一种新的图像分割算法
一种改进的圆形目标图像分割算法
ｏｊｃ ｒｇ ｎ． ｃｏｄ ｇｔ ｔｉ ｓｕｔ ｎ ｔ ｓ ａｅ ｉｔ ｄ ｃｓａ ｐｏｅ ａｅｓ ｍｅｔ ｉ ｌｏ ｔ ｏ ｉ ｕａ ｏｊｃ ｂｓｄｏ ｏ — ｂｅｔｅｉ ｓＡ ｃｒｉ ｓ ｉ ａ ｏ ， ｉ ｐｐｒ ｎｒ ｕｅ ｎｉ ｒｖｄｉ ｇ ｅ ｎａ ｏ ａ ｒｈ ｆｒ ｒ ｌｒ ｂｅｔ ａｅ ｎｃｒ ｏ ｎ ｏｈ ｔ ｉ ｈ ｏ ｍ ｍ ｇ ｔｎ ｇ ｉｍ ｃｃ ｎ
第２ ７卷 第 ７期
２１ ０ ０年 ７月
计 算机 应 用与软件
Ｃｏ ｕ ｅ ｐ ｉ ａｉｎ ｎ ｏ ｗａ ｅ ｍｐ ｔ ｒＡｐ ｌｃ ｔｏ ｓ ａ ｄ Ｓ ｆ ｒ ｔ
Ｖ０ ＿ ７ Ｎｏ ７ ｌ２ ．
Ｊ １ ０１ ｕ．２ ０分 割 算 法
Ａ ｓ ａｔ ｂｔ ｃ ｒ
Ｉ ｍ ａ ， ｅｃ， ｒ ｏ ｔｅｏｊｃ ａｄｏ ｔｅｂｃｇｏｎ ｙ ｅｙｃ ｓ ａ ｉｉ ｄｆｃｈｔ ｓｐｒｔ ｔ ｓ ｏ ｇ ｔ ａ ｄ ｎｓ ｅｉ ｍｓｔ ｏ ｕｓ ｆｈ ｂｅｔ ｎ ａｋｒ ｄａ ｖｒ ｌ ｅｔ ｔｔｓ ｉ ｕ ｅａａ ｏｅｅｎｌ ｉ ｔ ｏ ｍ ｈ ｏ ｆｈ ｕ ｅ ｏ ｈ ｆ ｉ ｏ ｅｈ ｕｎ ｅ
ｂ ｎ ｄ ｔｒ ｓ ｏｄ ｓ ｌ ｃｉｎ ａ ｄ Ｗ ａｅ ｓ ｅ ｅ ｅ ｔ ｔ ｎ ａ ｇ ｒｔｍｓ Ｈｅｅ ｗ ｉ ｉｅ ｔ ｅａ ｇ ｒｔｍ ｎ ｏｔ ｔｐ ： ｉｓ ， ｅ ｕ ｅａ ｍｐ ｏ ｅ ａ ｇ ｔ ｉｅ ｈ ｅ ｈ ｌ ｅｅ ｔ ｎ ｔｒ ｈ ｄ Ｓ ｇ ｎ ａｉ ｌｏ ｉ ｏ ｍ ｏ ｈ ． ｒ ｅ ｄ ｖｄ ｌｏ ｉ ｈ ｈ ｉ ｔ ｗｏｓｅ ｓ Ｆ ｒｔ ｗ ｓ ｎ ｉ ｒ ｖ ｄ ｔ ｒｅ
ＡＮ Ｍ Ｐ Ｉ ＲｏＶＥＤ Ｍ ＡＧＥ Ｓ Ｉ ＥＧＭ ＥＮＴ Ｉ ＡＴ ｏＮ ＡＬＧＯＲＩ ＴＨＭ ｏＲ ＲＣＵＬＡＲ Ｊ Ｆ ＣＩ ｏＢ ＥＣＴ
一种新的指纹图像分割方法
一种新的指纹图像分割方法
闵晶妍;苑玮琦
【期刊名称】《电脑开发与应用》
【年(卷),期】2005(018)004
【摘要】为了准确可靠地将指纹图像从背景区域中分割出来,提出了一种新的指纹图像分割方法,即利用灰度值频数和纹线12方向图判断是否有指纹脊线和谷线的存在,从而判断指纹图像小块是否为指纹前景区.实验结果表明,该方法适用于由于采集原因造成的指纹脊线和谷线灰度值相差较大或不大的指纹图像的分割,分割结果只求出指纹图像的边界而不改变指纹图.
