文档视界 最新最全的文档下载
当前位置:文档视界 › 图像分割算法研究与实现

图像分割算法研究与实现

图像分割算法研究与实现
图像分割算法研究与实现

中北大学

课程设计说明书

学生姓名:梁一才学号:10050644X30

学院:信息商务学院

专业:电子信息工程

题目:信息处理综合实践:

图像分割算法研究与实现

指导教师:陈平职称: 副教授

2013 年 12 月 15 日

中北大学

课程设计任务书

13/14 学年第一学期

学院:信息商务学院

专业:电子信息工程

学生姓名:焦晶晶学号:10050644X07 学生姓名:郑晓峰学号:10050644X22 学生姓名:梁一才学号:10050644X30 课程设计题目:信息处理综合实践:

图像分割算法研究与实现

起迄日期:2013年12月16日~2013年12月27日课程设计地点:电子信息科学与技术专业实验室指导教师:陈平

系主任:王浩全

下达任务书日期: 2013 年12月15 日

课程设计任务书

1.设计目的:

1、通过本课程设计的学习,学生将复习所学的专业知识,使课堂学习的理论知识应用于实践,通过本课程设计的实践使学生具有一定的实践操作能力;

2、掌握Matlab使用方法,能熟练运用该软件设计并完成相应的信息处理;

3、通过图像处理实践的课程设计,掌握设计图像处理软件系统的思维方法和基本开发过程。

2.设计内容和要求(包括原始数据、技术参数、条件、设计要求等):

(1)编程实现分水岭算法的图像分割;

(2)编程实现区域分裂合并法;

(3)对比分析两种分割算法的分割效果;

(4)要求每位学生进行查阅相关资料,并写出自己的报告。注意每个学生的报告要有所侧重,写出自己所做的内容。

3.设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕:

每个同学独立完成自己的任务,每人写一份设计报告,在课程设计论文中写明自己设计的部分,给出设计结果。

课程设计任务书

4.主要参考文献:

[1] 夏得深,傅德胜.现代图像处理技术与应用[M].南京:东南大学出版,2001:120-135.

[2] K.R.Castleman.数字图像处理[M].北京:电子工业出版社,1998:110,166,220.

[3] 冈萨雷斯.数字图像处理(MATLAB版)[M].北京:电子工业出版社,2005;111-120,

152.

[4] 刘直芳,游胜志.基于多尺度彩色形态矢量算子的边缘检测[J].中国图像图形学报,

2002,32(1):30-33.

[5] 潘晨,顾峰.基于3D直方图的彩色图像分割方法[J].中国图像图形学报,2002,33

(2):35-38.

5.设计成果形式及要求:

毕业设计说明书

仿真结果

6.工作计划及进度:

2013年

12月16日~ 12月19日:查资料;

12月19日~ 12月24日:在指导教师指导下设计方案;

12月25日~ 12月27日:撰写课程设计说明书;

12月27日:答辩

系主任审查意见:

签字:

年月日

目录

1 引言 (1)

1.1数字图像分割的现状 (1)

1.2数字图像分割的意义 (1)

2 基于MATLAB的图像分割 (2)

3 图像分割的主要研究方法 (3)

3.1图像分割定义 (3)

3.2图像分割方法综述 (4)

3.3分水岭算法 (4)

3.3.1分水岭算法概念 (4)

3.3.2分水岭算法原理 (5)

3.4区域分裂合并法 (6)

3.4.1区域分裂合并算法基本原理 (6)

3.4.2区域分裂合并算法算法过程 (7)

4 MATLAB程序与结果 (8)

4.1分水岭算法结果与分析 (8)

4.2分裂合并算法结果与分析 (10)

5两种图像分割方法的比较 (11)

6 结论 (13)

7参考文献 (14)

1 引言

1.1 数字图像分割的现状

图像分割技术,是从图像中将某个特定区域与其它部分进行分离并提取出来的处理。图像分割的方法有许多种,有阈值分割方法,边界分割方法,区域提取方法,结合特定理论工具的分割方法等。早在1965年就有人提出检测边缘算子,边缘检测已产生不少经典算法。越来越多的学者开始将数学形态学、模糊理论、遗传算法理论、分形理论和小波变换理论等研究成果运用到图像分割中,产生了结合特定数学方法和针对特殊图像分割的先进图像分割技术。尤其是近年来迅速发展起来的小波理论为图像处理带来了新的理论和方法。小波变换具有良好局部特性,当小波函数尺度较大时,抗噪声的能力强,当小波函数尺度较小时,提取图像细节的能力强,这样就可以很好地解决抑制噪声和提取图像边缘细节之间的矛盾。

图像分割来说,如果不利用关于图像或所研究目标的先验知识,任何基于数学工具的解析方法都很难得到很好的效果。因此,人们倾向于重新设计一个针对具体问题的新算法来解决所而临的图像分割问题。这在只有少量图像样本的时候,利用各种先验知识,设计一个具有针对性的算法进行图像分割是比较容易的。但是当需要构建一些实用的机器视觉系统时,所面临的将是具有一定差异性、数量庞大的图像库,此时如何很好的利用先验知识,设计一个对所有待处理图像都实用的分割算法将是一件非常困难的任务。其次,由于缺乏一个统一的理论作为基础,同时也缺乏对人类视觉系统(human vision system,HVS)机理的深刻认识,构造一种能够成功应用于所有图像的统一的图像分割算法,到目前为止还是难以实现的。

1.2 数字图像分割的意义

现实生活中在分割一幅图像时,多是依据经验和直觉去选择方法,通过反复实践来找到一种最佳的方法。与计算机科学技术的确定性和准确性相比,图像分割更像是一种艺术行为,有经验的人能比较容易的选用出适当的方法,使不同的图像都得到最佳的分割效果。但是,当要处理的图像十分庞大时,图像分割就像是流水线上的一道简单工序,这种艺术行为就显得无能为力了。随着图像技术和多媒体技术的发展,包括图像、音频和视频等信息的多媒体数据己经广泛用于

Internet和企事业信息系统中,而且越来越多的商业活动、信息表现和事务交易中都将包括多媒体数据,自然也就包含了大量的图像,基于内容的图像检索的广泛应用就是一个例子,这些常常都是以图像分割作为基础的。

由于图像的多义性和复杂性,许多分割的工作无法依靠计算机自动完成,而手工分割又存在工作量大,定位不准确的难题,因此,人们提出了一些人工交互和计算机自动定位相结合的方法,利用各自的优势,实现目标轮廓的快速定位。相信这些交互式方法的应用,必将推动图像目标分割与提取这一既具有广阔的应用前景又具有重要的学术价值的课题的进一步研究,也必将成为一个更为独立和活跃的研究领域。

