第34卷 第2期吉林大学学报(工学版) Vol.34 No.2 2004年4月Journal of Jilin University(Engineering and Technology Edition) Apr.2004文章编号:1671-5497(2004)02-0291-03
基于统计模式识别的植物
病害彩色图像分割方法
田有文,李成华
(沈阳农业大学农业工程学院,辽宁沈阳 110161)
摘 要:根据植物病害彩色图像的特点,提出了用颜色空间作为特征空间,利用统计模式识别
的监督分类方法,采用基于Fisher准则的线性判别函数来对彩色图像进行真彩色二值化分割。
结果表明:该方法具有快速、有效和准确的特点,对彩色植物病害图像的分割处理十分有效。
关键词:彩色图像分割;统计模式识别;植物病害
中图分类号:TP391.4 文献标识码:A
Color image segmentation method based on statistical pattern
recognition for plant disease diagnose
TIA N You2wen,L I Cheng2hua
(College of A griculture Engineering,S henyang A griculture U niversity,S henyang110161,China)
Abstract:A supervision and sorting technique on the basis of statistical pattern recognition by using color as characteristic space was proposed according to the properties of plant disease image.Real color binarylization segmentation to the color image was carried out through applying Fisher criterion.The experimental result shows that this segmentation method possesses high speed with high accuracy and is effective in plant disease image segmentation and processing.
K ey w ords:color image segmentation;statistical pattern recognition;plant disease
图像分割是图像分析和图像处理的首要步骤,其结果直接决定着最终分析结果的准确程度。图像分割的目的是把图像分成各具特性的区域,并提取出对研究的问题有意义的目标。分割后各区域的内部特征往往相同或相似,而相邻区域的特征则不相同,故可认为是分类问题。常用的图像分割技术有阈值分割法、区域法、人工神经网络法[1,2]等。但目前还没有效果很好且普遍适用的分割规则。植物病害图像分割是对植物病害图像进行处理的基础,是实现植物病害情况自动检测和田间管理自动化的前提。植物病害图像成分复杂,病叶上的病斑排列无规则,颜色深浅不一,且存在一定的随机噪声。图像由病斑部分和正常部分组成,其分割是一个二类问题,可运用模式识别的分类方法分割图像。作者采用R G B空间作为模式分类的特征空间,并在此基础上,根据Fisher准则,运用统计模式识别的线性判别函数对彩色图像进行了真彩色分割。
收稿日期:2003207220.
作者简介:田有文(1968-),女,副教授,博士研究生.E2mail:youwen-tian@https://www.doczj.com/doc/331930529.html,
1 特征提取与分类器设计
基于统计模式识别方法建立的识别系统由数据获取、特征提取、分类器设计和分类决策4部分组成。其中特征提取和分类器设计是最关键的部分。特征提取的目的是获取一组“少而精”的分类特征,即通过一定的映射变换方法,把高维特征向量映射到低维空间中,得到一组最能反映分类本质的特征。对于彩色图像分割问题,色彩信息即每一象素点R 、G 、B 颜色向量是该象素的重要特征。在通常情况下,植物病害的病斑和正常部分的R 、B 值相差较大,而G 值相差不大,且其R 、G 、B 分量的直方图有重叠部分,不呈现明显的双峰状,故简单地用R 、G 、B 颜色分量进行图像分割,很难使目标和背景分开。因此考虑把三维R G B 颜色空间的样本投影到一条直线上,形成一维空间。在一般情况下,总能找到某个方向,使在这个方向上样本的投影能分开得最好。