【总页数】3页(P32-34)
【作者】闵晶妍;苑玮琦
【作者单位】沈阳工业大学视觉检测技术研究所,沈阳,110023;沈阳工业大学视觉检测技术研究所,沈阳,110023
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种新的残留指纹图像分割方法 [J], 范国娟;尹义龙
2.一种新的指纹图像分割方法 [J], 杨小冬;宁新宝;詹小四
3.一种新的指纹图像分割算法 [J], 刘汉英;周剑勋
4.一种基于新特征的有效指纹图像分割算法 [J], 梅园;曹国;孙怀江;孙权森;夏德深
5.一种基于高斯算子的指纹图像分割方法 [J], 楚亚蕴;陶亮;詹小四;陈蕴
因版权原因，仅展示原文概要，查看原文内容请购买。
otsu算法——图像分割
背景比例：
像素点总数：
前景和背景概率之和：
平均灰度值：
类间方差：
将公式（4）和（5）带入（6）可以得到等价公式：
核心代码：Histogram[data[i*srcimage.step + j]]++;//step指向每行的字节总量，date访问每个像素的值for (int i = 1; i < 255 ;i++)//从1开始遍历，寻找最合适的值{//每次遍历前需要初始化各变量w0 = 0; u0 = 0; w1 = 0; u1 = 0;for (int j = 0; j <= i; j++)//背景部分各值计算 { w0 += Histogram[j]; //背景部分像素点总数 u0 += j*Histogram[j]; //背景部分像素总灰度和 } u0 = u0 / w0; //背景像素平均灰度 w0 = w0 / number; //背景部分像素点所占比例}double varValueI = w1*w2*(u1 - u2)*(u1 - u2); //类间方差计算
算法过程：（1）设K(x,y)=f(x,y)/g(x,y)为像素点的 斜率，其中f(x,y)为点(x,y)的灰度值， g(x,y)为点(x,y)周围点的平均值。 （2）设阈值t1，t2将二维直方图分为A、B、 C三个区域。其中B区域代表前景和背 景像素点部分，而A、C代表边界点和 噪声点部分。
算法过程：（1）对于图像I(x,y),将前景与背景的分割阈值设为T。（2）将属于前景的像素点的个数占整个图像的比例设为w0，其平均灰度设为u0。（3）将属于背景的像素点的个数占整个图像的比例设为w1，其平均灰度设为u1。（4）图像的总平均灰度设为u，类间方差设为S。 假设图片的大小为M*N，图像中像素灰度值小于阈值T的像素个数记为N0，像素灰度大于阈值T的像素个数记为N1。则它们之间的关系如下。
一种改进的PCNN图像分割算法
７ ８
电路与系统学报
第ｌ ５卷
自然 点火 。这就 意 味 着 不 同灰 度 输 入 的神 经 元 将 在不 同 的 时刻 点 火 ，而 相 同灰度 输 入 的神 经元 则 在 同
一
时刻 点 火 。此 时 的 Ｐ ＮＮ 是 将 图像 像 素 灰 度 映射 为 含 有 时 间特 性 的点 火 图 ，即每 一 时 刻 的 点火 图对 Ｃ
