摘 要
图像分割是图像信息处理领域的热点与难点之一，也是图像处理和计算机视觉等领域中的一个经典难题．随着分割方法的深入研究，图像分割已在图像编码、模式识别、计算机视觉、医学图像分析等众多领域有着实际的应用。广大的研究者已提出了大量的图像分割算法，但是这些算法都存在着一定的不足。迄今为止，图像分割仍然是一个富有挑战性的课题。
目前，基于多特征和多种分割方法相结合的分割技术成为分割方法的研究热点。本文对模糊聚类算法与优于传统机器学习的支持向量机方法进行了认真研究和总结，对各种方法的理论和实验结果进行了系统的对比和分析，从基于特征的角度研究图像的分割问题，本文结合模糊聚类算法与支持向量机方法对以上两个步骤进行研究分析，完成以下几个方面的工作：
1、对模糊聚类算法特别是模糊C均值聚类分割算法（FCM）进行了深入细致的研究探讨，对模糊聚类图像分割算法中的初始类别数的选取、初始聚类中心和隶属度的确定等问题进行了认真研究，针对FCM鲁棒性较差的缺点，把如何有效地利用空间信息作为研究重点。
2、以模糊C均值聚类（FCM）理论为基础，提出了一种融合空间信息的快速模糊聚类图像分割算法．仿真实验表明，该图像分割算法的分割结果与人类视觉感知系统具有良好一致性，其不仅能够有效抑制背景噪声，而且提高了图像分割速度。
3、研究了核函数类型、核参数、惩罚因子等因素对支持向量机方法分割性能的影响，提出了无监督的支持向量机分类算法，为应用支持向量机方法进行图像分割提供了参考。
4、在分析融合多种分割算法的基础上，提出了一种基于支持向量机和模糊C均值聚类（FCM）的彩色图像分割新方法。使用较少的训练样本得到了泛化性能较好的无监督的分类器，结果证明了算法的有效性和鲁棒性。
关键词：图像分割，模糊C均值聚类，支持向量机，局部空间相似性测度模型，Steerable 滤波器
A New Method of Image Segmentation Based on Multi-feature
Abstract
Image segmentation is an important tool in image processing and it can serve as an efficient front end to sophisticated algorithms and thereby simplify subsequent processing. With the development of segmentation technologies, image segmentation in image coding, pattern recognition, computer vision, medical image analysis and other fields have a practical application. The researchers have proposed a lot of algorithms, but these algorithms have some shortcomings. So far, image segmentation is still a challenging task.
Recently, the segmentation methods focus on combining Multi - features and multi - segmentation technologies. In this paper, fuzzy clustering algorithm and support vector machine are carefully studied and summarized. After comprehensively reviewing the basic principles and existed methods, the author chooses the approaches based on features to solve this problem. In this paper, the author achieves effective and innovative FCM and SVM, which can be completed as follows:
1.Fuzzy clustering algorithm has been studied in detail, especially fuzzy C-means algorithm. The initial parameters are seriously studied, such as the initial clustering center and so on. Due to the poor robustness of FCM, how to utilize the spatial information has been a key point.
2.In the conventional FCM image segmentation algorithm, cluster assignment is based solely on the distribution of pixel attributes in the feature space, and does not take into consideration the spatial distribution of pixels in an image. In this paper, we present a novel FCM image segmentation scheme by utilizing local contextual information and the high inter-pixel correlation inherent. Experimental results showed the proposed method achieves competitive segmentation results compared to other FCM-based methods, and is in general faster.
3.The kernel function, kernel parameters, the penalty factor and other factors on the support vector machine (SVM) are considered. The proposed unsupervised SVM method provides a reference for image segmentation.
4.We present a pixel-based color image segmentation using Support Vector Machine (SVM) and Fuzzy C-Means (FCM). This image segmentation not only can be fully taken advantage of the local information of color image but also the ability of SVM classifier. Experimental evidence shows that the proposed method has a very effective computational behavior and effectiveness, and decreases the time and increases the quality of color image
segmentation in compare with the state-of-the-art segmentation methods recently proposed in the literature.