作者研究的分割是二类问题,假设判别函数为线性,则其一般表达式为:
g (x )=w T
x +w 0式中:x 为三维特征向量;w 为权向量;w 0为阈值权,是一个常数。
对于两类问题L 1、L 2的线性分类器可以采用下述的决策规则。
令:
g (x )=g 1(x )-g 2(x ) 如果:g (x )>0,则决策x ∈L 1g (x )<0,则决策x ∈L 2
g (x )=0,可将x 任意分到某一类,
或拒绝
根据前面的分析知道,分割植物病害图像首先要解决的问题是降低维数,即把三维R G B 颜色空间降为一维空间以便于识别。故希望通过映射A :X →Y 后,在一维Y 空间里各类样本尽可能相互分开,同时希望各类样本类内离散度越小越好,这就是Fisher 准则,其函数表示为:
J F (w )=
(m ～1-m ～2)2S ～21+S ～22式中:m ～1为一维Y 空间L 1类的样本均值,m ～1=
1N 1∑N 1i =1y i ,N 1为L 1类的样本数;m ～2为一维Y 空间L 2类的样本均值,m ～2=
1N 2∑N 1
i =1y i ,N 2为L 2类的样本数;S ～1为一维Y 空间L 1类的类内离散度,S ～1=∑N 1i =1(y i -m ～1)2;S ～2为一维Y 空间L 2类的类内离散度,S ～2=∑N 2i =1(y i -m ～
2)2。我们的目标就是寻找一个w 3
作为投影方向,使J F (w )尽可能大。通过计算[3]使J F (w )取极大值的w 3为:
w 3=S -1w (m 1-m 2)式中:m 1为三维R G B 颜色空间L 1类样本均值向量,m 1=
1N 1∑N 1
i =1x i ;m 2为三维R G B 颜色空间L 2类样本均值向量,m 2=1N 2∑N 2i =1x i ;S w 为三维R G B 颜色空间总类内离散度矩阵,S w =S 1+S 2;S 1为三维R G B
颜色空间L 1类内离散度矩阵,S 1=∑N 1i =1
(x i -m 1)(x i -m 1)T ;S 2为三维R G B 颜色空间L 2类内离散度矩阵,S 2=∑N
2
i =1(x i -m 2)(x i -m 2)T 。计算出w 3,利用y n =w T
x ,就可以把三维R G B 颜色空间样本投影到一维。在一维分类过程中,只要确定一个阈值y 0,将投影点y n 与y 0进行比较,便可做出决策。
?292?吉林大学学报(工学版)第34卷
根据经验,y 0可确定为:
y 0=m 1+m 22或y 0=N 1m 1+N 2m 2
N 1+N 2
基于上述分析结果,可以按以下步骤设计分类器。
(1)选取代表病斑部分和正常部分的训练样本集。
(2)在三维R G B 颜色空间,对每类样本进行统计分析,即计算每类样本集的m 1、m 2、S 1、S 2,从而得出w 3。
(3)根据y =w 3T x ,得出一维空间样本集,并对其进行统计分析,从而确定分界阈值点y 0。
(4)扫描图像,根据y =w 3T x ,确定图像的每一个象素点的投影点y 。
(5)根据决策规则y {y 0→x ∈
L 1
L 2,进行决策分类。2 实验结果
选取5幅彩色植物病害原始图像,首先采用中值滤波方法去除随机噪声,并加强有用的信息。然后用人工分割出20个病斑部分和10个正常部分作为样本集。应用上述方法,在植物病害自动诊断图像分析系统中成功地实现了植物病害彩色图像的真彩色分割。该方法虽然简单,但分割效果很好。实际分割如图1所示。
(a )原始图像(b )分割后的二值图像
图1 实际分割效果图
Fig.1 Practical segmentation effects
3 结束语
通过对真彩色植物病害图像的特征提取,经过大量的样本学习及降维,获得了有效的权向量和用于分类的本质特征向量。从实验结果可以看出,统计模式识别分类方法具有快速、简单、可靠、准确性高等优点,能很好地进行植物病斑与背景分割,满足对其进一步处理的需要。
参考文献:
[1]CHEN G H D ,J IAN G H X ,SUN Y ,WAN G J L.Color image segmentation :advances and prospects [J ].Pattern
Recognition ,2001,34:2251-2281.
[2]吕朝辉,陈晓光,吴文福,赵红霞.用BP 神经网络进行秧苗图像分割[J ].农业工程学报,2001,17(3):146-148.
[3]边肇祺,张学工.模式识别[M ].北京:清华大学出版社,2000.
(责任编辑 张祥合)
?
