边最多有3个disjoint-set操作。如果我们知道每个区域的大小和Int。那么MInt可以在特定时间计算出来。在一个区域的MST中，最大权值的边引起合并。
基于图论Gomory-Hu算法的SAR图像多尺度分割
第２９卷第３期 ２００８年５月 字 航 学 报
Ｊｏｕｒｎａｌ ｏｆ Ａｓｔｒｏｎａｕｔｉｃｓ Ｖｏ１．２９ Ｎｏ．３ Ｍａｙ ２００８
基于图论Ｇｏｍｏｒｙ．Ｈｕ算法的ＳＡＲ图像多尺度分割
刘丙涛 ，田 铮 ，李小斌 ，周强锋
（１．西北工业大学应用数学系，西安７１００７２；２．遥感科学国家重点实验室中国科学院遥感应用研究所，北京１００１０１）
摘 要：由于ＳＡＲ图像含有斑点噪声，很难有效的分割出精确的结果，为此提出一种新的基于图论的ＳＡＲ图
像分割方法，证明了算法具有最优解，分析了算法的复杂度，验证了算法具有实时性。该算法通过构造多尺度结构
快速找到收缩图以及初始图的子图集合，然后对其分别应用Ｇｏｍｏｒｙ．Ｈｕ算法得到对应的等价树，最后根据规则得到
初始图的等价树，按照割值由小到大依次去边后，可得到对原图的最优划分，映射回图像则可得分割结果。实验结
果说明了算法的有效性和实时性。
关键词：图像分割；Ｇｏｍｏｒｙ．Ｈｕ算法；多尺度；图论
中图分类号：ＴＰ３９１ 文献标识码：Ａ 文章编号：１０００．１３２８（２００８）０３．１００２．０６
０引言
合成孔径雷达图像（ＳＡＲ）具有高分辨率、全天
候、强透射等优点，对ＳＡＲ图像分割方法的研究一
直是研究的热点。由于ＳＡＲ图像存在固有的相干
斑噪声，给图像分割带来很大的困难。针对此问题，
一般是采取滤波后再分割。滤波方法固然能够降低
噪声的影响，但是滤波的同时也会损坏图像中的结
构信息，使边缘模糊，造成误分割…。对于不经过滤
波直接分割的方法，通常是利用ＳＡＲ图像的某些特
征，如灰度信息和数据结构信息等，在分割过程中抑
制斑点噪声，典型的方法有谱聚类方法Ｌ２ ，多分辨似
然比方法 等。
目前，图像分割的方法有很多，基于图论知识的
分割方法与数据结构有着密切的关系，具有较好的
几何结构，能够很好的把握图像的全局特征。所以
用图论的方法来处理ＳＡＲ图像能够充分考虑ＳＡＲ
一种基于模糊聚类的快速图像分割算法
第３９卷第２期 ２００７年４月 西 安 建 筑 科技 大 学 学 报（自然科学版）
Ｊ．Ｘｉ’ａｎ Ｕｎｉｖ．ｏｆ Ａｒｃｈ．＆Ｔｅｃｈ．（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） Ｖｏ１．３９ Ｎｏ．２ Ａｐｒ．２００７
一种基于模糊聚类的快速图像分割算法
杨润玲 ，高新波 ，介 军
（１．西安建筑科技大学信控学院，陕西西安７１００５５；２．西安电子科技大学电子工程学院，陕西西安７１００７１）
摘要：提出一种基于二维直方图加权的模糊Ｃ均值图像快速分割算法．通过将原图像和它的平滑图像相结
合，构造一个二元组的“广义图像”，广义图像的直方图就是原图像的二维直方图．然后对此二维直方图进行塔
形分解得到金字塔的上一层——顶层，相应地称原二维直方图为底层．最后，利用加权模糊Ｃ均值聚类算法分
别对顶层和底层进行模糊聚类，从而实现对原图像的分割．实验结果与性能分析表明，该算法具有较高的分割
速度和良好的抑制噪声的能力．
关键词：图像分割；加权模糊Ｃ均值聚类算法；塔形结构；二维直方图
中图分类号：ＴＰ３９１．４１ 文献标识码：Ａ 文章编号：１００６—７９３０（２００７）０２—０２８０—０６
图像分割是模式识别和计算机视觉中的经典研究课题．它利用不同的图像特征将原图分成各自独
立的区域，从而抽取出感兴趣的目标．因此，图像分割方法的正确性和自适应性在一定程度上影响着目
标检测和识别的智能化程度，其分割速度影响着实用性．
在众多的图像分割方法中，模糊Ｃ均值（ＦＣＭ：Ｆｕｚｚｙ ｃ—Ｍｅａｎｓ）聚类算法可解决灰度图像中存在的
模糊、不确定性问题．该方法是由Ｄｕｎｎ提出，经过Ｂｅｚｄｅｋ的推广后¨］，获得了十分广泛的应用．但在对
大数据样本集聚类时，该算法极为耗时，而且对于低信噪比的图像的分割结果很不理想．针对其不足 国
内外已有很多学者提出了许多快速ＦＣＭ聚类算法 ］，或者融合其它新方法来提高图像分割性能，比
一种基于HLS的快速图像分割算法