Key Words：Image Segmentation；Fuzzy C-means；Support Vector Machine；Local Spatial Similarity Measure Model；Steerable Filter
目 录
摘要
Abstract
1 绪论 (1)
1.1 研究背景和意义 (1)
1.2 图像分割算法研究现状 (3)
1.3 本文的主要工作和行文结构 (4)
2 图像分割概述 (5)
2.1 图像分割定义 (5)
2.2 图像分割方法简介 (5)
2.2.1 阈值分割法 (5)
2.2.2 基于边缘检测的分割方法 (6)
2.2.3 特征空间聚类方法 (7)
2.2.4 基于区域的分割方法 (7)
2.2.5 基于特定理论方法 (8)
2.3 图像分割的评价标准 (10)
2.4 小结 (12)
3 一种融合空间信息的快速模糊聚类图像分割算法 (14)
3.1 模糊理论的图像分割技术 (14)
3.2 模糊C均值聚类(FCM)算法 (14)
3.2.1 FCM算法原理 (14)
3.2.2 FCM算法步骤 (15)
3.3 模糊C均值聚类分割算法的应用和发展 (16)
3.4 一种新型局部空间相似性测量模型 (16)
3.5 基于局部图像相关性的隶属度函数 (18)
3.6 融合空间信息的快速模糊聚类图像分割 (19)
3.7 实验结果与分析 (20)
3.8 小结 (23)
4 基于SVM的彩色图像分割算法 (24)
4.1 支持向量机的基本思想 (24)
4.2 支持向量机 (24)
4.2.1 线性支持向量机 (24)
4.2.2 非线性支持向量机 (26)
4.2.3 算法实现 (28)
4.3 特征的提取 (28)
4.3.1 颜色特征的构造 (29)
4.3.2 纹理特征的构造 (31)
4.4 分类 (33)
4.4.1 定义分类器 (33)
4.4.2 样本选择 (33)
4.5 算法描述 (34)
4.6 实验结果与分析 (35)
4.7 小结 (39)
5 总结和展望 (40)
5.1 已完成的工作和创新 (40)
5.2 展望 (40)
参考文献 (42)
攻读硕士期间研究成果 (44)
致谢 (45)
1 绪论
1.1 研究背景和意义
随着数字多媒体产品的广泛应用，数字图像在我们的日常生活中已随处可见，在科学研究、医学、工业、农业及天文学等各个领域，人们越来越多地利用图像的信息来认识和判别事物、解决问题。图像已成为信息交流的主要工具之一，特别是灰度和彩色的数字图像。数字图像处理研究涉及的领域很广泛，需要研究的问题也很多。人们利用计算机已构建出很多自主的视觉系统，但目前为止还没有一个视觉系统能够达到人类的视觉水平。一个重要原因就是计算机视觉的分割技术还没有达到相应的分割精度和速度。所以，如何用计算机对图像中感兴趣的部分进行准确的分割一直是人们研究的热点之一。
图像分割是图像处理三大任务之一，作为图像处理的重要工具，是复杂过程的有效前端，可以有效地简化后续加工过程。这种低层次的目标任务，往往是初步的（也是至关重要的）步骤。图像分割是由图像处理过渡到图像分析的关键步骤，在图像工程中占有举足轻重的位置。一方面，它是表达目标的基础，对测量特征有重要的影响。另一方面，由于图像分割及基于分割的目标表达、提取特征和测量参数等将原始图像转化成更为抽象的形式，是更高层的图像分析和理解的基础。总之，图像分割在计算机视觉领域占据重要位置，如图1.1。
图1.1 图像分割的重要地位
Fig. 1.1 Status of Image Segmentation
图像分割是将图像中有意义的部分提取出来，其有意义的部分有图像中的边缘、区域等。虽然目前已研究出许多各种用途的图像分割方法，但还没有一种能够统一适用于各种图像的有效方法。这些方法在很大程度上依赖于图像的特征、分割的目的和人工辅助。其分割技术通常还需要与相关领域的知识和图像集的特点结合起来。因此，对图像分割的研究还在不断深入之中。
图像分割的研究分为三个层次。第一个层次是对分割算法的研究，探讨各种图像分割算法。目前，大部分研究仍集中在此层次上。第二个层次是分割评价算法的研究，探讨如何对分割算法的性能进行比较。第三个层次是对分割评价方法和评价准则的研究，目的是保证采用恰当的评价方法和评价准则来研究分割技术。目前国内外在这个层次上的研究还比较缺乏[1]。
目前，图像分割在实际应用非常广泛，包括：医学影像、人脸识别、交通系统、视频和机器视觉等。总之，在图像的应用中，凡是需要提取图像目标等都离不开图像分割。图像分割在实际生产和生活领域还有很大的发展空间，因此对图像分割方法进行深入研究很有必要。
1.2 图像分割算法研究现状
近年来，在图像分割算法方面，国内外研究学者进行了深入地研究，陆续提出了多种分割方法。现已提出的算法大致分为如下几种：阈值分割、聚类分割、边缘检测、区域分割、基于特定理论的分割，如基于神经网络的方法、基于模糊集理论的方法、基于小波变换的方法、基于遗传算法的方法等等。
阈值分割具有简单、易于实现的特点，它的方法原理是通过将图像中的每个点的像素值与阈值进行比较，从而将图像区分为“目标”和“背景”。在不损害“目标”完整性的前提下，自动寻找一个合适的阈值来区分“目标”和“背景”是一个关键问题。Zikuan Chen[2]等人提出基于小波的自适应阈值分割方法把小波引入图像分割，通过小波分析自动得到阈值；Wang[3]等通过边界灰度级聚类进行阈值的选取，得到了比较好的分割结果；但是，阈值分割方法通常未考虑其空间特征，导致对噪声很敏感。聚类分割是将图像内的像素点划分到指定的类中，然后将属于同一类并且互相连通的像素分类到同一个区域中。聚类分割是一种无监督的统计方法，其中K均值、模糊C均值（FCM）等是最常用的聚类算法。虽然这类方法无需训练样本，但这类方法的聚类数目需要预先指定。另外，该方法没有考虑边缘信息和其邻域信息，往往会得到不符合人类视觉的分割效果。Chen等[4-5]结合核（Kernel）、Gibbs随机场等理论，通过引入先验空间约束，提出了具有一定抵抗噪声能力的FCM图像分割算法，但其所需参数过多，故不利于实际应用。Ma等[6]根据相邻像素间的内在联系，重新修正了聚类中心函数和模糊聚类函数，并据此给出了一种新的FCM模糊聚类图像分割算法，该算法能较好克服噪声影响而取得合理分割效果，但其工作性能过分依赖于初始聚类中心（即稳定性较差），同时算法时间复杂度较高。边缘检测是通过图像区域之间的边缘来实现图像分割的一种方法。边缘检测是基于图像颜色像素值不连续性的一种分割方法。人们常使用Sobel、Laplacian、Canny 算子[7]、形态学梯度等来进行边缘检测[8]，这类方法对边缘颜色值过渡比较明显，噪声影响不大的图像，大都能够获取比较好的分割效果；但对于边缘复杂、受光不均匀的图像来说，不太适用该类方法，其表现在不能容易地识别一个封闭的边缘或边界，导致整体边缘不连续等方面。区域分割主要有两种方法，即区域生长和区域合并，它们是利用区域内的相似性和区域间的邻接关系进行图像分割。区域分割方法对于复杂图像能够得到较好的分割效果，但计算量相对比较大。区域合并算法的关键在于确定合理的合并准则。区域生长可以看作是区域合并的一个相反的思想，其关键问题在于种子的确定。Luis[9]用区域分裂和合并的方法完成分割过程，但合并后的区域产生了过分割问题。综合上述分析，将区域和边缘方法结合提高了分割结果的质量[10-12]。目前，智能化的方法，如神经网络和支持向量机（SVM）[13]，已经成功地使用在图像分割领域。N.C.Yeo