392?第2期田有文,等:基于统计模式识别的植物病害彩色图像分割方法
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
用Matlab来分割彩色图像的过程如下： 1）获取图像的RGB颜色信息。通过与用户的交互操作来提示用户输入待处理的彩色图像文件路径; 2）RGB彩色空间到lab彩色空间的转换。通过函数makecform()和applycform()来实现; 3）对ab分量进行Kmean聚类。调用函数kmeans()来实现； 4）显示分割后的各个区域。用三副图像分别来显示各个分割目标，背景用黑色表示。Matlab程序源码 %文件读取 clear; clc; file_name = input('请输入图像文件路径：','s'); I_rgb = imread(file_name); %读取文件数据 figure(); imshow(I_rgb); %显示原图 title('原始图像'); %将彩色图像从RGB转化到lab彩色空间 C = makecform('srgb2lab'); %设置转换格式 I_lab = applycform(I_rgb, C); %进行K-mean聚类将图像分割成3个区域 ab = double(I_lab(:,:,2:3)); %取出lab空间的a分量和b分量 nrows = size(ab,1); ncols = size(ab,2); ab = reshape(ab,nrows*ncols,2); nColors = 3; %分割的区域个数为3 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean','Replicates',3); %重复聚类3次 pixel_labels = reshape(cluster_idx,nrows,ncols); figure(); imshow(pixel_labels,[]), title('聚类结果'); %显示分割后的各个区域 segmented_images = cell(1,3); rgb_label = repmat(pixel_labels,[1 1 3]); for k = 1:nColors color = I_rgb; color(rgb_label ~= k) = 0; segmented_images{k} = color;
图像校正及分割处理软件设计与实现《图像分析与模式识别》课程期末大作业报告 课程名称：图像分析与模式识别
目录 图像校正及分割处理软件设计与实现 (1) 1 软件需求 (1) 1.1 操作界面需求分析 (1) 1.2 图像几何校正需求分析 (1) 1.2 ISODATA聚类算法的图像分割需求分析 (2) 2 算法原理及流程图 (2) 2.1 Hough变换 (2) 2.1.1 Hough变换原理 (2) 2.1.2 图像几何校正流程 (3) 2.2 ISODATA算法原理 (3) 2.2.1 ISODATA算法原理步骤 (3) 2.2.1 ISODATA算法流程图 (5) 3 程序设计框图 (6) 4 实验结果及分析 (7) 4.1 图像几何 (7) 4.1.1 支票图像几何校正结果 (7) 4.1.1 支票图像几何校正结果分析 (8) 4.2 图像分割 (8) 4.2.1图像分割结果 (8) 4.2.1图像分割结果分析 (10) 附录： (11) 附录一：图像几何校正代码 (11) 附录一：ISODATA聚类算法图像分割代码 (11) 附录一：MATLAB的GUI操作界面代码 (17)
图像校正及分割处理软件设计与实现 摘要：设计一种图像几何校正及图像分割处理软件，实现对倾斜支票图像校正为水平，及对已给的图像进行分割。图像几何校正主要通过边缘检测、Hough 变换、求倾斜角、图像旋转等算法实现；图像分割采用ISODATA聚类算法实现。实验结果表明，实现了对倾斜支票图像几何校正和对图像的分割功能。 关键词：边沿检测；Hough变换、图像旋转、ISODATA算法；图像分割； 1 软件需求 需求分析是指对要解决的问题进行详细的分析，弄清楚问题的要求，包括整个系统所要实现的功能。 根据题目，设计需要编写带有操作界面的图像处理软件，功能包含图像几何校和基于ISODATA聚类算法的图像分割。开发工具使用MATLAB。根据MATLAB的特点及需要实现的软件功能，软件需求分析如下： 1.1 操作界面需求分析 软件实现的功能是图像处理，因此操作界面中需要一个按钮，用于选择待处理的图像，称为“图像选择”按钮；选择的原始图像需要在操作界面中显示，因此需要一个用于显示原始图像的坐标控件；由于软件需要实现多功能，需要一个下拉框实现功能的选择；一个开始功能处理的按钮，称为“开始处理”按钮；一个用于显示图像处理结果的坐标控件。最后需要一个退出操作界面的按钮，称为“退出”按钮。 1.2 图像几何校正需求分析 原始图像在拍照时出现了倾斜，需要将图像校正，消除倾斜。