………………………． 婴察－（（（（－Ｊ 一种基于Ｈ Ｌ Ｓ的快速图像分割算法 济南外国语学校王福利 济南职业学院郭 贤 【摘要】本文提出了一种新的基￣：ＨＬＳ的快速图像分割算法。通过分析ＨＬＳ颜色空间特性，提出一种新的图像相似性的定义方法，可以快速选择出相似的颜色区 域。在图像的预分割过程中起到了快速定位的作用。与基于ＭＥＡＮＳＨＩＦＴ￣／图像分割算法，分水岭算法对比，通过实验结果表明，本论文提出的分割算法具有快速 的，良好的的特性。 【关键词】预分割；图像分割；ＨＬＳ颜色空间 １．分割的意义与现状 图像分割是计算机图像处理与机 器视觉研究领域中的基本问题之一。 随着计算机硬件和计算机理论的不断 取得突破进展，数字图像处理技术和 计算机视觉技术得到了广泛的应用。 在对图像进行研究和应用中，前景提 取或前景分割是一个重要的研究组成 部分。在应用的过程中，往往只对图 像中某些部分某些区域感兴趣，这些 部分通常称之为前景。前景是图像中 特定的，具有某些特性的区域，或者 说是具有更高层次语义的区域。例如 人，桌子等等自然物体，也可能是人 身体的一部分，如头发，脸等等。为 了进一步的研究分析，需要把前景区 域单独提取出来，作为下一步的算法 的输入。所以说图像分割算法是指将 某些特定区域从背景中分割出来的算 法。图像分割是数字图像处理与计算 机视觉研究领域中的基本问题之一， 也是热点之一。 在每一次交互式的过程中，我们 并不需要对整幅图像进行处理，只需 要对交互处周围的像素点进行分析即 可。这样不仅仅是因为处理的像素点 减少，从而可以节省大量的处理时 间，同时在处理过程中，可以去掉不 相似点的干扰，在处理速度上，在收 敛性上，也可以节省大量的时间。所 以如果能明确处理的区域，可以提高 处理速度，从而保证算法的实时性。 如果定义一个固定的矩形或者圆 形等形状的话，对于不同的物体显然 具有不同的效果。如果物体比所定义 的矩形框大，则不能一次性的分割出 相邻的区域。如果物体比所定义的矩 形框小很多的时候，不仅仅是处理速 度上变慢，分割效果会降低。所以使 用简单的分割算法进行粗定位，确定 下一步的处理范围，对整个交互式过 程来说是一个非常重要的步骤。 在过去二十多年中，人们对前景 图像提取问题做了大量的研究。最简 单的方法是，能过选取满足用户指定 图像的颜色值的所有像素来提取前 景。Ｐｈｏｔｏｓｈｏｐ的智能剪刀和魔杖工 具就是采用了这种方法。但是这种方 法需要大量的用户交互，使用起来极 其不方便。 近十年来，研究者提出了很多精 确提取前景区域的系统，同时使用户 的交互尽可能少。比如智能画布…和 基于对象的图像编辑系统 等，通过 将图像分割成区域，然后用户选取一 些区域产生最后的前景对象的方法。 Ｇｒａｂ ｃｕｔ系统 与Ｌａｚｙ Ｓｎａｐｐｉｎｇ 算法也是一种基于Ｇｒａｐｈ ｃｕｔ的交互 式图像分割方法。Ｌａｚｙ Ｓｎａｐｐｉｎｇ算 法的基本思想是使用用户标出的所有
基于局部自适应先验MRF模型的快速BP图像分割算法
第３１卷第４期 ２０１４年４月 计算机应用研究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｖｏｌ＿３ｌ Ｎｏ．４ Ａｐｒ．２０１４
基于局部自适应先验Ｍ ＲＦ模型的
快速ＢＰ图像分割算法水
刘光辉，任庆昌，孟月波
（西安建筑科技大学信息与控制工程学院，西安７１００５５）
摘要：针对常规ＭＲＦ分割模型不能有效描述图像的局部特征、常导致图像的过分割现象，提出了一种局部自适
应先验的ＭＲＦ模型。该模型利用图像的邻接区域信息建立了一种局部自适应特征ＭＲＦ模型。基于提出的模型，
建立了一种具有快速收敛策略的区域ＢＰ算法对ＭＲＦ模型的区域消息进行传递，有效解决了区域ＢＰ算法的计算
量大的问题。实验结果表明，与常规区域ＢＰ算法相比，提出的分割方法具有更快的分割速度和精度。
关键词：自适应局部先验；ＭＲＦ模型；置信度传播算法；快速收敛策略
中图分类号：ＴＰ３９１ 文献标志码：Ａ 文章编号：１００１．３６９５（２０１４）０４．１２３２—０４
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－３６９５．２０１４．０４．０６６
Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ ｂａｓｅｄ ｏｎ ｆａｓｔ ＢＰ ａｌｇｏｒｉｔｈｍ ｏｖｅｒ ｌｏｃａｌ ａｄａｐｔｉｖｅ ｐｒｉｏｒ ＭＲＦ ｍｏｄｅｌ
ＬＩＵ Ｇｕａｎｇ－ｈｕｉ，ＲＥＮ Ｑｉｎｇ－ｃｈａｎｇ，ＭＥＮＧ Ｙｕｅ—ｂｏ （Ｓｃｈｏｏｌ ｏｆＩｎｆｏｒｍａｔｉｏｎ＆Ｃｏｎｔｒｏｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｘｉ’ａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＡｒｃｈｉｔｅｃｔｕｒｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｘｉ’ａｎ ７１００５５，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｃｏｎｖｅｎｔｉｏｎａｌ Ｍａｒｋｏｖ ｒａｎｄｏｍ ｆｉｅｌｄ（ＭＲＦ）ｉｓ ｉｎｅｆｆｉｃｉｅｎｔ ｔｏ ｐｒｅｓｅｎｔ ｔｈｅ ｌｏｃａｌ ｆｅａｔｕｒｅｓ ｏｆ ｉｍａｇｅｓ，ｗｈｉｃｈ ｏｆｔｅｎ ｌｅａｄ ｔｏ ｏｖｅｒ—ｓｅｇｍｅｎｔ ｒｅｓｕｈｓ ｏｆ ｉｍａｇｅｓ．