＝
（） ２
（） ３ （） ４
ｅ
Ｆ
竺 ！
Ｉ ｌ
拈
㈦
厂
接 受 域 分 为 两 个 通 道 ，一 个 是 线 性 连 接 输 入 通
图 １ 单 个 Ｐ Ｎ 神 经 元 模 型 Ｃ Ｎ
道 ，用 来 接 收邻 近 的其 它神 经 元 的输 入 信 息 ，另 一 个 是 反 馈 输 入 通 道 ，用 来 接 收外 部 刺 激 信 息
调
制 部 分 是 神 经 元 的 内部 活 动 项 ，它通 过 加 有 偏 置 的 线 性 连 接 部 分 与 外 部刺 激 信 息 相乘 获得 ；脉 冲 产 生
部 分 的 ， 由外 部刺 激 信 息 ， 连 接 输 入 信 息 厶， 同决 定 ；脉 冲 产 生 部 分 有 两个 作用 ，产 生 脉 冲 输 出 和 共
应于同一灰度 的像素 图，而不 同时刻的点火 图对应于不 同灰度的像素 图；（ ）有耦合链接的情况下， ２
即 ≠０。此 时 由于 Ｐ ＮＮ 中各 神经 元 间的 耦合 链 接 ，当 外部 刺 激 输 入 灰度 的神 经 元 Ⅳｆ ｔ Ｃ ， 在 时刻 点火
２ ＰＣＮＮ模 型
超像素分割 python
超像素分割 python超像素分割（Superpixel Segmentation）是一种图像分割的方法，旨在将图像分割为若干均匀、紧凑且具有语义的区域。
超像素分割是计算机视觉和图像处理领域的热门研究方向，常用于目标识别、图像分割、物体跟踪等应用。
超像素分割的基本思想是将图像划分为若干个具有一定连续性的区域，并且使得区域内的像素具有相似的颜色、纹理、边缘等特征。
相比于传统的像素级分割方法，超像素分割能够减少计算复杂度，并且更好地保留了图像中的结构信息。
下面介绍几种常用的超像素分割方法。
1. SLIC超像素分割算法SLIC（Simple Linear Iterative Clustering）是一种流行的超像素分割算法。
它将图像划分为一系列紧凑的超像素，其中每个超像素由相似的像素组成。
SLIC算法首先将图像均匀地划分为固定数量的网格，然后在每个网格内寻找代表性的像素，最后通过优化迭代过程来调整超像素的形状和位置。
2. SEEDS超像素分割算法SEEDS（Superpixels Extracted via Energy-Driven Sampling）是一种基于分水岭算法的超像素分割方法。
它通过在图像中随机选择一些种子像素，然后通过种子像素之间的相似性来迭代地合并像素，最终得到超像素分割结果。
3. LSC超像素分割算法LSC（Linear Spectral Clustering）是一种基于谱聚类的超像素分割算法。
它通过将图像像素表示为高维特征空间中的点，并利用谱聚类算法将像素分成若干个紧凑的子集。
LSC算法具有较好的鲁棒性和可扩展性，并且能够处理不规则形状的超像素。
4. ERS超像素分割算法ERS（Efficient Graph-Based Image Segmentation）是一种基于图论的超像素分割算法。