边缘提取是图像边缘检测和计算机视觉等领域最基本的技术,如何准确、快速的提取图像中的边缘信息一直是这些领域的研究热点,随着此项技术研究的深入和整个领域的不断发展,边缘提取技术已经成为图像分割、目标识别、图像压缩等技术的基础。其理论意义深远,应用背景广泛,有相当的使用价值和理论难度。边缘提取算法的提出通常是面向具体问题的,普遍实用性较差。

区域提取法有两种基本形式:一种是从单个像素出发,逐渐合并以形成所需的分割区域;另一种是从全图出发,逐渐分裂切割至所需的分割区域。在实际中使用的通常是这两种基本形式的结合。根据以上两种基本形式,区域提取法可以分为区域生长法和分裂合并法。区域生长法的基本思想是将具有相似性质的像素合起来构成区域,具体做法是先给定图像中要分割的目标物体内的一个小块或者说种子区域,再在种子区域的基础上不断将其周围的像素点以一定的规则加入其中,达到最终将代表该物体的所有像素点结合成一个区域的目的。该方法的关键是要选择合适的生长或相似准则。生长准则一般可分为三种:基于区域灰度差准则、基于区域内灰度分布统计性质准则和基于区域形状准则。分裂合并法是先将图像分割成很多的一致性较强的小区域,再按一定的规则将小区域融合成大区域,达到分割图像的目的。区域提取法的缺点是往往会造成过度分割,即将图像分割成过多的区域,因此近年来针对这种方法的研究较少。

2 基于MATLAB的图像分割

MATLAB允许用户以数学形式的语言编写程序,用户在命令窗口中输入命

令即可直接得出结果,这比C++、Fortran和Basic等等该机语言都要方便的多。而且它是用C语言开发的,其流程控制语句与C语言中的相应语句几乎一致。这给使用上带来了方便,使我能较快的适应与使用MATLAB这门语言,使用起来更加方便。

另外,MATLAB的内部函数提供了相当丰富的函数,这些函数解决许多基本问题,如矩阵的输入。在其它语言中(比如C语言中),要输入一个矩阵,先要编写一个矩阵的子函数,而MATLAB语言则提供了一个人机交互的数学系统环境,该系统的基本数据结构是矩阵,在生成矩阵对象时,不要求做明确的维数说明。与利用C语言或Fortran 等等高级语言编写数值计算的程序相比,利用MATLAB 可以节省大量的编程时间。这就给用户节省了很多的时间,使用户可以把自己的精力放到创造方面,而把繁琐的问题交给内部函数来解决。

除了这些数量巨大的基本内部函数外,MATLAB还有为数不少的工具箱。这些工具箱用于解决某些领域的复杂问题。

3 图像分割的主要研究方法

3.1 图像分割定义

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,至今已提出了上千种各种类型的分割算法,现提出的分割算法大都是针对具体问题的,并没有一种适合于所有图像的通用分割算法,而且近年来每年都有上百篇相关研究报道发表。然而,还没有制定出选择合适分割算法的标准,这给图像分割技术的应用带来许多实际问题。因此,对图像分割的研究还在不断深入之中,是目前图像处理中研究的热点之一[1]。

多年来人们对图像分割提出了不同的解释和表述,借助集合概念对图像分割可给出如下定义:令集合R代表整个图像区域,对R的图像分割可以看做是将R分成N个满足以下条件的非空子集R1,R2,R3,…,RN;

(1)在分割结果中,每个区域的像素有着相同的特性;

(2)在分割结果中,不同子区域具有不同的特性,并且它们没有公共特性;(3)分割的所有子区域的并集就是原来的图像;

(4)各个子集是连通的区域;

图像分割是把图像分割成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程,这些特性可以是像素的灰度、颜色、纹理等提取的目标可以是对应的单个区域,也可以是对应的多个区域。

3.2 图像分割方法综述

图像分割是指将图像划分为与其中含有的真实世界的物体或区域有强相关性的组成部分的过程。图像分割是图像处理和分析中的重要问题,也是计算机视觉研究中的一个经典难题。尽管它一直受到科研人员的重视,但是它的发展很慢,被认为是计算机视觉的一个瓶颈。迄今为止,还没有一种图像分割方法适用于所有的图像,也没有一类图像所有的方法都适用于它。近几年来,研究人员不断改进原有方法并将其它学科的新理论和新方法引入图像分割,提出了不少新的分割方法。本文对传统的图像分割方法进行分析。

典型的图像分割方法有阈值法,边缘检测法,区域法。分析各种图像分割方法可以发现,它们分割图像的基本依据和条件有以下4方面:

(l)分割的图像区域应具有同质性,如灰度级别相近、纹理相似等;

(2)区域内部平整,不存在很小的小空洞;

(3)相邻区域之间对选定的某种同质判据而言,应存在显著差异性;

(4)每个分割区域边界应具有齐整性和空间位置的准确性。

现有的大多数图像分割方法只是部分满足上述判据。如果加强分割区域的同性质约束,分割区域很容易产生大量小空洞和不规整边缘:若强调不同区域间性质差异的显著性,则极易造成非同质区域的合并和有意义的边界丢失。不同的图像分割方法总有在各种约束条件之间找到适当的平衡点。

3.3 分水岭算法

3.3.1分水岭算法的概念:

分水岭分割方法,是一种基于拓扑理论的数学形态学的分割方法,其基本思想是把图像看作是测地学上的拓扑地貌,图像中每一点像素的灰度值表示该点的海拔高度,每一个局部极小值及其影响区域称为集水盆,而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面,刺穿一个小孔,然后把整个模型慢慢浸入水中,随着浸入的加深,每一个局部极小值的影响域慢慢向外扩展,在两个集水盆汇合处构筑大坝,即形成

分水岭。

3.3.2分水岭算法的原理:

分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L. Vincent提出的。在该算法中,分水岭计算分两个步骤,一个是排序过程,一个是淹没过程。首先对每个像素的灰度级进行从低到高排序,然后在从低到高实现淹没过程中,对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。

分水岭变换得到的是输入图像的集水盆图像,集水盆之间的边界点,即为分水岭。显然,分水岭表示的是输入图像极大值点。因此,为得到图像的边缘信息,通常把梯度图像作为输入图像,即

g(x,y)=grad(f(x,y))={[f(x,y)-f(x-1,y)]2[f(x,y)-f(x,y-1)]2}0.5

式中,f(x,y)表示原始图像,grad{.}表示梯度运算。

分水岭算法对微弱边缘具有良好的响应,图像中的噪声、物体表面细微的灰度变化,都会产生过度分割的现象。但同时应当看出,分水岭算法对微弱边缘具有良好的响应,是得到封闭连续边缘的保证的。另外,分水岭算法所得到的封闭的集水盆,为分析图像的区域特征提供了可能。