等[14]提出了基于自适应共振理论（ART)分层神经网络图像分割方法，但该方法需要大量的训练计算，比较费时．Ji等[15]基于直推式支持向量机（TSVM）提出了一种新的半监督SAR图像分割方法，对噪声具有很强的鲁棒性。Yu等[16]运用SVM方法有效解决了风景图像的分割问题。Cyganek [17]基于一类SVM方法成功实现了交通信号的彩色图像分割。但SVM方法是一种有监督的分类方法，需要训练样本。随着分割算法的深入研究，人们将目光转移到基于图像空间、纹理等特征的多种图像分割方法融合领域，并相继取得了部分阶段性成果[18-20]．
总体来说，图像分割研究在近年来已取得较快的发展，如何寻求快速高效智能的分割方法仍是今后研究的一个重点。同时，融合多种特征、综合运用多种分割方法，发挥各自算法的优点进行图像分割是这个领域的发展方向。
1.3 本文的主要工作和行文结构
本文共分五章，围绕着图像分割这一研究领域的相关问题，对应用于其中的模糊聚类算法和支持向量机理论方法进行了深入的研究，改进了用于图像分割的模糊C均值聚类算法，将空间信息融入特征空间，弥补了原算法抗噪能力差的缺点，使算法具有很强的鲁棒性。同时将多种分割方法相结合，将统计学习理论的支持向量机方法引入到图像分割的研究中。
第一章引言，介绍了图像分割的研究背景和意义，介绍和总结了现有的分割算法的研究现状。
第二章论述了图像分割的定义，概括地介绍了图像分割的几个主要方法的基本理论和基本步骤。
第三章详细介绍了基于模糊集理论的图像分割方法的基本理论和算法，对模糊C均值聚类算法进行了改进，提高了算法的运算速度和鲁棒性。
第四章引入了支持向量机理论，通过分析模糊技术和支持向量机方法的自身优缺点，提出了一种基于支持向量机和模糊C均值聚类（FCM）的彩色图像分割新方法，对支持向量机应用到图像分割进行了有益的尝试。
第五章最后的结论对全文进行了总结，并指出了下一步研究工作应该解决的问题。
2 图像分割概述
2.1 图像分割定义
图像分割是把图像划分成几个不相交的区域，每个区域内是属于同一类别的，没有两个相邻区域的联合是同类别的。借助集合的概念，图像分割可以用数学定义表示为： F 表示图像像素点构成的一个集合，分割的过程即是将集合F 划分成一系列子集或区域（S 1，S 2，…，Sn ）使得：
①F S n
i i ==∪1 φ=∩j i S S ，j i ≠
②n i TRUE S P i ,,1,)( == （每个子集或区域具有同质性）
③j i FALSE S S P j i ≠=∪,)( （不同子集或区域具有不同质性）
④Si 是像素的连通集合，i=1，…，n 。
上述的定义描述，不仅解释了图像分割，而且是给图像分割作出了概括性的定义，该定义适用于所用图像，对设计图像分割算法起到了指导作用。
2.2 图像分割方法简介
随着图像分割技术的深入研究，研究学者已经提出了数以万计的图像分割方法。但没有一种单一的分割方法，能够对所有图像被视为一种好的分割方法，也不是所有的方法同样适用任何一个特定类型的图像。现有的分割算法主要是基于区域和边界的相似性和不连续性而提出的，大致可分为如下几种：阈值分割、边缘检测、聚类分割、区域分割、基于特定理论的分割等等。
2.2.1 阈值分割法
阈值分割是较为传统的图像分割算法。由于它的简单易于实现的性质，是人们常用的一种分割方法。它被广泛应用于灰度图像的分割。阈值分割方法的基本思想是通过寻找一个合适的阈值将对象从背景中分割出来或者分割图像中的不同对象。阈值分割技术可以根据全局信息（例如，整个图像的灰度直方图）或者采用图像的局部信息（例如，共生矩阵）来确定阈值，它通常被分类为单阈值分割和多阈值分割。单阈值即是把图像分成两类——目标和背景。当一幅图像具有多个对象多个特征属性时，就需要采用多个阈值进行图像分割。如果),(y x f 表示含有K 个不同对象的原始图像，t 1,…，t k 是设定的一组阈值集合，k i t t y x f i i ,1),,(),(1=∈?，(t 1和t k 分别设为0和L-1；L 是像素灰
度级)，k 表示分割后不同区域的标号，则分割后的图像表示为：K k k y x G ,,1,),( ==。
阈值分割大体上分两个步骤实现：
1）确定合适的阈值。
2）将图像像素点的灰度值与阈值进行比较，确定其分类。阈值分割的关键点在于最佳阈值的选取，国内外学者已提出几万种阈值分割算法，其中较常用的几种阈值方法为：直方图方法、最大类间方差法、最小与均匀化误差法、最大熵法等等。阈值分割方法由于未考虑空间信息，抵抗噪声的能力较弱，如何能够自动地选择具有强鲁棒性的最优阈值，仍是阈值分割方法中的一个难题。
2.2.2 基于边缘检测的分割方法
边缘是图像的局部特征，它是图像局部灰度强度突然或者说显著变化的部分。边缘检测分割方法是通过检测不同区域间的边界实现图像分割。根据检测方式可分为点检测和线检测。
1、点检测
Davis[21]将边缘检测技术划分为两类：串行边缘检测和并行边缘检测。
串行边缘检测技术通过顺序搜索边缘点来进行图像分割。该方法需要确定起始边缘点，检测下一个点是否是边缘点依赖于前一点的同类性。这种确定后继相似点的方法我们称之为跟踪。串行边缘检测主要可采取两种方略：
1）先检查边缘点再将这些点连接，如顺序跟踪边缘点方法和分段拟合边界段方法等。
2）检测边界点和连接边界的过程结合或交叉进行。这种方法的优点是可得到边缘的单个像素点的边缘，但其检测结果依赖于初始边缘点的选定，不合理或不恰当的初始边缘点会得到伪边缘或者边缘漏检，同时，终止准则也不容易定义。
并行边缘检测技术检测边缘点不需要考虑其他点，这种操作可以应用在图像的每一个点同时进行。采用并行技术进行图像分割主要有两个步骤：