它通过建立一个图，其中图的节点表示图像的像素，边表示像素之间的关系。
ERS算法通过最小生成树算法和最大子图算法来合并相似的像素，从而得到紧凑且连通的超像素。
一种基于区域生长的CT序列图像分割算法
第３ ５卷（０ ７ 第 ５期 ２０ ）
计算机 与数字 工程
一
种 基 于 区域 生 长 的 Ｃ Ｔ序 列 图像 分 割算 法
彭 丰平 鲍苏苏
广州 ５０ ３ ） １６ １ （ 华南师范大学计算机学院
摘 要
提出一种基于 区域生长 的 Ｃ Ｔ序列图像 的分割算 法。在第一 张待分割 目标 区域 中选取一个种子点 ， 利用 四领
则 ， 进行合 并 。同时用 ｙ更新 均值 。 不
＝
…
（ Ｙ ／ 凡＋１ ＋ ） （ ）
（） ２
式 中 ， 已生 长区域 的像 素个数 。 ｎ是
读 入ｃ 序 列图像 Ｔ
信息。我们的任务是 ： 首先在序列中每一幅二维 图
像上将 肝脏及 其血 管分 离 出来 ， 然后 利用 分割 的结 果 序列 实现单 独 器 官 的三 维 重建 。其 重点 就 是 在 保 证单个 图像 分割结 果正 确 的同时 ， 高序 列意义 提
中 图分 类 号 Ｔ ３ １４ Ｐ９．ｌ
１ 引言
图像分 割 是 图像 处理 领 域 中极 为 重要 的 内容 之 一 ， 以 图像 的 某些 特 征 为 标 准 ， 图像 划 分一 它 把 些 具有 “ 种意 义 ” 区域 。根 据分 割算 法 适 用性 某 的 的不 同 ， 图像分 割 方法 主 要 分 为两 大类 ： 类 是基 一 于 区域 的方法 ， 常利用 同一 区域 内的均匀性 识别 通 图像 中 的不 同 区域 ； 一类 是 边 缘 分 割方 法 ， 常 另 通 利用 区域 问不 同的性 质 划 分 出各 个 区 域 之 间 的分 界 线 。本课 题 的研 究 对 象是 实 际 的 Ｃ Ｔ腹 部 图像 序列 ， 以两两 间距 很小 的序列 二维 切 片传递 三维 它
一种基于非参数密度估计和马尔可夫上下文的SAR图像分割算法
ｅ ｔ ｔ ｎａ ｓｌ ｅｉｏ ｄｔｒ Ａｎ ｈ ｓ ｌ ｆｔｅｎ ｗ ｒ ｐ ｓｄ ｍｅｈ ｄａ ｄ ｍｅｈ ｄ ａ ｅ ｎ ｐ ｒｍｅｒｃｓａｉ ｉａ ｓｉ ｉ ｓｉ ｉ ｌ ｏ ｍ． ｄｔｅｒ ｕｔ ｏ ｅ ｐｏ ｏ ｅ ｔ ｏ ｎ ｔ ｏ ｓｂ ｓ ｄｏ ａａ ｔｉ ｔｔ ｔ ｌ ｍａ ｏ ｔ ｋ ｈ ｅ ｅ ｓ ｈ ｓｃ
Ａ ｓ ａ ｔ ｉ ｎ ｉｉ ｅｉ ｓｍ ｔ ｎ０ ｅ ｔ ｉｉｄ ｔｂｔ ｎｏ ｇ－ ｓｌ ｉｎＳ ｎｈｔ ｐｒ ｒ ａａ （Ａ ） ｂｔ ｃ Ａｍｉ ａ ｇ ｎ ａ ｒ ｓ ｅ ｉａｉ ｆｌ ａｓｃ ｉｒ ｕｉ ｆ ｉ ｒ ｏ ｔ ｙ ｔｅｉ Ａ ｅｔ ｅＲ ｄｒ Ｓ Ｒ ｒ ｇ ｔ ｖ ｇ ｐｃｅｔ ｏ ｔ ｓ ｔｔ ｓ ｉ ｏ ＇ ｈ ｈ ｅ ｕｏ ｃ ｕ