为消除分水岭算法产生的过度分割,通常可以采用两种处理方法,一是利用先验知识去除无关边缘信息。二是修改梯度函数使得集水盆只响应想要探测的目标。

为降低分水岭算法产生的过度分割,通常要对梯度函数进行修改,一个简单的方法是对梯度图像进行阈值处理,以消除灰度的微小变化产生的过度分割。即

g(x,y)=max(grad(f(x,y)),gθ)

式中,gθ表示阈值。

程序可采用方法:用阈值限制梯度图像以达到消除灰度值的微小变化产生的过度分割,获得适量的区域,再对这些区域的边缘点的灰度级进行从低到高排序,然后在从低到高实现淹没的过程,梯度图像用Sobel算子计算获得。对梯度图像进行阈值处理时,选取合适的阈值对最终分割的图像有很大影响,因此阈值的选取是图像分割效果好坏的一个关键。缺点:实际图像中可能含有微弱的边缘,灰

度变化的数值差别不是特别明显,选取阈值过大可能会消去这些微弱边缘。

分水岭算法是数学形态学分割方法中的经典算法,它将图像看作是地形学上被水覆盖的自然地貌,图像中的每一像素的灰度值表示该点的海拔高度,其每一个局部极小值及其影响区域称为集水盆,集水盆的边界则是分水岭,在各极小区域的表面打一个小孔,同时让水从小孔中涌出,并慢慢淹没极小区域周围的区域,那么各极小区域波及的范围,即是相应的集水盆,对应图像中的区域;不同区域的水流相遇时的界限,就是期望得到的分水岭,对应区域的边缘。分水岭变换可以保证分割区域的连续性和封闭性。分水岭变换是从局部极小点开始,即只能是在梯度图中用,原始图是转换后才能用于分水岭变换的。一般图像中存在多个极小值点,通常会存在过分割现象,可以采用梯度阈值分割改进或者采用标记分水岭算法将多个极小值区域连在一起。

3.4 区域分裂合并法

3.4.1区域分裂合并法基本思想

区域分裂合并法无需预先指定种子点,它按某种一致性准则分裂或者合并区域.可以先进行分裂运算,然后再进行合并运算;也可以分裂和合并运算同时进行,经过连续的分裂和合并,最后得到图像的精确分割效果。分裂合并法对分割复杂的场景图像比较有效。

图3.1 区域合并法示图

3.4.2区域分裂合并算法过程

令R表示整幅图像区域并选择一个谓词P。对R进行分割的一种方法是反复

将分割得到的结果图像再次分为四个区域,直到对任何区域R

i ,有P(R

i

)=TRUE。

这里是从整幅图像开始。如果P(R)=FALSE,就将图像分割为4个区域。对任何区域如果P的值是FALSE.就将这4个区域的每个区域再次分别分为4个区域,如此不断继续下去。这种特殊的分割技术用所谓的四叉树形式表示最为方便(就是说,每个非叶子节点正好有4个子树),这正如图10.42中说明的树那样。注意,树的根对应于整幅图像,每个节点对应于划分的子部分。此时,只有R

4

进行了进一步的再细分。

图3.2 区域合并算法示图

如果只使用拆分,最后的分区可能会包含具有相同性质的相邻区域。这种缺陷可以通过进行拆分的同时也允许进行区域聚合来得到矫正。就是说,只有在

P(R

j ∪R

k

)=TRUE时,两个相邻的区域R

j

和R

k

才能聚合。

前面的讨论可以总结为如下过程。在反复操作的每一步,我们需要做:

(l)对于任何区域Ri,如果P(Ri)=FALSE,就将每个区域都拆分为4个相连的象限区域。

(2)将P(Rj∪Rk)=TRUE的任意两个相邻区域Rj和Rk进行聚合。

(3)当再无法进行聚合或拆分时操作停止。

可以对前面讲述的基本思想进行几种变化。例如,一种可能的变化是开始时将图像拆分为一组图象块。然后对每个块进一步进行上述拆分,但聚合操作开始时受只能将4个块并为一组的限制。这4个块是四叉树表示法中节点的后代且都满足谓词P。当不能再进行此类聚合时,这个过程终止于满足步骤2的最后的区

域聚合。在这种情况下,聚合的区域可能会大小不同。这种方法的主要优点是对于拆分和聚合都使用同样的四叉树,直到聚合的最后一步。

4 MATLAB程序与结果

4.1分水岭算法程序与结果

I= imread('C:\Users\Windows\Desktop\diandian.jpg');

imshow(I);

h=fspecial('sobel'); %获得纵方向的sobel算子

fd=double(I);

g=sqrt(imfilter(fd,h,'replicate').^2+imfilter(fd,h','replicate').^

2); % 使用sobel算子进行梯度运算

figure;

imshow(g);

g2=imclose(imopen(g,ones(3,3)),ones(3,3));%进行开闭运算对图像进行平滑 figure;

imshow(g2);

im=imextendedmin(g2,10); %得到最小值附近的区域,此处的附近是相差10的区域

Lim=watershed(bwdist(im)); % 再次分水岭计算

em=Lim==0;

g3=imimposemin(g2,im|em);% 在梯度图上标出im和em,im是积水盆地的中心,em是分水岭

g4=watershed(g3); %第三次分水岭计算

figure;

imshow(g4);

g5=I;

g5(g4==0)=255;%从原图对分水岭进行观察

figure;

imshow(g5);

运行结果:

图4.1.1 原图图4.1.2 第一次分水岭计算

图4.1.3 第二次分水岭计算图4.1.4 第三次分水岭计算

图4.1.5 从原图对分水岭进行观察

4.2 分裂合并算法程序与结果

I1 = imread('peppers.png');

I=rgb2gray(I1);

S = qtdecomp(I,.27);%以阈值ceil(0.27*255)=69对图像I进行四叉分解blocks = repmat(uint8(0),size(S));%得到一个和I同尺寸的黑色背景blocks

for dim = [512 256 128 64 32 16 8 4 2 1]; %分块全是2的整数次幂, numblocks = length(find(S==dim)); %有numblocks个尺寸为dim 的分块,

if (numblocks > 0)

values = repmat(uint8(1),[dim dim numblocks]);%产生一个dim x dim x numblocks的三维1值矩阵( % numblocks个尺寸为dim x dim的1值block)

values(2:dim,2:dim,:) = 0;

blocks = qtsetblk(blocks,S,dim,values);%blocks保存了所有块被替换后的结果。

end

end

blocks(end,1:end) = 1;

blocks(1:end,end) = 1;

imshow(I), figure, imshow(blocks,[])

运行结果:

图4.2.1 原图 图4.2.2 灰度图像

图4.2.3 分裂后图像

5 两种图像分割方法的比较

(1)分水岭:

图像分割的一种重要途径是通过边缘检测,即检测灰度级或者结构具有突变的地方,表明一个区域的终结,也是另一个区域开始的地方。这种不连续性称为边缘。不同的图像灰度不同,边界处一般有明显的边缘,利用此特征可以分割图像。

图像中边缘处像素的灰度值不连续,这种不连续性可通过求导数来检测到。对于阶跃状边缘,其位置对应一阶导数的极值点,对应二阶导数的过零点(零交叉点)。因此常用微分算子进行边缘检测。常用的一阶微分算子有Roberts 算子、Prewitt 算子和Sobel 算子,二阶微分算子有Laplace 算子和Kirsh 算子等。在实际中,各种微分算子常用小区域模板来表示,微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感,只适合于噪声较小不太复杂的图像。

由于边缘和噪声都是灰度不连续点,在频域均为高频分量,直接采用微分运算难以克服噪声的影响。因此用微分算子检测边缘前要对图像进行平滑滤波。

(2)区域分裂合并算法

基本思想是先确定一个分裂合并的准则,即区域特征一致性的测度,当图像中某个区域的特征不一致时就将该区域分裂成4 个相等的子区域,当相邻的子区域满足一致性特征时则将它们合成一个大区域,直至所有区域不再满足分裂合并的条件为止.