1）检测目标的边缘点。
2）组成目标的边界。第一个步骤可采用微分算子来进行检测，通过将空域微分算子与图像进行卷积完成。两个具有不同灰度值的相邻区域常存在灰度值不连续性，这种不连续能够利用导数很容易检测，一般采用一阶和二阶导数检测边缘。在边缘过渡明显且噪声影响较小的情况下，梯度算子能够获得较好的效果。有许多不同类型的微分算子，如：Roberts算子，Sobel算子，Prewitt梯度算子、Laplacian算子、LoG算子和Canny 算子等。这些梯度算子不仅能检测边缘点，而且能够检测出孤立点。第二个步骤相对比较复杂。对于有噪声和相对复杂的图像，仅用微分算子检测出的边缘点并不能组成封闭的边界，需要根据边缘点自身特点进行连接。
2、线检测
线检测方法包括曲面拟合边缘检测方法、Hough 变换等。
曲面拟合的方法是用拟合的曲线表示图像中不同区域之间的边界,基本思想是用曲面去逼近一个图像面积单元，然后用这个曲面的梯度代替点的梯度，根据梯度信息找出能够正确表示图像边界的曲线从而实现图像分割。由于该方法给出的是边界曲线，而不是点边缘检测方法找出的是不相关的离散边缘点,因此对后续图像分割的处理帮助很大。 Hough 变换是将边缘的像素点连接组成区域边界的一种方法，基本思想是根据局部度量来计算全局描述参数，利用全局特征检测目标的轮廓。该方法具有很强的容错性和鲁棒性。
边缘检测的关键点在于检测边缘时，由噪声产生的伪边缘会导致产生不合理的分割，影响检测精度。提高检测精度和鲁棒性仍是边缘检测需要克服的缺点。
2.2.3 特征空间聚类方法
聚类是把具有相似属性的事物区分开然后划分成几个类。设有数字图像}0,0),,({N y M x y x f I <≤<≤=，其中，),(y x f 表示数字图像第x 行、第y 列的像素灰度值．聚类问题是要将}0,0),,({N y M x y x f <≤<≤区分为I 中的c )2(N M c ×<≤个子集，要求相似的图像像素应尽量在同一子集（聚类）内，c 为聚类数目。聚类分析是统计模式识别中无监督模式分类的一个重要分支。基于聚类的图像分割方法基本原理是将图像的像素点聚类为特征空间中的几个不同聚类，其中一个聚类代表图像中的一个目标。常用的聚类方法有K 均值（K-means ）、模糊C 均值（Fuzzy C-means ）、EM （Expectation Maximization ）、分层聚类方法等。
K-means 算法对每一类求均值，根据均值将像素划分到与均值距离最近的类中，如此反复直到每个聚类内的像素点不发生变化。FCM 算法引入模糊理论思想，利用每一像素点的隶属度衡量其属于某一聚类的程度。EM 算法把图像中的像素点的灰度值看成按一定比例的概率分布的混合，递归估计似然函数，通过最大似然估计方法找到概率分布的参数。分层聚类方法是通过对数据进行先分组再聚类，其分层结构可以用树的结构表示。
聚类方法无需监督和训练样本。但聚类方法需要设置初始参数，初始参数的设定对最终的分割结果影响很大；聚类的方法未考虑空间信息，因此对噪声敏感。
2.2.4 基于区域的分割方法
基于区域的方法包括区域生长、区域分裂和区域合并。区域生长的基本思想是将具有相似性质的像素点集合形成一区域。首先，在每个要分割的区域中找一个像素作为种
子作为生长的起点；然后，将种子周围邻域中与种子具有相同或相似属性的像素合并到种子所在的区域中，然后将这些合并到区域中的像素点当作新的种子重复上述过程，直到再没有满足条件的像素点为止。区域生长算法需要确定三个问题：1）能准确代表区域属性的种子点；2) 在生长过程中的相似性准则；3）算法的终止准则。区域生长算法的优点是简单、易于实现，但对噪声敏感，能够导致提取的区域出现空洞，或者将原本分开的区域连接成一个区域。区域分裂合并算法是将整幅图像作为初始种子区域，通过不断分裂得到各个区域，再按一定的规则将小区域合并成大区域，从全局和局部两个方面入手，完成图像分割。分裂合并方法不需要预先确定种子像素点,但是可能会破坏分割图像区域的边界。
基于区域的方法在分割过程中不仅考虑了像素点本身的颜色信息，而且考虑了其空间信息，可以抵抗噪声的干扰，但是该方法的分割结果依赖于初始种子点的选择，以及受生长与分裂的准则影响，很容易产生过分割现象。
2.2.5 基于特定理论方法
随着图像分割领域的深入研究，图像分割已与其他许多学科和领域，如数学、生物学、物理学等紧密联系起来。人们已相继提出许多结合特定理论的图像分割方法。例如基于模糊理论的分割方法，基于神经网络的分割方法，基于小波变换的图像分割方法，基于遗传算法的分割方法等等。
1、基于模糊集理论的图像分割技术
模糊集理论作为一种重要的数学工具，近年来在图像分割领域已得到越来越多的应用，能够解决由信息的不全面、模糊性等引起的不确定性问题，因此在图像分割领域将会有更广阔的应用前景。
应用模糊集理论进行图像分割的基本思想是：将图像及其特征用模糊集表示，对于每个像素点，指定一个隶属于某个区域的隶属度值，根据其隶属程度判断其所属，能够获得更精确的分类结果。模糊集理论和其他分割方法结合产生了模糊阈值分割方法、模糊聚类分割方法和模糊边缘检测等。
2、基于神经网络的分割方法
神经网络是模拟人脑的学习机能，由大量的节点形成网络层，每个节点都能够执行基本的计算。基于神经网络的方法是比较智能的分割方法。其基本思想是用样本集训练其神经网络以确定节点间的连接和权值，再利用训练好的神经网络分割新的图像数据点。根据图像的类型，可以选用Kohonen神经网络、Hopfield神经网络、BP神经网络、概率自适应神经网络、径向基函数网络等进行图像分割。
神经网络大量节点连接，能够融合空间信息，能较好的抵抗图像的噪声干扰和不均匀问题。但是，该方法训练数据比较大，因此训练费时。网络节点的个数、层数等设计还缺乏比较系统的理论指导，解决问题的机理还很难理解。
3、基于小波理论
小波变换是应用广泛的数学工具，其在时域和频域都具有良好的局部性质，小波变换还具有多尺度的特性，因此能多角度地分析信号，有效从信号中提取信息。
小波变换可利用半带低通和半带高通滤波器来实现。其分割的基本原理是利用小波变换将图像信号分解成不同阶层的小波系数，根据指定的分割准则和小波系数选取阈值。小波变换能够把图像中不同尺度大小的结构提取出来，提取出目标特征。目前研究学者提出的各种各样的基于小波变换的图像分割算法，大多是二进制小波、多进制小波、小波包、小波框架这四种变换。
4、基于遗传算法
遗传算法是计算数学中用于解决最优化问题的搜索算法，是一种进化算法。它是基于自然选择与遗传机理的随机性的搜索算法，能够优化结构，解决非线性优化和计算优化等复杂问题。