ｆｎｔ ｎ ａ ｏｉ ｔｒｅｕ ｓｄｐｎ ｉ ａｄｔ ｗ ｅ ｅ ａ ａｌａａ ｔａｄ ｔｂｔ ｎ ｕｃｏ． ｕｃｏ ｐ ｖ ｅ ｅｅｒｓｌ ｂ ｊ ｔ ｅｅｄ ｇ ｎｅｌａ ， ｈｎ ｈｒ ｉｎ ａ ｉｂ ｌｉ ｌ ｉｒ ｕｏ ｎｔｎ ｉ Ｃ ｒ ｄ ｂ ｔ ｔ ｙ ｕ ｎ ｓ ｎｏｒ ａ ｔ ｅｓ ｏ ｖ ｌ ｅ ｎ ｙ ｃ ｓｉ ｉ ｆ ｉ
ｍ ｄ ｌ ａｅｃ ｍｐｒｄｂ ｏ ｗａ ｉ ｌ ｉｎ Ｉ ｓｏ ａ ｎ ｎｐ ｒｍｅ ｉ ｄ ｎｉ ｓｍａｅｔｃｎｑ ｅｂｓｄｏ ｅｎ ｌ ｏ ｅｓ ｒ ｏ ａｅ ｙｓｆ ｒ ｓ ｔ ｅ ｍｕａ ｏ ． ｔ ｈ ｗｓｔ ｔ ｏ －ａａ ｔｃ ｅ ｓ ｅｔ ｔ ｈ ｉｕ ａｅ ｎｋ ｒｅ ｔ ｈ ｒ ｙ ｔ ｉ ｅ
一种基于蚁群聚类的图像分割方法
一种基于蚁群聚类的图像分割方法【关键词】图像分割；群体智能；蚁群算法；聚类0 引言在图像分析与处理中，通常需要将关心的目标从图像中分离出来，这种从图像中将有特殊意义的区域与其它区域分离并提取出来的技术和过程，就是图像分割。
图像分割是目前图像处理、计算机视觉、模式识别等研究邻域的基本问题之一。
目前，图像分割不存在通用的分割算法，不同的图像分割算法都是在针对不同图像取得了较良好的效果。
而应用较广泛的有阈值法，边缘检测法，区域跟踪法等[1]。
各方法都有自己的优点和缺点。
随着实际应用的需要，对图像分割方法的研究也在不断深入，在不断改进现有方法的同时，也提出了许多的新方法。
其中包括基于群体智能的分割算法：如蚁群算法[2-6]，遗传算法[7]，粒子群优化算法[8]等。
群体智能是人们在研究昆虫的习性时提出的。
群体智能是指“无智能的个体通过合作表现出智能行为的特性”。
当前研究较多的还是对蚂蚁习性的观察，如对蚂蚁觅食行为而提出的蚁群算法及后的许多改进算法；对蚂蚁构建墓地的行为而提出的用于解释聚类现象的bm模型。
本文提出的图像分割方法是基于群体智能理论的聚类算法。
首先介绍了有关群体智能的理论，然后对原有蚁群聚类算法作了一些改进，通过分割特征的提取，初始虚拟堆的设置，以及负载和观察半径的设置，在加快聚类的同时，也保证了的聚类效果，并在图像分割中收到了较好的结果。
最后，将实验分割的效果与目前常用的分割算法如：log算子、canny算子进行比较。
实验结果表明：具有较好的聚类效果，能够较好的分割图像。
1 群体智能理论20世纪50年代中期创立了仿生学，人们通过对群居生物筑巢、觅食、迁徙、打扫巢穴等行为的模似，提出了许多用以解决复杂优化问题的新方法，并成功的解决了组合优化、车间调度、图着色等邻域的实际问题。
bonabeau等人认为群体智能是任何启发于群居性昆虫群体和其它动物群体的集体行为而设计的算法和分式问题的解决装置。
群体智能的特点如下[3]：1）无集中控制约束，不会因个别个体的故障影响整个问题的求解，确保了系统具有更强的鲁棒性；2）以非直接的信息交流方式确保了系统的扩展性，由于系统中个体的增加而增加的通信开销较少；3）并行分布算法模型，可充分利用多处器，这样的分布模式更适合于网络环境下的工作状态；4）对问题定义的连续性无特殊性要求；5）系统中每个个体的能力十分简单，每个个体的执行时间也比较短，并且算法实现简单。