当分裂到不能再分的情况时,分裂结束,然后它将查找相邻区域有没有相似的特征,如果有就将相似区域进行合并,最后达到分割的作用。

在这类方法中,最常用的方法是四叉树分解法(如图3所示)。设R代表整个正方形图像区域,P代表逻辑谓词。基本分裂合并算法步骤如下:

(1)对任一个区域,如果H(Ri)=FALSE就将其分裂成不重叠的四等份;

(2)对相邻的两个区域Ri和Rj,它们也可以大小不同(即不在同一层),如果条件H(Ri∪Rj)=TRUE满足,就将它们合并起来。

(3)如果进一步的分裂或合并都不可能,则结束。

分裂合并法的关键是分裂合并准则的设计。这种方法对复杂图像的分割效果较好,但算法较复杂,计算量大,分裂还可能破坏区域的边界。

过程:

含义:

6 结论

本设计对传统的图像分割技术进行了简要的介绍,随着图像分割技术的深入,其应用日渐广泛,凡是对图像目标尽兴提取测量的工作都离不开图像分割。

目前,图像分割已经在交通,医学,摇感,通信,军事和工业自动化等领域得到广泛的应用。

对图像分割算法的研究已有几十年的历史,借助各种理论至今已提出了上千种各种类型的分割算法。尽管人们在图像分割方面做了许多研究工作。但由于尚无通用分割理论,因此现已提出的分割算法大都是针对具体问题的,并没有一种适合于所有图像的通用的分割算法。但是可以看出,图像分割方法正朝着更快速、更精确的方向发展,通过各种新理论和新技术结合将不断取得突破和进展。

虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题:

1.现有的多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法;

2.缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素;

3.与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性;

4.知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,力图在实际应用中达到和人类视觉分割更接近的水平。

7参考文献

[1] 夏得深,傅德胜.现代图像处理技术与应用[M].南京:东南大学出版,2001:

120-135.

[2] K.R.Castleman.数字图像处理[M].北京:电子工业出版社,1998:110,166,

220.

[3] 冈萨雷斯.数字图像处理(MATLAB版)[M].北京:电子工业出版社,

2005;111-120,152.

[4] 刘直芳,游胜志.基于多尺度彩色形态矢量算子的边缘检测[J].中国图像图

形学报,2002, 32(1):30-33.

[5] 潘晨,顾峰.基于3D直方图的彩色图像分割方法[J].中国图像图形学报,

2002,33(2):35-38.

[6] 李宏贵,李兴国.一种基于函数的图像边缘检测算法[J].中国图像图形学

报,2003,5(3):10-16.

[7] 孙祥,徐流美.MATLAB 7.0 基础教程[M].北京:清华大学出版社,2005:

102-106,155.

[8] 董长虹.Matlab神经网络与应用[M].北京:国防工业出版社,2007:

243-245,134,189.

[9] 赖志国,余啸海.Matlab图像处理与应用[M].北京:国防工业出版社,2004:

139,150-170.

图像分割算法开题报告

图像分割算法开题报告 摘要: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,并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有:基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究,选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。 关键字:图像分割,阈值法,迭代法,Otsu法,最大熵值法 1 研究背景 1.1图像分割技术的机理 图像分割是将图像划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的像素连通集合,如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言,连通有4连通和8连通之分。图像分割有3种不同的方法,其一是将各像素划归到相应物体或区域的像素聚类方法,即区域法,其二是通过直接确定区域间的边界来实现分割的边界方法,其三是首先检测边缘像素,然后再将边缘像素连接起来构成边界的方法。 图像分割是图像理解的基础,而在理论上图像分割又依赖图像理解,两者是紧密关联的。图像分割在一般意义下十分困难的,目前的图像分割处于图像的前期处理阶段,主要针对分割对象的技术,是与问题相关的,如最常用到的利用阈值化处理进行的图像分割。 1.2数字图像分割技术存在的问题

虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。 1.3数字图像分割技术的发展趋势 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以下几个明显的趋势。 对原有算法的不断改进。人们在大量的实验下,发现一些算法的效

图像分割算法研究与实现

中北大学 课程设计说明书 学生姓名:梁一才学号:10050644X30 学院:信息商务学院 专业:电子信息工程 题目:信息处理综合实践: 图像分割算法研究与实现 指导教师:陈平职称: 副教授 2013 年 12 月 15 日

中北大学 课程设计任务书 13/14 学年第一学期 学院:信息商务学院 专业:电子信息工程 学生姓名:焦晶晶学号:10050644X07 学生姓名:郑晓峰学号:10050644X22 学生姓名:梁一才学号:10050644X30 课程设计题目:信息处理综合实践: 图像分割算法研究与实现 起迄日期:2013年12月16日~2013年12月27日课程设计地点:电子信息科学与技术专业实验室指导教师:陈平 系主任:王浩全 下达任务书日期: 2013 年12月15 日

课程设计任务书 1.设计目的: 1、通过本课程设计的学习,学生将复习所学的专业知识,使课堂学习的理论知识应用于实践,通过本课程设计的实践使学生具有一定的实践操作能力; 2、掌握Matlab使用方法,能熟练运用该软件设计并完成相应的信息处理; 3、通过图像处理实践的课程设计,掌握设计图像处理软件系统的思维方法和基本开发过程。 2.设计内容和要求(包括原始数据、技术参数、条件、设计要求等): (1)编程实现分水岭算法的图像分割; (2)编程实现区域分裂合并法; (3)对比分析两种分割算法的分割效果; (4)要求每位学生进行查阅相关资料,并写出自己的报告。注意每个学生的报告要有所侧重,写出自己所做的内容。 3.设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕: 每个同学独立完成自己的任务,每人写一份设计报告,在课程设计论文中写明自己设计的部分,给出设计结果。