在分割复杂图像时，学者往往采用多个参数变量进行特征融合。在多参数变量下选取最优值，优化计算是至关重要的。遗传算法能够对非线性多维特征进行运算，不仅能够得到最优解，而且大大缩短了运算时间。遗传算法中初始种群的数量很重要，如果初始种群数量过多，算法会占用大量系统资源；如果初始种群数量过少，算法很可能忽略掉最优解。
5、基于统计模式识别的分割算法
模式识别的目的是将不同的模式分类，图像分割的过程即是将图像像素点进行分类的过程。它们的首要任务是确定描述像素点或是区域的特征，统计模式识别就是根据特征将目标分类，把各个目标划分到最接近的类别中。分割是统计模式识别的基础，基于统计模式识别的分类技术也能够进行图像分割。其主要工作是：特征提取、训练模型、分类。
分类方法通常分为监督分类和非监督分类两种。监督分类，已知训练样本的分类情况，计算各类的特征空间分布，然后对未知样本进行分类。非监督分类，对样本情况不知有哪些类，只根据样本间的相似度进行聚类。
2.3 图像分割的评价标准
分割评价通过对分割算法性能的研究从而达到优化分割的目的，它不仅可提高现有算法的性能，而且对研究新的技术有一定的指导意义。
图像分割评价可以分成两种情况[1]：
性能刻划：掌握某种算法在不同分割情况中的表现，以通过选择算法参数来适应分割具有不同内容的图像和满足在不同条件下采集到的图像的需要。
性能比较：比较不同算法在分割给定图像时的性能，以帮助在具体分割应用中选取合适的算法或改进已有的算法。
二者互相关联，相辅相成。提出的分割评价应具有通用性，客观性，可移植性。 在过去的几十年，提出了许多图像分割方法，由于新的分割方法的不断提出，不同的评价方法已被用来比较新分割方法与先前方法的优劣。这些评价方法基准原理不同，可以划分为五个层次，如图2.1：
图
Fig. 2.1 The hierarchy of segmentation evaluation methods
根据是否依靠人类视觉为基础检测分割的图像，可将这些方法定义为主观评价方法和客观评价方法；在客观评价的分类中，有的方法是从完成运算等各种操作的计算费用与诸多因素（如计算机硬件等）全面综合测评，有的方法则是单独考虑分割算法本身的原理和性能，因此我们将客观评价方法分为系统级评估和直接评价方法。从方法本身是
否需要实验结果作为基点，将直接评价方法可进一步分为分析方法与实验方法。最后，根据评价方法是否需要理想图像做参考，将实验方法分为非监督方法与监督方法。
评价方法可以采用以上多层次方法交替使用，这些方法不相互排斥。Shin et al.[22]同时使用监督评价和系统级评估。每一种评价方法都有其特殊的限制。将多类别方法结合评价分割图像是评价方法的研究方向。
目前为止，分析图像分割算法还缺乏一些理论依据，现有的评价分割算法的方法大致可分成优度法和偏差法两类[23]。优度法通常是以人的视觉为基础，图像某些特征为依据来评价分割效果。偏差法是计算预先提供的理想分割图像与实际分割结果的差距，然而，作为供比较的图像很难统一。就灰度图像，常用的有区域一致性、区域对比度、区域模糊性等用来衡量图像分割的质量。
1、区域一致性
区域一致性指分割后的区域内的元素具有相似性，这种一致性可以选择特征来计算，例如特征方差，高阶熵等等。
2、区域对比度
区域对比度指分割后的图像的区域之间的对比度。可以通过计算区域间方差来比较，即方差越大，分割结果就越好。
3、区域模糊度
区域模糊度是将模糊集理论进入，可以将图像从空间域映射到模糊域，用模糊性来度量分割效果。模糊度或模糊熵越好，分割效果就越好。
由于图像信息极其复杂，仅仅用一种评价指标往往无法准确衡量图像的质量，可以考虑将多种指标综合考虑，根据图像分割的目的将不同评价指标赋予不同的权值，以期获得好的评价结果。从上述意义上考虑，可以定义如下评价函数：
)](1[)()()(n D n GC n UN n F ?××= （2.1） 作为对图像质量的综合评价函数，从区域一致性、区域对比度及区域模糊度几个方面综合评价图像的分割质量，F(n ）的值越大，其分割质量就越好。
偏差法也是人们普遍采用的评价方法。其定义如下：
%100×+=t m
f N N N ER （2.2）
f N 表示被错误检测的像素点个数，m N 表示被漏检的像素点个数，t N 则表示整个图
像的像素点个数。
另外，局部一致性错误（LCI ）和双向一致性错误（BCE ）是计算区域差异细化的分割评价指标。下面详细介绍这两个评价指标。
设定S1，S2是分割后图像的两部分，},,{1n x x X =表示图像N 个像素点，根据Martin et al.[24]提出的区域差分评价法，每个像素点即有),(1i x S C 和),(2i x S C ，则局部细化错误（LRE ）定义如下：
),()
(\),(),,(,2121i i i i x S C x S C x S C x S S LRE = （2.3）
这里，\表示集差分算子。
局部一致性误差（LCE)能够从不同方向细化图像的不同部分,定义如下：
∑=i i i x S S LRE x S S LRE N S S LCE )},,(),,,(min{1
),(2121
21 （2.4）
LCE 的值为0表示无错误，值为1表示两个被分割区域的最大偏差。人们常常采用相似性来定义评价函数，得到局部一致性指标LCE LCI ?=1。
双向一致性错误（BCE)用最大化代替LCE 中的最小化操作。该指标用分割中重叠部分所占的比例表示非相似性。定义},,,{21K S S S 是图像的合理分割区域，test S 表示实际分割结果，BCE 指标为每个实际分割点与合理分割点的匹配度。
)}},,(),,,({max{min 1}){,(1i test k i k test N i k k test x S S LRE x S S
LRE N S S BCE ∑== （2.5）
其等价的相似性表达式为：BCE BCI ?=1。其范围为[0,1]，当值为1时为最佳匹配。
2.4 小结
图像分割是图像处理的重要内容。目前已经提出了成千上万种分割算法，研究成果显著，但图像分割领域的难题还未得到根本性解决，主要表现在：现提出的分割算法大多是针对某类图像，没有一种普遍适用的分割算法，也没有一个统一通用的分割评价标准。
由于图像分割在实际应用的重要性，人们对图像分割技术进行着深入研究，引入新理论，改进现有方法，将图像分割技术向更具效率、准确的方向迈进。目前，图像分割方法的研究有如下几个方向：
（1）引入新理论。将模糊集、神经网络、小波分析、遗传算法等理论引入图像分割领域，解决了原有方法的一些缺陷，提高了分割精确度，研究学者更注重新理论的融合。