基于万有引力搜索算法图像分割的实现
基于万有引力搜索算法图像分割的实现
戚娜;马占文
【期刊名称】《太赫兹科学与电子信息学报》
【年(卷),期】2017(000)003
【摘要】图像分割是计算机视觉中研究的热点和难点之一,原始图像只有在分割之后才能被分析与理解。
为了更快更准确地分割图像,本文将万有引力搜索算法和最
大类间方差法的双阈值法相结合,提出了一种新的图像分割方法。
该方法首先把图
像分割的阈值看成引力搜索算法中空间的粒子;其次利用最大类间方差法的双阈值
法设计适应度函数;最后,通过粒子在空间中相互的万有引力作用,逐渐逼近最优阈值。
实验表明,基于万有引力搜索算法(GSA)的图像分割在运行速度、运行时间等方面要优于传统的图像分割算法,该方法分割后的目标图像更加适合后续的分析和处理。
【总页数】5页(P475-479)
【作者】戚娜;马占文
【作者单位】[1]陕西工业职业技术学院信息工程学院,陕西咸阳712000;;[2]陕西师范大学计算机科学学院,陕西西安710062
【正文语种】中文
【中图分类】TN911.73
【相关文献】
1.基于万有引力搜索算法的含分布式电源配电网无功优化研究 [J], 王贝;薛玮;周力行
2.基于万有引力搜索算法图像分割的实现 [J], 戚娜;马占文
3.基于万有引力搜索算法图像分割的实现 [J], 戚娜;马占文;
4.基于改进万有引力搜索算法的南中环桥模型修正 [J], 秦世强;甘耀威;康俊涛
5.基于改进万有引力搜索算法的住宅区微网优化 [J], 吴国庆;霍伟;茅靖峰;张旭东;宋晨光
因版权原因，仅展示原文概要，查看原文内容请购买。
一种新颖的多尺度无监督图像分割算法
ｓ ｒ ｉｇ ｔ ｅ ｓ ａｉ ｌ ｎ ｏｍａ ｉｎ ｏ ｇ ． ｕ ｎ ｉ ｎ ｗ， ｅ ｃａ ｓｃ ｐ ｒａ ｈ ｓｏ ｌ ｅ ｃ ｂ ｈ ｒ ｋ ｖａ ｒ ｐ ｒ ｉ ｇｅ ｓ ａｅ ｉ ｓ ａ ｃ ｂ ｎ ｈ ｐ ｔ ｆ ｒ ｔ ｆｉ ｉ ａｉ ｏ ｍａ ｅ Ｂ ｔｕ ｌ ｏ ｔ ｌｓ ｉａ ａ ｐ ｏ ｃ ｅ ｎ ｙ ｄ ｓ ｒ ｅ ｔｅ Ｍａ ｏ ｉｎ ｐ ｏ ｅ ｔ ｏ ｓｎ ｌ － ｃ ｌ ｎ ｔ ｄ ｔ ｈ ｌ ｉ ｙｆ ｅ ｔ ａ ｌ －ｃ ｅ Ｉ ｈｓ ｐ ｐ ｒ ａ ｎ ｖ ｌａ ｄ ｕ ｓ ｐ ｒ ｉ ｄ ａｇ ｒ ｈ ｎ ｍｅ ｌ －ｃ ｅ Ｇ ｈ ｔａ ｄ ｅ ｓ ｓ ｔ ｅ ｅ ｐ ｏ ｌｍｓｐ ｒ ｃｌ ｓ ｐ ｏ ｈ ｔｏ ｍｕｔ ｓ ａ ． ｎ ｔ ｉ ａ ｅ ， ｏ ｅ ｎ ｕ ｅ ｖｓ ｏ ｔ ｍ ａ ｄ ｍｕｔ ｓ ａ ＲＦ ｔａ ｄ ｒ ｓｅ ｈ ｓ ｒ ｂｅ ｅｆ ｔ ｉ ｒ － ｆ ｉ ｌ ｎ ｅ ｌ ｉ ｉ ｌ ｅ ｙ
种 新 颖 的 多 尺 度 无 监 督 图像 分 割算 法
江贵平 林亚忠 陈武凡
（ 南方医科大学生物医学工程系医学 图像实验室 广东 广州 ５０ １ ） １５ ５
摘
要