彩色图像分割介绍

第一章绪论 计算机图像处理在医学领域的应用越来越广泛,白细胞图像的自动判断就是其中的代表之一。它能有效地减少主观干扰,提高工作效率,减轻医生负担。近些年来,计算机硬件技术和光谱成像技术的飞速发展,使得成功研制开发出小型实用的基于多光谱的白细胞图像自动分类识别系统成为可能。 本文研究的主要目的在于对白细胞多光谱图像分割进行初步的探索研究,为系统中其后的白细胞能够准确地分类识别奠定基础。 本章简要阐述了基于多光谱的白细胞图像分割的应用背景和研究意义,回顾了国内外细胞图像分割和多光谱遥感图像分类的研究发展状况,并简要介绍了本论文的主要工作。 §1.1 概述 §1.1.1 白细胞检验 白细胞的光学显微镜检查是医院临床检验项目之一,特别是对各种血液病的诊断占有极其重要的地位。它的任务是观察或测定血液中的各种白细胞的总数、相对比值、形态等,用于判断有无疾病、疾病种类以及严重程度等,特别是对类似白血病这类血液病诊断具有更加重要的意义。 白细胞分类计数的传统方法是将血液制成涂片,染色后,临床医生在显微镜下用肉眼按照有关标准,如核的形状、细胞浆的量和颜色,细胞浆颗粒的大小和颜色,整个细胞形状、稀薄与细胞间的接触等,来观察和检查这样的细胞标本[1]。然而这项工作十分繁重,工作效率低,容易误判,且人工识别误差随检查人员而异。同时通过观察的细胞数目较少,从统计的角度看,因样本集较小而影响诊断结果的可靠性。 计算机图像处理与分析技术伴随着信息技术的不断进步在最近20年间得到了飞速的发展,已经迅速渗透到人类生活和社会发展的各个方面,这为智能化细胞分析仪代替人工方法提供了基础。因此,借助于现代计算机技术结合临床医生的实践经验,采用图像处理技术对图像进行处理,从而对细胞进行识别,对于医学科研与实践,以及临床诊断方面有着现实意义和非常广阔的前景。 目前已经制成的自动白细胞分析仪主要有两种类型: 一类是用组织化学染色法,通过连续流动的系统,以光电效应的方式分别数出单一细胞,并可同时报告白细胞总数、各类细胞的百分率和绝对值。因为该法不是由细胞形态学特点识别各类白细胞,所以不能目视观察白细胞形态,亦不能保留样本,对感染中毒细胞无法识别。 另一类是原型认定型,其工作原理模仿人“脑眼系统”[2]的智能识别过程,运用计算机图像处理和模式识别技术,将从显微镜与相机或摄像机得到的数字化图像进行自动处理分析和分类。与前一种类型的白细胞分类仪器相比,其主要优

关于图像分割算法的研究

关于图像分割算法的研究 黄斌 (福州大学物理与信息工程学院 福州 350001) 摘要:图像分割是图像处理中的一个重要问题,也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视,也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功,但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手,深入介绍了目前各种经典的图像分割算法,并在此基础比较了各种算法的优缺点,总结了当前图像分割技术中所面临的挑战,最后展望了其未来值得努力的研究方向。 关键词:图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键,也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式,使得更高层的分析和理解成为可能,因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合,也就是根据目标与背景的先验知识,对图像中的目标、背景进行标记、定位,然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]:令有序集合表示图像区域(像素点集),H 表示为具有相同性质的谓词,图像分割是把I 分割成为n 个区域记为Ri ,i=1,2,…,n ,满足: (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠,条件(2)表明每个区域都具有相同性质,条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起,图像分割一直受到人们的高度重视,其应用领域非常广泛,几乎出现在有关图像处理的所有领域,并涉及各种类型的图像。主要表现在: 1)医学影像分析:通过图像分割将医学图像中的不同组织分成不同的区域,以便更好的

彩色图像快速分割方法研究【开题报告】

毕业论文开题报告 电子信息工程 彩色图像快速分割方法研究 一、课题研究意义及现状 图像分割是一种重要的图像技术,不论是在理论研究还是实际应用中都得到了人们的广泛重视。图像分割是我们进行图像理解的基础,是图像处理中的难点之一,也是计算机视觉领域的一个重要研究内容。把图像划分为若干个有意义的区域的技术就是图像分割技术,被划分开的这些区域相互不相交,而且每个区域也必须满足特定区域的一致性条件。 彩色图像反映了物体的颜色信息,比灰度图像提供的信息更多,因此,彩色图像的分割得到了越来越多人的关注,彩色图像分割方法的研究具有很大的价值。彩色图像分割一直是彩色图像处理中一个很重要的问题,它可以看作是灰度图像分割技术在各种颜色空间上的应用。 目前,图像分割的主要方法有:基于区域生长的分割方法、基于边缘检测的分割方法、基于统计学理论的分割方法、基于小波变换法、基于模糊集合理论的方法等多种方法。其中,JSEG算法是一种基于区域生长的图像分割方法,它同时考虑了图像的颜色和纹理信息,分割结果较为准确,受到了广泛的关注。但是JSEG算法要在多个尺度下反复进行局部J值计算和区域生长,同时还要进行基于颜色直方图的区域合并,这样,该算法就显得更为繁琐、复杂。针对这些不足之处,有学者提出了一种结合分水岭与JSEG的图像分割新算法。这种新算法在计算得到图像J后,通过引入分水岭算法直接对J图进行空域分割,然后通过形态后处理完成分割。与原JSEG算法比较,新算法能够得到良好的分割效果,有效的降低了JSEG算法的复杂度。 国内外也有很多学者对彩色图像的分割方法进行研究,也提出了许多有价值的彩色图像分割算法及改进的彩色图像分割算法,而多种分割算法的结合使用也改进了单一算法的不足之处,使得彩色图像的分割结果更加理想。但是从目前对彩色图像的研究来看,由于应用领域的不同、图像质量的好与坏以及图像色彩的分布和结果等一些客观因素引起的差异,我们还没有找到一种能够完全适用于所有彩色图像分割的通用的算法。因此,彩色图像的分割方法仍是一个尚未解决的难题,还需要图像处理领域的研究人员进一步的研究探索。 本研究是对基于JSEG的改进彩色图像分割算法的研究,该算法能够有效降低原JSEG算法的复杂度,提高图像分割效率,在图像分割领域有很重要的意义。该算法是在原JSEG算法的基础上,引入了分水岭算法,降低了原算法的计算量,降低了图像分割时间。 二、课题研究的主要内容和预期目标 主要内容:

彩色图像分割的国内外研究现状

1.阈值分割方法 阈值分割方法的历史可追溯到近40年前,现已提出了大量算法,对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范闱之中的灰度阈值,然后将图像中各个象素的灰度值都与这个阈值相比较,并根据比较结果将对应的像素分为两类。这两类像素一般分属图像的两类区域,从而达到分割的目的。从该方法中可以看出,确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据图像木身的特点,可分为单阈值分割方法和多阈值分割方法;也可分为基于像素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位罝的阈值分割方法。若根据分割算法所有的特征或准则,还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松弛法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法,如严学强等人提出了基于量化直方图的最大熵阈值处理算法,将直方图量化后采用最大熵阈值处理算法,使计算量大大减小。薛贵浩、帝毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法,从目标和背景的类间差异性出发,利用贝叶斯公式估计像素属于目标和背景两类区域的后验概率,再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能,取得很好的通用性和有效性,该算法也容易实现二维推广,即采用二维统计量(如散射图或共生矩阵)取代直方图,以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法,运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法,使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法,该方法对Ostu准则的内在缺陷进行了改进,并运用对直方图的预处理及轮廓追踪,找出了最佳分割阈值。此方法对红外图像有很强的针对性。付忠良提出的基于图像差距度量的阈值选取方法,多次导出Ostu方法,得到了几种与Ostu类似的简单计算公式,使该方法特别适合需自动产生阈值的实时图像分析系统。华长发等人提出了一种基于二维熵阈值的图像分割快速算法,使传统二维阈值方法的复杂度从0(W2 S2)降至0(W2/3 S2/3)。赵雪松等人提出的综合全局二值化与边缘检测的图像方法,将全局二值化与边缘检测有效的结合起来,从而达到对信封图分割的理想效果。靳宏磊等人提出的二维灰度直方图的最佳分割方法,找到了一条最佳分割曲线,使该算法得到的分割效果明显优于一维直方图阈值方法。乐宁等人根据过渡区内象素点具有的邻域方向性特点,引入了基于一元线性回归处理的局部区域随机波动消除方法,将图像过渡区算法进行了改进。模糊技术及其日趋成熟的应用也正适应了大部分图像边缘模糊而难以分析的现状,赵初和王纯提出的模糊边缘检测方法能有效地将物体从背景中分离出来,并已在模式识别中的图像预处理和医学图像处理中获得了良好的应用。金立左、夏良正等提出图像分割的自适应模糊阈值法,利用目标一背景对比度自动选取窗宽的方法,并给出了根据目标与摄像机间的相对距离估计目标--背景对比度的算法,克服隶属函数的分布特性及其窗宽对阈值选取的不良影响。其应用于智能电视跟踪系统,对不同对比度和不同距离的海面舰船图像进行阈值分割,有较强的场景适应能力。王培珍、杜培明等人提出了一种用于多阈值图像自动分割的混合遗传算法,针对Papamarkes等提出爬山法的多阈值分割和Olivo提出子波变换的方法只对明显峰值有效而对不明显的峰值无效的缺点,以及结合模糊C-均值算法和遗传算法的两大显著特点而改进的算法,这种分割方法能够快速正

彩色图像分割-RGB模型

成绩评定表学生姓名班级学号 专业电子信息工 程课程设计题目彩色图像分割程序设 计——RGB模型 评 语 组长签字: 成绩 日期201年月日

课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名班级学号 课程设计题目彩色图像分割程序设计——RGB模型 实践教学要求与任务: 本次课程设计中,主要任务是实现基于RGB模型的彩色图像分割的程序设计,对给定的彩色图像的颜色,使用RGB颜色模型,来对其进处理。 并且设计MATLAB程序,使其能完成输入图像便自动使用RGB 模型来进行图像分割。 工作计划与进度安排: 第一阶段(1-2天):熟悉matlab编程环境,查阅相关资料; 第二阶段(2-3天):算法设计; 第三阶段(2-3天):编码与调试; 第四阶段(1-2天):实验与分析; 第五阶段(1-2天):编写文档。 指导教师: 201年月日专业负责人: 201年月日 学院教学副院长: 201年月日

Matlab是当今最优秀的科技应用软件之一,它一强大的科学计算与可视化功能,简单易用,开放式可扩展环境,特别是所附带的30多种面向不同领域工具箱支持,使得它在许多科学领域中成为计算机辅助设计与分析,算法研究和应用开发的基本工具盒首选平台在图像处理中,Matlab也得到了广泛的应用,例如图像变换,设计FIR滤波器,图像增强,四叉树分解,边缘检测,小波分析等等。不同的颜色空间在描述图像的颜色时侧重点不同。如RGB(红、绿、蓝三原色)颜色空间适用于彩色监视器和彩色摄象机,HSI(色调、饱和度、亮度)更符合人描述和解释颜色的方式(或称为HSV,色调、饱和度、亮度),CMY(青、深红、黄)、CMYK(青、深红、黄、黑)主要针对彩色打印机、复印机等,YIQ (亮度、色差、色差)是用于NTSC规定的电视系统格式,YUV(亮度、色差、色差)是用于PAL规定的电视系统格式,YCbCr(亮度单一要素、蓝色与参考值的差值、红色与参考值的差值)在数字影像中广泛应用。 彩色图像的处理有时需要将图像数据在不同的颜色空间中表示,因此,图像的颜色空间之间的转换成为一项有意义的工作。其中RGB在颜色空间转换中其关键作用,是各个空间转换的桥梁。Matlab中的颜色空间转换只涉及到了RGB、HSV、YCbCr、YIQ等,没有包含lαβ和其它颜色空间的转换。 关键字:Matlab;图像处理;RGB

图像分割常用算法优缺点探析

图像分割常用算法优缺点探析 摘要图像分割是数字图像处理中的重要前期过程,是一项重要的图像分割技术,是图像处理中最基本的技术之一。本文着重介绍了图像分割的常用方法及每种方法中的常用算法,并比较了各自的优缺点,提出了一些改进建议,以期为人们在相关图像数据条件下,根据不同的应用范围选择分割算法时提供依据。 关键词图像分割算法综述 一、引言 图像分割决定了图像分析的最终成败。有效合理的图像分割能够为基于内容的图像检索、对象分析等抽象出十分有用的信息,从而使得更高层的图像理解成为可能。目前图像分割仍然是一个没有得到很好解决的问题,如何提高图像分割的质量得到国内外学者的广泛关注,仍是一个研究热点。 多年来人们对图像分割提出了不同的解释和表达,通俗易懂的定义则表述为:图像分割指的是把一幅图像分割成不同的区域,这些区域在某些图像特征,如边缘、纹理、颜色、亮度等方面是一致的或相似的。 二、几种常用的图像分割算法及其优缺点 (一)大津阈值分割法。 由Otsu于1978年提出大津阈值分割法又称为最大类间方差法。它是一种自动的非参数非监督的门限选取法。该方法的基本思路是选取的t的最佳阈值应当是使得不同类间的分离性最好。它的计算方法是首先计算基于直方图而得到的各分割特征值的发生概率,并以阈值变量t将分割特征值分为两类,然后求出每一类的类内方差及类间方差,选取使得类间方差最大,类内方差最小的t作为最佳阈值。 由于该方法计算简单,在一定条件下不受图像对比度与亮度变化的影响,被认为是阈值自动选取的最优方法。该方法的缺点在于,要求得最佳阈值,需要遍历灰度范围0—(L-1)内的所有像素并计算出方差,当计算量大时效率会很低。同时,在实际图像中,由于图像本身灰度分布以及噪声干扰等因素的影响,仅利用灰度直方