（2）结合多种分割方法。学者们意识到，现有的任何一种分割方法单独使用都难以对一般图像取得好的分割结果，因此将多种分割方法相结合，取长补短，是目前图像分割方法研究的趋势。
（3）丰富彩色图像分割理论。自图像分割研究以来，针对灰度图像分割的理论比较成熟，虽然对彩色图像的分割已有很多成果，但理论还不够完善，仍是研究的一个热点问题。
图像分割方法综述
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering
analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方
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
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
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
中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日
中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日
目录 摘要 (1) Abstract (1) 引言 (3) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (5) 2.3 区域分割法 (7) 2.4 基于水平集的分割方法 (8) 2.5 分割算法对比表格 (8) 3基于水平集的图像分割 (9) 3.1 水平集方法简介 (9) 3.2 水平集方法在图像分割上的应用 (9) 3.3 仿真算法介绍 (10) 3.4 实验仿真及其结果 (11) 结论 (18) 致谢 (19) 参考文献 (19)
图像分割技术研究及MATLAB仿真 摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾 名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。 关键字：图像分割，MA TLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the background. Because these segmented image regions are very similar in some properties, image segmentation is often used for pattern recognition and image understanding and image compression and coding of two major categories. Because the generated in the segmented region is a kind of image content representation, it is the image of visual analysis and pattern recognition based and segmentation results of quality of image analysis, recognition and interpretation of quality has a direct impact. Image segmentation it is according to certain features of the image (such as gray level, spectrum, texture, etc.) to a complete picture of the image is segmented into several meaningful area. These features made in a certain region of consistent or similar, and between different regions showed significantly different. Image segmentation technology in various fields have most of the field and its important significance in digital image processing, image segmentation has a wide range of applications, such as industrial automation, process control, online product inspection, image coding, document image processing, remote sensing and medical image analysis, security surveillance, as well as military, sports and other aspects. In medical image processing and analysis, image segmentation for body occurrence of three-dimensional display of the diseased organ or lesion location determination and analysis plays an effective role in counseling; in the analysis and application of road traffic conditions,
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：