Ｔｏ ｓｏｌｖｅ ｔｈｉｓ ｐｒｏｂｌｅｍ，ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａｎ ａｄａｐｔｉｖｅ ｌｏｃａｌ ｐｒｉｏｒ ＭＲＦ ｍｏｄｅ１．Ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｏｄｅｌ ｕｔｉｌｉｚｅｄ ａｄｊａｃｅｎｔ ｒｅｇｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｔｏ ｂｕｉｌｄ ａ ａｄａｐｔｉｖｅ ｌｏｃａｌ ｆｅａｔｕｒｅ ＭＲＦ ｍｏｄｅ１．Ｔｈｅｎ ｉｔ ｐｒｏｐｏｓｅｄ ｌｏｃａｌ ｒｅｇｉｏｎ ｂｅｌｉｅｆ ｐｒｏｐａ— ｇａｔｉｏｎ（ＢＰ）ａｌｇｏｒｉｔｈｍ ｔｏ ｐａｓｓ ｌｏｃａｌ ｒｅｇｉｏｎ ｍｅｓｓａｇｅｓ ｏｖｅｒ ｔｈｅ ｐｒｏｐｏｓｅｄ ＭＲＦ ｍｏｄｅ１．Ｆｕｒｔｈｅｒｍｏｒｅ，ｉｔ ｐｒｏｐｏｓｅｄ ａ ｆａｓｔ ｃｏｎｖｅｒｇｅｎｃｅ ｓｔｒａｔｅｇｙ ｔｏ ｓｏｌｖｅ ｔｈｅ ｌａｒｇｅ－ｓｃａｌｅ ｃｏｍｐｕｔｉｎｇ ｏｆ ｒｅｇｉｏｎ ＢＰ ａｌｇｏｒｉｔｈｍ．Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｃｏｎｖｅｎｔｉｏｎａｌ ｒｅｇｉｏｎ ＢＰ ａｌｇｏｒｉｔｈｍ，ｔｈｅ ｅｘｐｅｒｉ— ｍｅｎｔｓ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ，ｔｈｅ ｐｒｏｐｏｓｅｄ ａｐｐｒｏａｃｈ ｃａｎ ｏｂｔａｉｎ ｍｏｒｅ ａｃｃｕｒａｔｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｒｅｓｕｌｔｓ ａｎｄ ａｌｓｏ ｍｏｒｅ ｓｐｅｅｄ． Ｋｅｙ ｗｏｒｄｓ：ａｄａｐｔｉｖｅ ｌｏｃａｌ ｐｒｉｏｒ；ＭＲＦ ｍｏｄｅｌ；ｂｅｌｉｅｆ ｐｒｏｐａｇａｔｉｏｎ ａｌｇｏｒｉｔｈｍ；ｆａｓｔ ｃｏｎｖｅｒｇｅｎｃｅ ｓｔｒａｔｅｇｙ
基于机器学习的肺部CT图像的分割和分类
基于机器学习的肺部CT图像的分割和分类
肺部是人体呼吸系统的重要器官之一，与人类健康密切相关。肺部疾病对人类健康的影响非常大，因此如何更好地对肺部进行诊断和治疗，成为当前医疗领域急需解决的问题之一。随着计算机技术的不断发展，基于机器学习的肺部CT图像的分割和分类已经成为目前肺部疾病诊断和治疗中不可或缺的一部分。
一、肺部CT图像的分割
肺部图像的分割是指将输入的肺部CT图像划分为具有不同标签的不同区域，常见方法是使用区域生长算法和基于图的分割算法。区域生长算法通过设置生长准则和生长起点等初始参数，逐渐将某一种特定的像素连成一个区域。基于图的分割算法则是通过构建由像素和边缘构成的图，将认为相似的像素归为一个区域。
二、肺部CT图像的分类
肺部CT图像的分类则是指根据不同的特征对图像进行分类和判别，进而实现肺部疾病的诊断。通常情况下，肺部CT图像分类主要分为两大类，即基于特征的分类和基于深度学习的分类。
基于特征的肺部CT图像分类是通过先手工提取不同的特征，再通过机器学习模型进行分类，特征提取常用的方法包括小波变换、Gabor滤波、灰度共生矩阵等。基于深度学习的肺部CT图像分类则是通过深度卷积神经网络（CNN）等模型，自动学习肺部CT图像中的特征，提高分类的准确性。
三、机器学习在肺部CT图像分割和分类中的应用
随着机器学习技术的不断发展，肺部CT图像分割和分类的准确率也被大幅提高。基于区域生长算法和基于图的分割算法都可以通过机器学习模型进行优化。例如，可以通过深度学习模型对不同阈值下的分割结果进行综合分析，从而选择最优的分割结果。 在肺部CT图像分类中，机器学习模型所带来的帮助更为明显。通过大量的肺部CT图像数据的训练，机器学习模型可以自动地学习到肺部CT图像中不同疾病的特征，从而对肺部疾病进行快速、准确的分类和诊断。例如，可以通过训练深度卷积神经网络，自动学习肺部CT图像中的病变特征，并将不同疾病分类，取得很好的效果。
基于VGG19的图像分割算法研究与优化
基于VGG19的图像分割算法研究与优化
图像分割算法是计算机视觉领域中的一项重要任务，它可以将一张图片分成多个区域，每个区域代表图片中的一个物体或者背景。在深度学习技术广泛应用的今天，基于VGG19的图像分割算法已经成为了研究的热点之一。本文就基于这一算法进行研究和优化，以期提高图像分割的效果。
一、VGG19算法介绍
VGG19算法是一种深度卷积神经网络算法，是2014年由K.