彩色图像分割技术研究本科毕业论文

彩色图像分割技术研究本科毕业论文 目录 1. 引言 (1) 1.1.课题的研究背景和意义 (1) 1.2.彩色图像分割的现状 (2) 1.3.本文的容安排 (5) 2.彩色图像分割研究 (6) 2.1.数字图像处理概述 (6) 2.2.常用的颜色空间 (7) 2.3.彩色图像分割方法 (9) 2.3.1.阈值化方法 (10) 2.3.2.基于边缘的分割方法 (10) 2.3.3.基于区域的分割方法 (12) 3.无监督彩色图像分割 (13) 3.1.概述 (13) 3.2.颜色空间的转换 (14) 3.3.Sobel算子边缘提取 (15) 3.4.种子的选取 (16) 3.5.区域生长与合并 (17) 4.实验结果与分析 (18)

5.结论 (20) 参考文献 (21) 谢辞 (23)

1. 引言 1.1.课题的研究背景和意义 在人类所接收的信息中,有80%是来自视觉的图形信息,对获得的这些信息进行一定的加工处理也是目前一种广泛的需求,图像分割就是将图像中感兴趣的部分分割出来的技术。在图像分割的基础上,才能对目标进行特征提取和参数测量,使得更高层的图像分析和理解成为可能。因此,对图像分割的研究在图像处理领域具有非常重要的意义。 图像分割作为图像分析的基础,是图像分析过程中的关键步骤。图像分割,顾名思义是将图像按照一定的方法划分成不同的区域,使得同一区域像素之间具有一致性,不同区域间不具有这种一致性。 因为人眼对亮度具有适应性,即在一幅复杂图像的任何一点上只能识别几十种灰度级,但可以识别成千上万种颜色,所以许多情况下,单纯利用灰度信息无法从背景中提取出目标,还必须借助于色彩信息。由于彩色图像提供了比灰度图像更加丰富多彩的信息,因此随着计算机处理能力的提高,彩色图像处理正受到人们越来越多的关注。 自数字图像处理问世不久就开始了图像分割的研究,吸引了很多研究者为之付出了巨大的努力,在不同的领域也取得了很大的进展和成就,现在人们还一直在努力发展新的、更有潜力的算法,希望实现更通用、更完美的分割结果。目前,针对各种具体问题已经提出了许多不同的图像分割算法,对图像分割的效果也有很好的分析结论。但是,由于图像分割问题所面向领域的特殊性,而且问题本身具有一定的难度和复杂性,到目前为止还不存在一个通用的分割方法,也不存在一个判断分割是否成功

彩色图像分割算法:Color Image Segmentation Based on Mean Shift and Normalized Cuts

Color Image Segmentation Based on Mean Shift and Normalized Cuts Wenbing Tao,Hai Jin,Senior Member,IEEE,and Yimin Zhang,Senior Member,IEEE Abstract—In this correspondence,we develop a novel approach that provides effective and robust segmentation of color images.By incor-porating the advantages of the mean shift(MS)segmentation and the normalized cut(Ncut)partitioning methods,the proposed method requires low computational complexity and is therefore very feasible for real-time image segmentation processing.It preprocesses an image by using the MS algorithm to form segmented regions that preserve the desirable discontinuity characteristics of the image.The segmented regions are then represented by using the graph structures,and the Ncut method is applied to perform globally optimized clustering.Because the number of the segmented regions is much smaller than that of the image pixels, the proposed method allows a low-dimensional image clustering with signi?cant reduction of the complexity compared to conventional graph-partitioning methods that are directly applied to the image pixels.In addition,the image clustering using the segmented regions,instead of the image pixels,also reduces the sensitivity to noise and results in enhanced image segmentation performance.Furthermore,to avoid some inappro-priate partitioning when considering every region as only one graph node, we develop an improved segmentation strategy using multiple child nodes for each region.The superiority of the proposed method is examined and demonstrated through a large number of experiments using color natural scene images. Index Terms—Color image segmentation,graph partitioning,mean shift (MS),normalized cut(Ncut). I.I NTRODUCTION Image segmentation is a process of dividing an image into different regions such that each region is nearly homogeneous,whereas the union of any two regions is not.It serves as a key in image analysis and pattern recognition and is a fundamental step toward low-level vision, which is signi?cant for object recognition and tracking,image re-trieval,face detection,and other computer-vision-related applications [1].Color images carry much more information than gray-level ones [24].In many pattern recognition and computer vision applications,the color information can be used to enhance the image analysis process and improve segmentation results compared to gray-scale-based ap-proaches.As a result,great efforts have been made in recent years to investigate segmentation of color images due to demanding needs. Existing image segmentation algorithms can be generally classi?ed into three major categories,i.e.,feature-space-based clustering,spa-tial segmentation,and graph-based approaches.Feature-space-based clustering approaches[12],[13]capture the global characteristics of the image through the selection and calculation of the image features, which are usually based on the color or texture.By using a speci?c distance measure that ignores the spatial information,the feature Manuscript received August3,2006;revised December10,2006.This work was supported by the National Natural Science Foundation of China under Grant60603024.This paper was recommended by Associate Editor I.Bloch. W.Tao and H.Jin are with the Cluster and Grid Computing Laboratory, School of Computer Science and Technology,Huazhong University of Science and Technology,Wuhan430074,China,and also with the Service Computing Technology and System Laboratory,School of Computer Science and Technol-ogy,Huazhong University of Science and Technology,Wuhan430074,China (e-mail:wenbingtao@https://www.docsj.com/doc/1d2776544.html,;hjin@https://www.docsj.com/doc/1d2776544.html,). Y.Zhang is with the Center for Advanced Communications,Villanova University,Villanova,PA19085USA(e-mail:yimin.zhang@https://www.docsj.com/doc/1d2776544.html,). Color versions of one or more of the?gures in this paper are available online at https://www.docsj.com/doc/1d2776544.html,. Digital Object Identi?er10.1109/TSMCB.2007.902249samples are handled as vectors,and the objective is to group them into compact,but well-separated clusters[7]. Although the data clustering approaches are ef?cient in?nding salient image features,they have some serious drawbacks as well.The spatial structure and the detailed edge information of an image are not preserved,and pixels from disconnected regions of the image may be grouped together if their feature spaces overlap.Given the importance of edge information,as well as the need to preserve the spatial relation-ship between the pixels on the image plane,there is a recent tendency to handle images in the spatial domain[11],[28].The spatial segmen-tation method is also referred to as region-based when it is based on region entities.The watershed algorithm[19]is an extensively used technique for this purpose.However,it may undesirably produce a very large number of small but quasi-homogenous regions.Therefore,some merging algorithm should be applied to these regions[20],[28]. Graph-based approaches can be regarded as image perceptual grouping and organization methods based on the fusion of the feature and spatial information.In such approaches,visual group is based on several key factors such as similarity,proximity,and continuation[3], [5],[21],[25].The common theme underlying these approaches is the formation of a weighted graph,where each vertex corresponds to n image pixel or a region,and the weight of each edge connecting two pixels or two regions represents the likelihood that they belong to the same segment.The weights are usually related to the color and texture features,as well as the spatial characteristic of the corresponding pixels or regions.A graph is partitioned into multiple components that minimize some cost function of the vertices in the components and/or the boundaries between those components.So far,several graph cut-based methods have been developed for image segmentations[8], [14],[22],[23],[27],[30],[31].For example,Shi and Malik[23] proposed a general image segmentation approach based on normalized cut(Ncut)by solving an eigensystem,and Wang and Siskind[8] developed an image-partitioning approach by using a complicated graph reduction.Besides graph-based approaches,there are also some other types of image segmentation approaches that mix the feature and spatial information[4],[29]. This correspondence concerns a Ncut method in a large scale. It has been empirically shown that the Ncut method can robustly generate balanced clusters and is superior to other spectral graph-partitioning methods,such as average cut and average association[23]. The Ncut method has been applied in video summarization,scene detection[17],and cluster-based image retrieval[18].However,image segmentation approaches based on Ncut,in general,require high computation complexity and,therefore,are not suitable for real-time processing[23].An ef?cient solution to this problem is to apply the graph representation strategy on the regions that are derived by some region segmentation method.For example,Makrogiannis et al.[20] developed an image segmentation method that incorporates region-based segmentation and graph-partitioning approaches.This method ?rst produces a set of oversegmented regions from an image by using the watershed algorithm,and a graph structure is then applied to represent the relationship between these regions. Not surprisingly,the overall segmentation performance of the region-based graph-partitioning approaches is sensitive to the region segmentation results and the graph grouping strategy.The inherent oversegmentation effect of the watershed algorithm used in[20]and [28]produces a large number of small but quasi-homogenous regions, which may lead to a loss in the salient features of the overall image and,therefore,yield performance degradation in the consequent region grouping. To overcome these problems,we propose in this correspondence a novel approach that provides effective and robust image segmentation 1083-4419/$25.00?2007IEEE