数字图像目标分割与提取研究背景意义目的与现状 1 背景 数字图像目标分割与提取是数字图像处理和计算机视觉领域中一个备受关注的研究分支。因为在目标分割与提取过程中可以利用大量的数字图像处理的方法，加上其在计算机视觉、模式识别等领域中的广泛应用，都吸引了众多研究者的注意。相信对这一问题的深入研究不仅会不断完善对这一问题的解决，而且必将推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。图像分割和边缘检测的问题在近二十年中得到了广泛的关注和长足的发展，国内外很多研究人士提出了很多方法，在不同的领域取得了一定的成果。但是对于寻找一种能够普遍适用于各种复杂情况的准确率很高的分割和检测算法，还有很大的探索空间。边缘提取和分割是图像分析的经典研究课题之一，目前的理论和方法仍存在许多不足之处，仍在不断改进和发展。 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[1]。近年来，DSP技术的发展不断将数字信号处理领域的理论研究成果应用到实际系统中，并且推动了新的理论和应用领域的发展，对图像处理等领域的技术发展也起到了十分重要的推动作用。基于DSP的图像处理系统也被广泛的应用于各种领域。 从图像处理技术的发展来看，实时性在实际中有着广泛的应用。实时图像处理系统设计的难点是如何在有限的时间内完成大量图像数据的处理。因为要对图像进行实时处理,所以为了实现实时和快速,高效的处理,在这个系统中要求我们的图像处理速度要达到一定的速度，而图像处理的速度是由算法的执行时间、视频输入输出延迟以及外部数据存储器与DSP的数据交换效率等因素决定。算法执行时间与CPU 速度有关;图像处理的速度既图像处理所要用的时间，它主要是由算法决定的。算法执行的指令的多少决定了处理速度。而图像的处理的算法包含有大量的算法指令，为了快速的处理大数据量的多媒体信息，特别是活动图像信息，同时又能灵活的支持多种不同的应用，DSP的应用势在必行。相比于通用的DSP，用于多媒体应用的专用DSP集成了许多专用模块，这些模块用硬件加速很多通用的多媒体方面的大量算法明晰的处理、实时性强等要求.由于图像处理的数据量大，数据处理相关性高，实时的应用环境决定严格的帧、场时间限制，因此实时图像处理系统必须具有强大的运算能力。各种高性能DSP不仅
医学图像分割综述郭爱心安徽大学摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字：医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超[2]声）及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可
图像分割方法的比较研究 在计算机视觉的相关研究中,图像分割是连接低级视觉和高级视觉的桥梁和纽带,而图像分割是计算机视觉系统中最关键和重要的一个环节。在概要介绍几种常用图像分割方法的基础上,比较了每种图像分割算法的优缺点及其适应范围,结果表明:不同工程应用中,应根据其需求与图像特点合理采用不同的图像分割方法以达到更好的处理效果。 标签：图象分割;图象处理 1 引言 近年来,随着工业、农业、医学、军事等领域自动化和智能化需求的迅速发展,对图像处理技术的要求也日益提高。其中,对图像的自动识别与理解就是一项重要任务,而对图像进行分割来提取目标是其关键步骤之一,如果得不到合理的图像分割图,也就无法对图像进行正确的识别与理解。在过去的四十多年里,图像分割的研究一直受到人们高度的重视。迄今为止,研究者提出了上千种不同类型的分割算法,而且近年来每年都有上百篇相关研究成果发表。但是,现有的方法多是为特定应用设计的,有很大的针对性和局限性,对图像分割的研究还缺乏一个统一的理论体系。Fu和Mui从细胞学图像处理的角度将图像分割技术分为三大类:特征阈值或聚类、边缘检测和区域提取。依据算法所使用的技术或针对的图像,Pal and Pal把图像分割算法分成了6类:阈值分割、像素分割、深度图像分割、彩色图像分割、边缘检测和基于模糊集的方法。本文将依据上述两种分类方法进行深入研究。 2 图象分割方法 简而言之,图像分割(Image Segmentation)就是把图像中的物体与背景或物体与物体分割开,实现不同区域的特殊处理。 2.1 基于阈值的分割方法 这类方法简单实用,在过去的几十年间备受重视,其分类也不一而足。根据使用的是图像的整体信息还是局部信息,可以分为上下文相关方法和上下文无关方法;根据对全图使用统一阈值还是对不同区域使用不同阈值,可以分为全局阈值方法和局部阈值方法;另外,还可以分为单阈值方(bileverthresholding)和多阈值方法。 阈值分割的核心问题是如何选择合适的阈值。其中,最简单和常用的方法是从图像的灰度直方图出发,先得到各个灰度级的概率分布密度,再依据某一准则选取一个或多个合适的阈值,以确定每个像素点的归属。选择的准则不同,得到的阈值化算法就不同。 下面就常见的几种阈值分割算法进行比较:
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
图像分割方法综述 摘要：图像分割就是根据图像的某些特征或特征集合的相似性准则对图像进行分类，把图像空间分成若干个某些具有一致性属性的不重叠区域。它是图像分析和理解的基础，是计算机视觉领域中最困难的问题之一。图像分割的质量将直接影响着对图像的后续处理，所以图像分割被视为图像处理的瓶颈，具有十分重要的意义。人们很早就开始了对图像分割方法的研究，并且几十年来，这方面的研究从来没有间断过。到目前为止，已经有大量的关于图像分割的理论、技术、方法被人们相继提出并广泛应用。 关键字：图像分割；阈值；区域和边缘；交互式算法；纹理分割彩色图像分割 1.引言 图像分割是一项基于计算机技术的重要的图像分析和处理技术，从其产生至今，已经广泛的应用于各个领域，为人们的生产和生活中图像处理的水平提高做出了重大贡献。 2.国内外发展的状况 人工生命是一个快速发展的多学科交叉的研究领域，是计算机科学新的发展方向之一。目前，已经有科研人员尝试将人工生命应用到图像分割领域中。虽然目前使用人工生命进行图像分割的研究还比较少，但是这些相关研究成果表明将人工生命引入到图像分割中能获得有意义的成功，显示出了巨大的潜力。 在医学数据可视化方面，也有了许多硕果。如：医学图像如CT图像和MRI图像的三维重建、显示与分析处理；大脑生理形态分析，神经细胞中钙活性的可视化；计算机辅助外科手术模拟与计划等。其中值得一提的：如美国国家超级计算机应用中心利用远程的并列计算机资源，用体绘制技术实现了CT扫描三维数据的动态显示。其内容为显示一个狗心脏跳动周期的动态图像。 3.图像分割概述 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，因此图像信息是非常重要的一类信息。在一幅图像中，人们往往只对其中的某些目标感兴趣，这些目标通常占据一定的区域，并且在某些特性（如灰度、轮廓、颜色、纹理等）上和周围的图像有差别。这些特性差别可能非常明显，也可能很细微，以致人眼觉察不出来。计算机图像处理技术的发展，使得人们可以通过计算机来获取与处理图像信息。现在，图像处理技术已经成功应用于许多领域，其中，纸币识别、车牌识别、文字识别、指纹识别等已为大家所熟悉。 图像分割是指将一幅图像分解为若干互不交叠的、有意义的、具有相同性质的区域。好的图像分割应具有以下特征：（1）分割出来的各区域对某种性质（例如灰度、纹理）而言具有相似性，区域内部是连通的且没有过多小孔。（2）相邻区域对分割所依据的性质有明显的差异。（3）区域边界是明确的。 大多数图像分割方法只是部分满足上述特征。如果强调分割区域的同性质约束，则