通过对图像的观察，图像是一支票，支票上存在表格。因此想法是通过检测支票表格边框线的倾斜角，就是整图像的倾斜程度，然后根据这个倾斜角旋转，便可得到校正的水平图像。要检测支票图像表格边框直线。需要对图像的边缘进行检测，图像的边缘检测方法很多，如：sobel算子边缘检测，prewitt算子边缘检测，roberts 算子边缘检测，log算子边缘检测，canny算子边缘检测等，由于原图的噪声并不是很严重，因此上面这些边缘检测办法都能胜任，这里使用log算子进行边缘检测，为了适应其它边缘检测方法，本设计需要尽量在改变边缘检测方法时尽可能少地修改代码。边缘检测后，采用Hough变换提取直线，然后在提取的直线上找两个点，计算出直线的倾斜角度。最后根据这个倾斜角度对图像进行旋转。
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。
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：
3 Matlab编程实现 3.1 Matlab编程过程 用Matlab来分割彩色图像的过程如下： 1）获取图像的RGB颜色信息。通过与用户的交互操作来提示用户输入待处理的彩色图像文件路径; 2）RGB彩色空间到lab彩色空间的转换。通过函数makecform()和applycform()来实现; 3）对ab分量进行Kmean聚类。调用函数kmeans()来实现； 4）显示分割后的各个区域。用三副图像分别来显示各个分割目标，背景用黑色表示。3.2 Matlab程序源码 %文件读取 clear; clc; file_name = input('请输入图像文件路径：','s'); I_rgb = imread(file_name); %读取文件数据 figure(); imshow(I_rgb); %显示原图 title('原始图像'); %将彩色图像从RGB转化到lab彩色空间 C = makecform('srgb2lab'); %设置转换格式 I_lab = applycform(I_rgb, C); %进行K-mean聚类将图像分割成3个区域 ab = double(I_lab(:,:,2:3)); %取出lab空间的a分量和b分量 nrows = size(ab,1); ncols = size(ab,2); ab = reshape(ab,nrows*ncols,2); nColors = 3; %分割的区域个数为3 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean','Replicates',3); %重复聚类3次 pixel_labels = reshape(cluster_idx,nrows,ncols); figure(); imshow(pixel_labels,[]), title('聚类结果'); %显示分割后的各个区域 segmented_images = cell(1,3); rgb_label = repmat(pixel_labels,[1 1 3]); for k = 1:nColors
模式识别课程设计
模式识别课程设计 聚类图像分割 一．图像分割概述 图像分割是一种重要的图像分析技术。在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣。这些部分常称为目标或前景（其他部分称为背景）。它们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析图像中的目标，需要将它们从图像中分离提取出来，在此基础上才有可能进一步对目标进行测量，对图像进行利用。图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。 图象分割是图象处理、模式识别和人工智能等多个领域中一个十分重要且又十分困难的问题，是计算机视觉技术中首要的、重要的关键步骤。图象分割应用在许多方面，例如在汽车车型自动识别系统中，从CCD摄像头获取的图象中除了汽车之外还有许多其他的物体和背景，为了进一步提取汽车特征，辨识车型，图象分割是必须的。因此其应用从小到检查癌细胞、精密零件表面缺陷检测，大到处理卫星拍摄的地形地貌照片等。在所有这些应用领域中，最终结
果很大程度上依赖于图象分割的结果。因此为了对物体进行特征的提取和识别，首先需要把待处理的物体(目标)从背景中划分出来，即图象分割。但是，在一些复杂的问题中，例如金属材料内部结构特征的分割和识别，虽然图象分割方法已有上百种，但是现有的分割技术都不能得到令人满意的结果，原因在于计算机图象处理技术是对人类视觉的模拟，而人类的视觉系统是一种神奇的、高度自动化的生物图象处理系统。目前，人类对于视觉系统生物物理过程的认识还很肤浅，计算机图象处理系统要完全实现人类视觉系统，形成计算机视觉，还有一个很长的过程。因此从原理、应用和应用效果的评估上深入研究图象分割技术，对于提高计算机的视觉能力和理解人类的视觉系统都具有十分重要的意义。 二．常用的图像分割方法 1.基于阈值的分割方法 包括全局阈值、自适应阈值、最佳阈值等等。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。全局阈值是指整幅图像使用同一个阈值做分割处理，适用于背景和前景有明显对比的图像。它是根据整幅图像确定的：T=T(f)。但是这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其它一些方法。