彩色图像分割混合方法

使用直方图c聚类混合方法的彩色图像分割 摘要: 本文提出了一种新的直方图阈值–模糊C-均值混合(htfcm)的方法,这种方法可以应用到模式识别以及计算机视觉特别是彩色直方图等不同领域。该方法采用直方图阈值技术在彩色图像中获得所有尽可能均匀的区域。然后,使用模糊聚类(FCM)算法来提高这些均匀区域的聚类紧凑性。实验结果表明,所提出的低复杂性的htfcm的方法可以比采用蚁群算法进行细分的其他方法,获得更好的聚类结果和分割结果。 1简介 颜色是一个可以用来提取同类区域最重要的低级别的特点,多数时候与对象或对象的部分相关。在24位真彩色图像中,特殊颜色数量通常超过图像大小的一半,可以达到16百万。从人的感知上来说,这些颜色不能被人眼识别,只能靠内部认知空间的30种颜色来区分。由于所有的特殊颜色在感知上非常接近,它们可以被组合来形成同性质的区域来代表图像中的目标对象,因此图像可以变得更有意义并且更容易分析。在图像处理与计算机视觉中,图像分割是图像分析和模式识别的中心任务。这是把一个图像分割成多个区域,这些区域相对于一个或多个特征是同类的。 虽然在科学文献中已经出现许多分割技术,它们可分为基于图像域,基于物理和基于特征空间的分割技术。这些技术已经被广泛使用,但每一种都有其优点和局限.图像域技术把颜色特征和颜色的空间关系应用到同类评估中以便进行分割,这些技术产生具有合理紧凑性的区域但有会存在合适的种子区域选择困难的问题。基于物理技术的方法利用材料的反射特性的物理模型进行具有更多应用的颜色分割,他们的模型可能会产生色彩变化.特征空间技术利用颜色特征作为图像分割的关键和唯一标准来分割图片。因为色彩空间关系被忽略所以分割的区域通常是分散的。但是,这种限制可以通过提高区域紧凑性来解决。 在计算机视觉和模式识别中,由于其聚类有效性和实施简单,模糊C均值(FCM)算法已被广泛用于提高区域的紧凑性。它是一个将像素划分成群集的像素聚类过程,因此在同一集群中的像素最大可能的相似,那些不在同一组群的像素最大程度的不同。由于在视觉上不同的区域尽可能不同,这与分割过程相一致。但是,它的实现往往遇到两个不可避免的困难,确定聚类数和合理选择初始聚类中心。这些初始化困难对分割质量有影响。而聚类数的确定可能影响分割区域和区域性特征方差,获得初始聚类中心会影响聚类的紧凑性和分类的准确性。 最近,一些基于特征的分割技术采用蚁群算法(ACA)的概念对图像进行分割。由于蚁群算法的智能搜索能力,这些技术可以实现图像分割结果的进一步优化。但由于他们计算的复杂性会产生低效率。除了获得良好的分割结果外,[26]提及的改进的蚁群算法(AS)提供了一个解决方案来克服FCM的聚类中心和聚类数初始化条件的敏感性。然而,该技术在特征空间中没有达到非常紧凑的聚类结果。为了提高蚁群算法的性能,[26]介绍了蚁群–模糊C-均值算法(AFHA)。本质上,AFHA算法合并FCM算法和蚁群算法来提高特征空间中聚类结果的紧凑性。然而,由于蚁群算法计算的复杂度它的效率仍然很低。为了增加AFHA算法的效率,[26]介绍了改进的蚁群模糊C均值算法(IAFHA)。IAFHA算法在AFHA算法上增加了一个蚂蚁的子采样的方法以减少计算的复杂性使算法具有更高的效率。虽然IAFHA 的效率得到提高,但还存在较高的计算复杂度。 在本文中,我们提出了一个新的分割方法称为直方图阈值–模糊C-均值混合算法(htfcm)。Htfcm方法主要分为两个模块,即直方图阈值模块和FCM模块。直方图阈值模块用于获取FCM聚类中心和聚类数的初始条件。与蚁群聚类相比这个模块的实现不需要很高的计算复杂度。这就意味着该算法的简单性。 本文的其余部分安排如下:第2节详细地介绍了直方图阈值模块和FCM模块。3节提供了

相关文档
相关文档
最新文档