Simonyan和A. Zisserman提出的。该算法是基于VGG16算法进行扩展，拥有更深的神经网络结构，包含了19层卷积层和全连接层。与其他算法相比，VGG19算法在图像识别和分类中具有很高的准确率，因此常常被想用于图像分割任务。
二、VGG19在图像分割中的应用
VGG19算法在图像分割中的应用主要分为两类： 像素级分割和区域级分割。像素级分割可以将图像中的每一个像素都归类到不同的物体或者背景区域，要求准确率非常高，因此需要比较复杂的神经网络。而区域级分割主要是将图像分成几块不同区域，每个区域代表同一个物体或者背景。
三、研究与优化 为了进一步提高VGG19算法在图像分割中的效果，我们尝试对其进行研究和优化。
1、改良网络结构
当前的VGG19算法虽然已经拥有了19层卷积神经网络结构，但仍会在处理大尺寸图像时出现计算量过大、运行速度过慢的问题。因此，我们尝试着对其网络结构进行改良。
首先，我们可以考虑使用更小的滤波器，以减少神经网络的参数量。其次，我们可以通过添加一些附加层，如池化层或者卷积层，来增强网络的特征提取能力。最后，我们还可以使用一些更加高效的卷积方式，例如深度可分离卷积，以大幅度减少算法的计算量。
2、引入注意力机制
注意力机制是一种类似于生物视觉的机制，可以使神经网络对图像中某些特征的感知程度更高。使用注意力机制可以提高VGG19算法的准确率和鲁棒性。
目前，较为常见的注意力机制包括SENet、CBAM、Squeeze-and-Excitation、Non-local等。这些机制可以针对不同的应用场景进行选择和修改，以达到最佳的效果。
基于快速mean-shift聚类与标记分水岭的图像分割方法
第３２卷第８期 ２０１５年８月 计算机应用与软件 Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｓｏｆｔｗａｒｅ ＶｏｌＩ ３２ Ｎｏ．８ Ａｕｇ．２０１５
基于快速ｍｅａｎ－ｓｈｉｆｔ聚类与标记分水岭的图像分割方法 邰滢滢吴彦海 张利 （辽宁大学信息学院辽宁沈阳１１００３６） 摘要 针对传统分水岭变换算法在图像分割过程中容易产生过分割问题，提出基于快速ｍｅａｎ—ｓｈｉｆｔ聚类和标记分水岭变换的 图像分割算法。首先利用快速ｍｅａｎ—ｓｈｉｆｔ聚类算法对原始图像进行预处理，确定分割区域和聚类数目；利用ｓｏｂｅｌ算子进行梯度处 理；对处理后的图像做形态学运算，并给每个集水盆分配不同的标记，按升序访问每个像素点，依次浸没到集水盆中，完成图像分割。 实验结果表明，该方法可以有效分割医学影像，并解决了分水岭变换引起的过分割问题。 关键词 分水岭变换 图像分割 快速ｍｅａｎ—ｓｈｉｆｔ聚类 中图分类号ＴＰ３９１ 文献标识码Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００．３８６ｘ．２０１５．０８．０４３ ＩＭＡＧＥ ＳＥＧＭＥＮＴＡＴＩｏＮ ＭＥＴＨｏＤ ＢＡＳＥＤ ｏＮ ＦＡＳＴ ＭＥＡＮ．Ｓ肼Ｔ ＣＬＵＳＴＥＲＩＮＧ ＡＮＤ ＭＡＲＫＩＮＧ ＷＡＴＥＲＳＨＥＤ Ｔａｉ Ｙｉｎｇｙｉｎｇ Ｗｕ Ｙａｎｈａｉ Ｚｈａｎｇ Ｌｉ （Ｓｃｈｏｏｌ ｏｆＩｎｆｏｒｍａｔｉｏｎ，Ｌｉａｏｎｉｎｇ ｚ ，Ｓｈｅｎｙａｎｇ １１００３６，Ｌｉａｏｎｉｎｇ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｆｏｒ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｔｒａｄｉｔｉｏｎａｌ ｗａｔｅｒｓｈｅｄ ｓａｎｓｆｏｒｍａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｔｈａｔ ｉｔ ｉｓ ｐｒｏｎｅ ｔｏ ｏｖｅｒｓｅｇｒｎｅｎｔａｔｉｏｎ ｉｎ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｐｒｏｃｅｓｓ，ｗｅ ｐｒｏｐｏｓｅ ａｌｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｗｈｉｃｈ ｉｓ ｂａｓｅｄ ｏｎ ｆａｓｔ ｍｅａｎ・ｓｈｉｆｔ ｃｌｕｓｔｅｒｉｎｇ ａｎｄ ｍａｒｋｉｎｇ ｗａｔｅｒｓｈｅｄ ｔｒａｎｓｆｏｒｍａｔｉｏｎ． Ｆｉｒｓｔ，ｉｔ ｕｓｅｓ ｆａｓｔ ｍｅａｎ—ｓｈｉｈ ｃｌｕｓｔｅｒｉｎｇ ｔｏ ｐｒｅ—ｐｒｏｃｅｓｓ ｔｈｅ ｏｒｉｇｉｎａｌ ｉｍａｇｅ ａｎｄ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｓｅｇｍｅｎｔａｔｉｏｎ ａｒｅａｓ ａｎｄ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｃｌｕｓｔｅｒｓ； ｔｈｅｎ ｉｔ ｅｍｐｌｏｙｓ ｓｏｂｅｌ ｏｐｅｒａｔｏｒ ｔｏ ｃａｌＴｙ ｏｕｔ ｇｒａｄｉｅｎｔ ｐｒｏｃｅｓｓｉｎｇ ｆｏｌｌｏｗｅｄ ｂｙ ｍｏｒｐｈｏｌｏｇｉｃａｌ ｏｐｅｒａｔｉｏｎ ｏｎ ｔｈｅ ｐｒｏｃｅｓｓｅｄ ｉｍａｇｅ，ｉｔ ａｌｓｏ ｄｉｓｔｒｉｂｕｔｅｓ ｄｉｆｅｒｅｎｔ ｍａｒｋｓ ｔｏ ｅａｃｈ ｗａｔｅｒ ｂａｓｉｎ，ａｎｄ ａｃｃｅｓｓｅｓ ｅｖｅｒｙ ｐｉｘｅｌ ｉｎ ａｓｃｅｎｄｉｎｇ ｏｒｄｅｒ，ａｎｄ ｆｉｎａｌｌｙ ｉｍｍｅｒｓｅｓ ｔｈｅｍ ｉｎｔｏ ｗａｔｅｒ ｂａｓｉｎ ｉｎ ｔｕｒｎ ｔｏ ｃｏｍ— ｐｌｅｔｅ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｃｏｕｌｄ ｅｆｆｅｃｔｉｖｅｌｙ ｓｅｇｍｅｎｔ ｍｅｄｉｃａｌ ｉｍａｇｅｓ，ａｎｄ ｃｏｕｌｄ ａｌｓｏ ｏｖｅｒｃｏｍｅ ｔｈｅ ｏｖｅｒｓｅｇｍｅｎｔａｔｉ０ｎ ｉｓｓｕｅ ｉｎｃｕｒｒｅｄ ｂｙ ｗａｔｅｒｓｈｅｄ ｔｒａｎｓｆｎｒｍａｔｉｏｎ． Ｋｅｙｗｏｒｄｓ Ｗａｔｅｒｓｈｅｄ ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ Ｆａｓｔ ｍｅａｎ—ｓｈｉｆｔ ｃｌｕｓｔｅｒｉｎｇ ０ 引 言 医学图像能够提供高分辨率数据，医生能够从信号强度上 观察到软组织及病变体在解剖学上的大小和形状，并能对软组 织损伤及病变定位。但是由于医学图像普遍具有模糊和不均匀 性，而且组织复杂，使得对医学图像的分析和处理成为一项复杂 而艰难的工作。分割是图像处理在医学领域中的重要应用，它 使得分离目标、提取特征和更高层的分析和理解成为可能。 目前比较有代表性的分割方法有，１９９１年Ｌｕｃ Ｖｉｎｃｅｎｔ等人 提出的分水岭分割算法…，用洪水淹没的方式模拟图像分割的 过程，也就是当前普遍应用的分水岭模型，它具有快速、准确的 优点，但是这个模型很容易造成过分割，以至很多学者不断在尝 试改进的方法，如张红民等提出过以形态学方法对分水岭算法 进行改进 Ｊ，胡敏等提出了基于形态学Ｈ－ｍｉｎｉｍａ的方法对图像 进行标记再利用分水岭分割 ；另外，基于聚类的分割方法，如 李晓冰提出基于自适应模糊加权指数的ＦＣＭ图像分割的方 法 Ｊ，根据加权指数对不同模糊聚类过程的作用程度，改进加 权指数，使得代价函数最小，邱存勇 提出的区间二型ＦＣＭ算 法，着重解决了模糊Ｃ均值聚类算法在图像分割中的不确定性 问题；还有基于统计的方法，如Ｃｒｅｍｅｒｓ【６ 等，首先对图像进行统 计，确定一套代价函数，这些函数限制了形状先验在图像中的作 用区域，胡小丹 则提出利用噪声建立高斯统计模型，采用最 大最小值方法对图像进行分割等等。但是现有任何一种单独的 图像分割算法都难以对一般医学图像取得比较满意的效果，一 般而言，多种方法相结合，互相取长补短，是一个有效途径。 分水岭分割方法是一种基于拓扑理论的数学形态学分割方 法，具有能够快速精确定位图像边缘、提取对象封闭连续轮廓的 优点，缺点是对噪声敏感，容易产生过度分割的现象。为了保证 图像分割的真实性，防止分割失真，本文采用陈洁等提出的形态 学标记方法 Ｊ，结合快速ｍｅａｎ．ｓｈｉｆｔ＿９ 聚类算法对医学图像进行 分割。该方法在分水岭变换前，对原始图像利用快速ｍｅａｎ・ｓｈｉｆｔ 算法进行预处理，初步确定聚类数目和区域，减少图像本身的噪 声和纹理细节，从根源上减少过分割区域；然后利用标记分水岭 算法对图像进行分割。实验结果证明本算法具有一定的有 效性。 收稿日期：２０１３—１１—２６。辽宁省教育厅高校科研项目（２００９Ａ３０１）； 国家自然科学基金项目（６１１７４１１５）。邰滢滢，副教授，主研领域：图形图 像处理。吴彦海，硕士生。张利，教授。