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
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
植物病害的特征及防治措施 根据植物病害检测仪多年对植物病害种类的观察分析及统计，园艺植物病害可以被分为两大类，非传染性病害和传染性病害。这两种植物病害都是什么特征呢？我们应该如何进行进行防治，下面详细进行介绍： 非传染性病害和传染性植物病害的特征： （1）非传染性病害的识别。此类病害在田间发生一般为较大面积的均匀发生，没有由点到面逐步扩展的过程。通常有病植株均表现为全株发病。此类病害不是由病原生物引起的，因此发病植物表现出的症状只有病状没有病征。这类病害的发生往往与土质、气象条件的特殊变化、栽培管理(施肥、排灌和喷洒化学农药是否适当)以及与某些工厂相邻而接触废水、废气、烟尘等有密切关系。因此诊断这类病害除观察田间发病情况和病害症状外，还必须对发病植物所在的环境条件等有关问题进行调查和分析，才能最后确定致病原因。非传染性病害与环境条件的关系更密切、发生面积更大、无明显的发病中心和中心病株，在适当的条件下可以恢复(环境条件改变)。 （2）传染性病害的识别。传染性病害分为真菌类、细菌类和病毒类。真菌类病害的识别。由病原真菌引起的病害统称真菌病害。诊断这类病害主要根据症状观察和病原检查来进行。真菌病害的症状以坏死和腐烂居多，而且大多数真菌病害均具有明显的病征，环境条件适合时可在病部看到明显的霉状物、粉状物、锈状物、颗粒状物等特定结构。诊断真菌病害时，除仔细观察症状外还应对病原进行鉴定。做病原检查时根据不同的病征采取不同的鉴定方法。当病征为霉状物或粉状物时，可用解剖针或解剖刀直接从病组织上挑取子实体制片；当病征为颗粒状物或点状物时，采用徒手切片法制作临时切片；当病原物十分稀疏时，可采用粘贴制片；然后在显微镜下观察其形态特征，根据子实体的形态、孢子的形态、大小、颜色及着生情况等与文献数据进行对比，对于常见病、多发病一般即可确定。细菌类病害的识别。由病原细菌引起的病害称为细菌性病害。细菌病害的诊断主要根据病害的症状和病原细菌的种类来进行。细菌性病害在潮湿条件下一般在病部可见一层黄色或乳白色的脓状物，干燥后形成发亮的薄膜即菌膜或颗粒状的菌胶粒。菌膜和菌胶粒都是细菌的溢脓，是细菌病害的病征。如果怀疑某种病害是细菌性病害。但在田间病征又不明显，可将该病株带回室内进行保湿培养，待病征充分表现后再进行鉴定。病毒类病害的识别。识别病毒病害主要依据症状特点、病害田间分布、病毒的传播方式、寄主范围以及病毒对环境影响的稳定性等来进行。病毒和类病毒引起的病害都没有病征，但它们的病状具有显着特点，如变色(黄化、花叶)、畸形(小叶、丛枝)等全株性病状。这些病状表现首先从分枝顶端开始，然后在其它部位陆续出现。除此之外还可用电子显微镜观察病毒粒体的形态和用血清学方法等进行鉴定。
浅析图像分割的原理及方法 一．研究背景及意义 研究背景： 随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。 研究图像分割技术的意义： 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实
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.doczj.com/doc/331930529.html,;hjin@https://www.doczj.com/doc/331930529.html,). Y.Zhang is with the Center for Advanced Communications,Villanova University,Villanova,PA19085USA(e-mail:yimin.zhang@https://www.doczj.com/doc/331930529.html,). Color versions of one or more of the?gures in this paper are available online at https://www.doczj.com/doc/331930529.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