吉伯斯随机场（ ｉ ｓ ａｄ ｍ Ｆｅ ｓＧ Ｆ 作 为一种 引入 图像 空间信 息的先验模 型 已广 泛运用于贝叶斯 图像分 割中。然 Ｇｂ ｎ ｏ ｉｄ ， Ｒ ） ｂＲ ｌ
Ａ ＮｏＶＥＬ ＡＮＤ ＵＬＴＩ ＳＣＡＬＥ Ｍ ． ＵＮＳＵＰＥＲＶＩ ＥＤ Ｓ ＡＬＧｏ ＲＩ ＴＨ Ｍ Ｆｏ Ｒ Ｍ ＡＧ Ｅ ＥＧＭ ＥＮＴＡＴＩ Ｎ Ｉ Ｓ ｏ
Ｊａ ｇＧｕｐ ｎ Ｌｎ Ｙａ ｈ ｎ Ｃ ｅ ｕａ ｉｎ ｉｉｇ ｉ ｚ ｏ ｇ ｈ ｎ Ｗ ｆｎ
- 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)。
（ 中北大 学电子 与计算 机科 学技 术 学院 太原
００５ ） ３ ０ １ ０ ０５ ） ３ ０ １
（ 中北大 学仪 器科 学与动 态测试教 育部 重点 实验 室 太原
【 摘 要】在形 态学梯度 边缘检 测算子 的基础上 ，综合多尺度 和 多结构元 算 法 的特性 ， 出 了一种新 的 图像分 割 提 方法 。利 用桥 梁的 明显特 征预测桥 梁 目标 的位置 ，获得感 兴趣 区域 ，通过 多 阈值 法简化 原 图；采用 多尺 度形 态 滤波和 区域标 记得到 目标 的初始 轮廓 ，构 造 ５个不 同方 向的结 构元 素 ，对 这些结 构元 素运用 多尺度形 态学 方法 来检 测 目标边缘 。实验 结果表 明本算 法能够 比较准确地 完成 图像分 割。
一
种新 的 图像 分 割 算 法
文章 编 号 ： ｏ ３５ ５ （ Ｏ Ｏ ０ － ０ ８ ０ １ ０ — ８ Ｏ ２ １ ） ６０ ０ — ４
一
种新 的图像分 割 算 法
薄丽萍 张永梅
Ａ ｗ ｍ ａ ｅ Ｓ ｇ ｅ ａ ｉ ｎ Ａｌ ｏ ｉｈ Ｎｅ Ｉ ｇ ｅ ｍ ｎｔ ｔｏ ｇ ｒ ｔ ｍ
ｃ ａａ ｔ ｒ ｔ ｓ ｎ ｂ ａｎ ｈ ｎｅ ｅ ｔ ｇ ｒｇｏ ｈ ｒ ｃ ｅ ｉ ｉ ，ａ ｄ ｏ ｔ ｉ ｓ ｔ ｅ ｉ ｔ ｒ ｓ ｉ ｅ ｉｎ，ａ ｄ ｓｍｐ ｉ ｅ ｈ ｒ ｉ ａ ｐ ｔ ｒ ｕ ｈ ｍｕ ｔ ｔ ｒ ｓ ｏ ｄ ｍｅ ｈ ｄ Ｔｈ ｎ，ｔ ｅ ｓｃ ｎ ｎ ｉ ｌ ｉｓ ｔ ｅ ｏ ｉ ｎ ｌｍａ ｈ ｏ ｇ ｆ ｇ ｌ—ｈ ｅ ｈ ｌ ｔ ｏ ． ｉ ｅ ｈ ｔ ｒ ｅ ｎ ｔ ｌｃ ｎ ｏ ｒ ｃ ｎ ｂ ｂ ａ ｎ ｄ ｔ ｒ ｕ ｈ ｔ ｅ ｍｕ ｔ— ｃ ｌ ｒ ｈ ｌ ｇ ｃ ｌ ｆ ｔ ｒｎ ｎ ｅ ｉｎ ｌｂ ｌ ｇ Ｆ ｎ ｌ ｉｅ ｄ ｆｅ ｅ ｔ ａ ｇ ｔ ｉ ｉ ａ ｏ ｔ ｕ ａ ｅ ｏ ｔ ｉ ｅ ｈ ｏ ｇ ｈ ｌ ｓ ａ ｅ ｍｏ ｐ ｏ ｏ ｉａ ｉ ｅ ｉ ｇ ａ ｄ ｒ ｇｏ ａ ｅ ｉ ． ｉ ａ ｌ ｆ ｉ ｒ ｎ ｉ ｉ ｌ ｎ ｙ ｖ ｆ ｏ ｉ ｎ ａ ｉ ｎ ｓ ｒ ｃ ｕ ｅ ｅ ｅ ｎ ｓ ａ ｅ ｃ ｎ ｔｕ ｔ ｄ ｔ ｅ ｅ ｔｔ ｒ ｅ ｏ ｔ ｕ ｙ ｍｕ ｔ ｓ ａｅ ｍｏ ｐ ｏ ｏ ｙ Ｔｈ ｘ ｅ ｉ ｎ ａ ｅ ｕｔ ｈ ｗ ｒｅ ｔ ｔ ｔ ｕ ｔ ｒ ｌｍｅ ｔ ｒ ｏ ｓ ｒ ｃ ｅ Ｏ ｄ ｔ ｃ ａ ｇ ｔｃ ｎ ｏ ｒ ｂ ｌｉ ｃ ｌ ｒ ｈ ｌ ｇ ． ｏ － ｅ ｅ ｐ ｒｍｅ ｔ ｌｒ ｓ ｌｓ ｓ ｏ ｔ ａ ｈ ｒ ｐ ｓ ｄ ｍｅ ｈ ｄ ｃ ｎ ｃ ｍｐ ｅ ｅ ｔ ｅ ｉ ｇ ｅ ｍｅ ｔ ｔ ｎ ｈ ｔｔ ｅ ｐ ｏ ｏ ｅ ｔ ｏ ａ ｏ ｌｔ ｈ ｍａ ｅ ｓ ｇ ｎ ａ ｉ 。 