图像处理中的图像分割算法的准确性与效率比较
图像处理中的图像分割算法的准确性与效率比较
图像分割是图像处理领域中的重要任务之一，它的目标是将图像中的不同区域划分开来，以便进一步进行图像分析、目标识别、图像重建等操作。图像分割算法的准确性和效率是评估一个算法性能的重要指标。本文将对几种常见的图像分割算法进行准确性和效率的比较。
一、基于阈值的图像分割算法
基于阈值的图像分割算法是最简单和常用的一种方法。它根据像素灰度值与设定的阈值进行比较，将图像分成两个或多个区域。这种方法的准确性和效率都相对较低。当图像具有类似灰度的不同物体时，阈值选择变得困难，并且难以处理复杂的图像背景。
二、基于区域的图像分割算法
基于区域的图像分割算法是将具有相似特征的像素划分到同一个区域的方法。常用的算法有区域生长、分水岭算法等。这种方法通常从种子点开始，根据像素之间的相似性逐步扩展区域。区域生长算法在处理较小的目标时准确性较高，但在处理大型目标时可能会出现过分合并的情况。分水岭算法通过模拟水流从最低处开始填充，直到达到分水岭为止。该算法能够处理复杂的图像背景，但在处理具有重叠目标时准确性较低。
三、基于边缘的图像分割算法
基于边缘的图像分割算法通过检测物体边缘将图像分割成不同的区域。常见的算法有Canny边缘检测、Sobel算子等。边缘检测算法能够准确地检测物体边界，但在处理噪声较多的图像时效果较差。
四、基于聚类的图像分割算法
基于聚类的图像分割算法是将图像像素划分为多个类别的方法。常见的算法有K-means聚类算法、Mean-Shift算法等。这种方法可以根据像素之间的相似性将图像分割成不同的区域，准确性较高。然而，聚类算法的计算复杂度较高，处理大尺寸图像时可能效率较低。
五、基于深度学习的图像分割算法
近年来，基于深度学习的图像分割算法取得了显著的进展。使用卷积神经网络（CNN）等技术，可以对图像进行端到端的像素级别分割。这种方法的准确性相对较高，并且能够处理复杂的图像场景。然而，这种方法在计算复杂度和计算资源消耗方面较高，需要较大的训练集和计算设备支持。
基于0-1规划的快速图像阈值分割算法
Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄＡｐｐｌｉｃａｔｉｏｎｓ￣＇ｌ＂算机工程与应用 基于０．１规划的快速图像阈值分割算法 陈露晨 ＣＨＥＮ Ｌｕｃｈｅｎ 南方医科大学生物医学工程学院，广州５１０５１５ Ｓｃｈｏｏｌ ｏｆ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｏｕｔｈｅｍ Ｍｅｄｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｇｕａｎｇｚｈｏｕ ５ １ ０５ １ ５，Ｃｈｉｎａ ＣＨＥＮ Ｌｕｃｈｅｎ．Ｆａｓｔ ｔｈｒｅｓｈｏｌｄｉｎｇ ｆｏｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｂａｓｅｄ ｏｎ ０－１ ｐｒｏｇｒａｍｍｉｎｇ．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１２，４８（１０）：１９７－１９９． Ａｂｓｔｒａｃｔ：Ｔｈｅ ｔｈｒｅｓｈｏｌｄｉｎｇ ｆｏｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｉＳ ａｎ ｉｍｐｏ￣ａｎｔ ａｎｄ ｗｅｌｌ—ｅｓｔａｂｌｉｓｈｅｄ ｍｅｔｈｏｄ ｔｈａｔ ｈａｓ ｂｅｅｎ ｗｉｄｅ— ｌｙ ａｐｐｌｉｅｄ ｔｏ ｔｈｉｓ ｐｒｏｂｌｅｍ．Ｃｏｎｖｅｎｔｉｏｎａｌ Ｏｔｓｕ ａｌｇｏｒｉｔｈｍ ｉｓ ｈｏｗｅｖｅｒ，ｃｏｍｐｕｔａｔｉｏｎａｌ ｓｕｆｆｅｒｉｎｇ ｆｏｒ ｕｓｉｎｇ ｔｈｅ ｅｘｈａｕｓ— ｔｉｖｅ ｓｅａｒｃｈｉｎｇ ｓｔｒａｔｅｇｙ ｔｏ ｆｉｎｄ ｔｈｅ ｏｐｔｉｍａｌ ｔｈｒｅｓｈｏｌｄｓ．Ｉｔ ｉｓ ｔｈｕｓ ｉｎａｐｐｌｉｃａｂｌｅ ｉｎ ｔｈｅ ｓｅｌｅｃｔｉｏｎ ｏｆ ｍｕｌｔｉｌｅｖｅｌ ｔｈｒｅｓｈｏｌｄｓ． Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ａ ｍｏｄｉｆｉｅｄ Ｏｔｓｕ ｍｅｔｈｏｄ ｉｓ ｐｒｏｐｏｓｅｄ ｔｏ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｔｈｒｅｓｈｏｌｄｓ ｗｉｔｈ ｉｍｐｒｏｖｅｄ ｅｆｆｉｃｉｅｎｃｙ．Ｔｈｉｓ ｉｓ ａｃ— ｃｏｍｐｌｉｓｈｅｄ ｂｙ ｔｒａｎｓｆｏｒｍｉｎｇ ｔｈｅ Ｏｔｓｕ ｍｅｔｈｏｄ ｔｏ ａ ｎｏｎｌｉｎｅａｒ ０—１ ｐｒｏｇｒａｍｍｉｎｇ ｐｒｏｂｌｅｍ．ｗｈｉｃｈ ｃａｎ ｂｅ ｓｏｌｖｅｄ ｂｙ ｇｅ— ｎｅｔｉｃ ａｌｇｏｒｉｔｈｍｓ．Ｔｈｅ ｒｅｓｕｌｔｓ ｏｎ ｔｈｅ ｔｅｓｔｉｎｇ ｉｍａｇｅｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎａｌ ｓｐｅｅｄ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｉｓ ｓｉｇ— ｎｉｆｉｃａｎｔｌｙ ｉｍｐｒｏｖｅｄ ｔｏ ａｃｃｏｍｍｏｄａｔｅ ｔｈｅ ｇｅｎｅｒａｌ ｕｓｅ ｏｆ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ；ｍｕｌｔｉｌｅｖｅｌ ｔｈｒｅｓｈｏｌｄｉｎｇ；０—１ ｐｒｏｇｒａｍｍｉｎｇ 摘要：闽值方法是一种重要的图像分割方法，在图像分割中得到了广泛应用。Ｏｔｓｕ算法虽然是图像分割阈 值法中较好的方法之一，但是由于传统的Ｏｔｓｕ算法通常用穷举法求解，使得处理多阈值问题时运算速度太慢， 难以满足应用需求。为了快速有效地确定阈值，提出了一种改进的Ｏｔｓｕ算法。将Ｏｔｓｕ算法转化为一个非线性 ０—１数学规划问题，再利用遗传算法求解得到最优阈值。通过对测试图像的分割实验，表明该算法与传统的Ｏｔ— ＳＨ算法相比运算速度有非常显著的提高，能够满足一般的应用需求。 关键词：图像分割；多阈值；０—１规划 文章编号：１００２—８３３ｌ（２０１２）１０．０１９７—０３ 文献标识码：Ａ 中图分类号：ＴＰ３９１ 图像分割就是依据图像的性质，将一幅图像划 分不同区域的过程。图像分割是图像处理和计算机 视觉中的基本技术，是图像分析、理解和描述的关键 步骤。阈值方法是一种重要的图像分割方法，由于 其算法简单和易于执行，在图像分割中得到了广泛 的应用。如果只是将图像分为目标和背景两类，那 么就只需要选取一个阈值，将图像中每个像素的灰 度值与阈值比较，灰度值大于阈值的像素为一类，灰 度值小于阈值的像素则为另一类。如果要将图像分 为多个目标，就需要选取多个阈值，将图像中每个像 素的灰度值与阈值比较，得到分割结果。 阈值方法都是通过图像的统计直方图进行分析 处理，得到恰当的阈值。常用两类主要方法是最大 类间方差法和最大熵法等。最大类间方差法，即 Ｏｔｓｕ算法，是通过最大化类间方差，得到最优阈值的 方法ｎ１。最大熵法是通过使分割后的图像的熵最大 确定最优阈值的方法 。 Ｏｔｓｕ算法是图像分割阈值法中较好的方法之 一，适用于单阈值和多阈值图像分割。由于传统的 Ｏｔｓｕ算法使用穷举法得到使得类间方差最大的阈 值，所以，当分割的类别数量增加时，确定多阈值的 计算量就会有很大的增加，计算速度就会变得很慢， 难以满足实际应用要求。一些研究者为提高Ｏｔｓｕ算 法的分割速度进行了研究，提出了不同的改进算法 。 文献［３］基于动态规Ｊ￣ｔＪ（ＤＰ）提出了一种能够降低计算 量的改进算法；文献［４］通过预先计算和存贮穷举算 作者简介：陈露晨（１９６３一），女，副教授，主要研究方向为计算机应用。Ｅ．ｍａｉｌ：ｃｈｅｎｌｕｃｈ＠ｆｉｍｍｕ．ｃｏｒｎ 收稿日期：２０１０—１１．０８ 修回日期：２０１１－０３．０３ ＣＮＫＩ出版日期：２０１１－０７ １３ ＤＯＩ：１０．３７７８／ｊ．ｉｓｓｎ．１００２—８３３１．２０１２．１０．０４４ ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２１２７．ＴＰ．２０１１０７１３．１１２１．０１０．ｈｔｍｌ