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
摘要 图像分割是把图像划分为有意义的若干区域的图像处理技术，分割技术在辅助医学诊断及运动分析、结构分析等领域都有着重要的研究价值和广泛的应用发展前景。 在阅读大量文献的基础上，本文对图像分割技术的理论基础、发展历程及图像分割方法的热点、难点问题进行了分类综述，对不同分割算法优缺点进行了总结和归纳，并对图像分割的发展趋势进行了初步的展望和预测。在此基础上，为了对图像分割理论有更直观的认识，本文选取并行边界算法和分水岭算法这两种方法，用MATLAB软件进行了基础的仿真，并对结果进行了分析和总结， 本文重点对一些近年来新兴的算法，比如水平集（Level-set）算法、马尔科夫随机场算法（Markov）、模糊算法、遗传算法、数学形态学算法等进行了概略性的探讨，对这些新兴算法的特点、原理、研究动态进行了分析和总结。 关键词：图像分割；边界；区域；水平集；马尔科夫
Abstract Image segmentation is an image processing technology that divides the image into a number of regions. Image segmentation has very important significance in supporting medical diagnosis, motion analysis, structural analysis and other fields. Based on recent research, a survey on the theory and development of image segmentation, hot and difficult issues in image segmentation is given in this article. And describes the characteristics of each method as well as their respective advantages and disadvantages in image segmentation .This article introduces and analyzes some basic imaging and image segmentation methods in theory and describes the development trends of medical image segmentation. To have a better understanding of image segmentation, I use MATLAB software to stimulate on images about the parallel edge algorithms and watershed algorithm. And the analysis of the segmentation results is given in the article. This article introduces and analyzes the new algorithms in recent years such as Level-set algorithm, Markov algorithm, Fuzzy algorithm, Genetic algorithm and Morphological algorithm. In this paper, the features, theory and research trends of these algorithms are analyzed and summarized. Keywords: Image segmentation; Border; Area；Level-set；Markov
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。
图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37]．简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割；在遥感应用中,合成孔径雷达图像中目标地分割等；在医学应用中,血液细胞图像地分割,磁共振图像地分割；在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2．阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是：通过设定不同地特征阈值,把图像像素点分为若干类．常用地特征包括：直接来自原始图像地灰度或彩色特征；由原始灰度或彩色值变换得到地特征．设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取：b0=0<黑）,b1=1<白）,即为我们通常所说地图像二值化. <原始图像）<阈值分割后地二值化图像） 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值；N(x,y>是点(x,y>地局部邻域特性．根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T＝T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T＝T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T＝T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non-