ｏ ＫＥＹＷ ＯＲＤＳ ｒ ｇｏ ａ ｅｉ ｇ，ｍｕ ｔ－ ｃ ｌ ｒ ｈ ｌ ｇｃ ｌ ｉ ｅ ｉ ｇ，ｍｕ ｔ ｓ ｒ ｃ ｕ ｅ ｅｅ ｎ ， ｉ ｇ ｅ ｍｅ ｔ ｔｏ ｅ ｉｎｌｂ ｌ ｎ ｌｉ ａｅ ｍｏ ｐ ｏ ｏ ｉａ ｌ ｒ ｓ ｆｔ ｎ ｌｉ ｔ ｕ ｔ ｒ ｌｍｅ ｔ ｍａ ｅ ｓ ｇ ｎ ａ ｉｎ —
【 关键 词】 区域标记 ，多尺度 形 态滤波 ，多结构元 素 ，图像 分割
中图 分 类 号 ：Ｔ ３ １ Ｐ ９ 文献 标 识 码 ：Ａ
ＡＢ ＴＲＡＣＴ Ｂ ｓ ｄ ｏ ｄ ｅ ｄ ｔ ｃ ｉ ｎ ｏ ｅ ａ ｏ ｆｍｏ ｐ ｏ ｏ ｉａ ｒ ｄ ｅ ｔ ｈ ｓ ｐ ｐ ｒ ｐ ｅ ｅ ｔ ｅ ｓ ｇ ｎ ａ ｉｎ ａ ｇ ｒｔ ｍ ｏ Ｓ ａ ｅ ｎ ｅ ｇ ｅ ｅ ｔ ｐ ｒ ｔ ｒ ｏ ｒ ｈ ｌ ｇ ｃ ｌｇ ａ ｉｎ ，ｔ ｉ ａ ｅ ｒ ｓ ｎ ｓ ａ ｎ ｗ ｅ ｍｅ ｔ ｔｏ ｌ ｏ ｉｈ ｆ ｒ ｏ ｉ ｇ ｂ ｓ ｄ ｎ ｍａ ｅ ａ ｅ ｏ ｍｕ ｔ－ ｃ ｌ ａ ｄ ｌｉ ａ ｅ ｎ ｍｕ ｔ ｓ ｒ ｃ ｕ ｅ ｌｍｅ ｔ ｓ ｌ — ｔ ｕ ｔ ｒ ｅｅ ｎ ｍｅ ｈ ｄ Ｆｉ ｔｙ ｉ ｏ ｅ ａ ｔ ｂ ｉ ｇ ｐ ｓｔｏ ｕ ｉ ｇ ｈ ｏ ｖｏ ｓ ｉ ｔｏ ． ｒ ｌ， ｔ ｓ ｆ ｒ ｃ ｓ ｓ ｒ ｅ ｏ ｉ ｎ ｓｎ ｔ ｅ ｂ ｉ ｕ ｄ ｉ
遥感 图像 目标识 别主要采 用 聚类 方法对单 一 图像
源进行 识别 ， 该方法 已研究 多年 ， 但进 展不 明显 。对 于
多 尺 度形 态滤 波 以及 区域 标记 去 除 ， 得到 目标 的初 始 轮 廓 。 学形 态学可 以用来检 测 图像的边 缘 ， 数 即形 态梯
度 ， 如果 只采 用 一个结 构 元 素来 检测 边缘 通 常不 能 而 产 生满 意 素的
不 同情 况下 的图像 目标 ， 特征 描述也不 相 同， 何选择 如 特征 进行 识 别直接 影 响到 图像 目标 的 正确识 别 率 ， 而 目标识 别 的关 键则是 图像 的分 割 。
图像分 割是一种 重要 的图像 分析技 术Ｌ 。在对 图 １ ］
方 法来 检 测 目标 的边缘 ， 而 可 以有效 地对 图像 进行 从 分 割 。 验结果 表 明 ， 实 该算法 能较准 确地检 测到 目标 的
边缘。
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 （ 其他部 分称为背 景） 图 。
像 的分割 就 是指 把 图像 分 成各 具特 性 的 区域 ， 提取 并