基于均值偏移的户外图像快速分割算法
第２９卷第２期 ２０１２年２月 计算机应用研究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｖ０１．２９ Ｎｏ．２ Ｆｅｂ．２０１２
基于均值偏移的户外图像快速分割算法
杨晓，卢惠民，张辉
（国防科学技术大学机电工程与自动化学院，长沙４１００７３）
摘要：提出一种改进的基于均值偏移的户外图像快速分割算法，使其能够满足基于视觉的户外移动机器人导
航对图像处理的快速性要求。阐述了均值偏移算法的基本原理，给出了图像快速分割的具体实现方法：对图像
进行尺度空间变换，用均值偏移算法在选定的颜色空间中对图像进行分割。通过对多种户外环境下采集到的图
像进行实验，结果表明该算法对户外彩色图像快速分割取得了良好的效果。
关键词：均值偏移；户外环境；图像分割；尺度变换；颜色空间
中图分类号：ＴＰ３９１．４；ＴＰ３０１．６ 文献标志码：Ａ 文章编号：１００１—３６９５（２０１２）０２—０７９３—０４
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—３６９５．２０１２．０２．１０６
Ｆａｓｔ ｏｕｔｄｏｏｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ Ｍｅａｎ—Ｓｈｉｆｔ
ＹＡＮＧ Ｘｉａｏ，ＬＵ Ｈｕｉ—ｍｉｎ，ＺＨＡＮＧ Ｈｕｉ （Ｃｏｌｔｅｇｅ ｏｆＭｅｃｈａｔｒｏｎｉｅｓ Ｅｎｇｉｎｅｅｒｉｎｇ＆Ａｕｔｏｍａｔｉｏｎ，Ｎａｔｉｏｎａｌ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ，Ｊ ｎｓｅ Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ ４１００７３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔｅｄ ａｎ ｉｍｐｒｏｖｅｄ ｆａｓｔ ｏｕｔｄｏｏｒ ｃｏｌｏｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ Ｍｅａｎ—Ｓｈｉｆｔ，ｗｈｉｃｈ ｃｏｕｌｄ ｓａｔｉｓｆｙ ｔｈｅ ｒｅａｌ—ｔｉｍｅ ｒｅｑｕｉｒｅｍｅｎｔ ｏｆ ｔｈｅ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｆｏｒ ｔｈｅ ｖｉｓｕａｌ ｎａｖｉｇａｔｉｏｎ ｏｆ ｍｏｂｉｌｅ ｒｏｂｏｔｓ ｉｎ ｏｕｔｄｏｏｒ ｅｎｖｉｒｏｎ— ｍｅｎｔｓ．Ｉｔ ｉｎｔｒｏｄｕｃｅｄ ｔｈｅ ｂａｓｉｃ ｔｈｅｏｒｙ ｏｆ Ｍｅａｎ—Ｓｈｉｆｔ ａｌｇｏｒｉｔｈｍ ｆｉｒｓｔｌｙ，ａｎｄ ｔｈｅｎ ｐｒｏｃｅｓｓｅｄ ｆａｓｔ ｃｏｌｏｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏ— ｒｉｔｈｍ：ｕｓｅｄ ａ ｓｃａｌｅ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｔｏ ｔｈｅ ｏｒｉｇｉｎａｌ ｉｍａｇｅ，ｔｈｅｎ ｓｅｇｍｅｎｔｅｄ ｔｈｅ ｔｒａｎｓｆｏｒｍｅｄ ｉｍａｇｅ ｂｙ ｔｈｅ Ｍｅａｎ—Ｓｈｉｆｔ ａｌｇｏｒｉｔｈｍ ｉｎ ｔｈｅ ｃｈｏｓｅｎ ｃｏｌｏｒ ｓｐａｃｅ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔｓ ｏｎ ｔｈｅ ｏｕｔｄｏｏｒ ｃｏｌｏｒ ｉｍａｇｅｓ ｓｈｏｗ ｔｈａｔ ｇｏｏｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｒｅｓｕｌｔｓ ｃａｎ ｂｅ ａｃｈｉｅｖｅｄ ｂｙ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ． Ｋｅｙ ｗｏｒｄｓ：Ｍｅａｎ—Ｓｈｉｆｔ；ｏｕｔｄｏｏｒ ｅｎｖｉｒｏｎｍｅｎｔ；ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ；ｓｃａｌｅ ｃｏｎｖｅｒｓｉｏｎ；ｃｏｌｏｒ ｓｐａｃｅ