第11卷第6期信息工程大学学报Vol111No16 2010年12月Journal of I nfor mati on Engineering University Dec12010一种基于图像分割和模板匹配的短波
跳频信号盲检测算法
李 琰,李天昀,葛临东
(信息工程大学信息工程学院,河南郑州450002)
摘要:提出了一种基于图像分割和模板匹配的短波跳频信号盲检测算法。该算法将实际跳频
信号的STFT(Short Ti m e Fourier Transf or m)时频谱图当做一幅图像,利用图像分割手段分离背
景噪声,并通过模板匹配来实现跳频信号的检测。实验结果表明该算法能够有效克服实际短
波信道中复杂的背景噪声,计算复杂度低,易于工程实现。
关键词:跳频;盲检测;STFT;图像分割;模板匹配
中图分类号:T N911.7 文献标识码:A文章编号:1671-0673(2010)06-0756-06
Bli n d D etecti on of H i gh Frequency FH S i gna ls Ba sed on I mage
Segm en t a ti on and Tem pl a te M a tch i n g
L I Yan,L I Tian2yun,GE L in2dong
(I nstitute of I nfor mati on Engineering,I nfor mati on Engineering University,Zhengzhou450002,China)
Abstract:I n this paper,an algorith m is p r oposed for blind detecti on of H igh Frequency FH Signals
based on I m age Seg mentati on and Te mp late Matching.The algorith m takes the ti m e2frequency s pec2
tr ograph of p ractical signal STFT as an ordinary i m age,utilizes i m age seg mentati on t o re move the
backgr ound noise,and i m p le ments the blind detecti on of FH signal by te mp late matching.Experi2
mental results show that the algorith m can effectively re move the comp lex backgr ound noise com ing
fr om the p ractical H igh Frequency channel with s maller computati onal comp lexity,thus making engi2
neering i m p le mentati on easier.
Key words:frequency2hopp ing;blind detecti on;STFT;i m age seg mentati on;te mp late matching
0 引言
跳频通信是扩频通信的主要方式之一,具有良好的抗干扰性和抗截获能力,20世纪中叶以来广泛应用于军事和民用领域。短波信道环境复杂,同一频带内定频信号、跳频信号、突发信号、扫频信号和随机噪声等共存;且由于多径衰落和传播损耗的影响,到达接收机的信号存在能量起伏,从而对跳频信号的检测造成很大的困难。
文献[1]采用阵列信号处理方法实现短波跳频检测,建立互功率谱密度矩阵(CS DM),通过CS DM对折处理消除干扰。该方法对连续信号去干扰效果较好,但对于其它类型信号和能量起伏去干扰效果较差;文献[2-4]采用图像处理方法实现短波跳频检测,对信号的STFT时频谱图进行二值化处理,然后使用数学形态学方法消除各种干扰。这类方法对去除短波信道复杂的背景噪声效果较好,但结构元素选择困难,
收稿日期:2010-04-15;修回日期:2010-10-09
作者简介:李 琰(1985-),男,硕士生,主要研究方向为跳频检测。
第6期李 琰等:一种基于图像分割和模板匹配的短波跳频信号盲检测算法757 算法中需要形态学开、闭运算多次,运算量较大,难以实时处理。针对上述问题,本文探讨了图像分割、模板匹配等图像处理手段在跳频信号检测中的应用,提出一种基于图像分割和模板匹配的短波跳频信号盲检测算法。该算法能有效克服实际短波信道中的复杂背景噪声,不需要先验知识,检测性能良好,满足实时性要求。
1 算法基本原理
1.1 图像分割在跳频信号检测中的应用
图像分割是将特定区域从图像中提取出来的技术和过程,是由预处理阶段进入分析识别阶段的关键步骤。当前既不存在通用的图像分割方法,也不存在判断分割成功的客观标准。其原因在于图像分割不完全属于图像特征提取问题,它还涉及到各种图像特征的知觉组织。因而只有对图像内容进行深入理解,才能取得好的分割效果。图像分割算法一般是基于灰度值的2个基本特征之一:不连续性和相似性。第1类性质的应用途径是基于灰度的不连续变化分割图像,比如图像的边缘。第2类的主要应用途径是依据事先制定的准则将图像分割为相似的区域,阈值分割、区域生长、区域分离和聚合都是这类方法的实例。
在时频谱图中,同一信号的灰度值体现基本相似,而由于干扰的影响其边缘特征存在较大的不确定性。因此,文中考虑基于灰度值的相似性对时频谱图进行处理。对于短波信道环境中的多种干扰,单门限分割难以剔除。本文根据不同干扰的不同特性,使用不同的门限进行分割处理,以达到分离信号的目的。
图像的灰度直方图是图像像素值的一种统计度量。迭代阈值法是基于灰度直方图的分割方法,适用于目标与背景的灰度级差别较明显的图像,运算复杂度低。本文使用迭代阈值法获得全局基本门限T 和
迭代均值μ1、μ2,迭代估计算法如下
[6]: ①取全局均值为初始值T;
②用T 进行分割。这样做会生成两组值,G 1由所有大于T 的值组成,而G 2由所有小于或等于T 的值组成;
③对G 1和G 2中的所有值计算平均值μ1和μ2;
④计算新的门限值:
T =12(μ1
+μ2),⑤重复步骤②到④,直到逐次迭代所得的T 值之差小于事先定义的参数T 0。
参数T 0用于在参数T 的变化很小时停止算法的运行,在迭代速度比较重要时考虑应用。本文设定为当μ1和μ2不再变化时停止迭代。
对频率轴均值M ean f req (k )、时间轴均值M ean ti m e (n )和时频谱图全局SPEC (n,k )分别进行迭代估计,
可以得到频率轴基本门限T freq 、时间轴基本门限T ti m e 、全局迭代均值μ1、μ2和全局基本门限T spec 。一般来
说,在M ean freq (k )中,信号均值大于噪声均值,连续信号均值大于跳频信号均值。T f req 就是为了去除其它类
型信号对跳频信号的影响;在M ean ti m e (n )中,发生脉冲噪声和能量起伏时,时间轴均值会发生大范围变化。T ti m e 的作用就是克服它们的影响。
短波信道环境中,跳频信号与定频信号、脉冲噪声发生叠加的情况经常出现。为了克服这种情况,就需要对跳频信号进行保护处理。当只存在跳频信号时,能量包括跳频信号能量和背景噪声能量。当跳频信号叠在定频信号上时,叠加处能量包括跳频信号能量、定频信号能量及背景噪声能量;由于单跳信号持续时间短,当前频点频率轴能量均值可以近似为定频信号能量均值与背景噪声能量均值之和。
根据上面的分析,对当前点为中心的块取均值,该均值可近似为当前点噪声。本文为了减小计算量,取μ2作全局噪声均值M ean n 。
当跳频信号与定频信号叠加,进行分割处理时,去掉当前频点频率轴能量均值后,再叠加上噪声能量均值,可以近似地将跳频信号能量恢复出来,从而保护了叠在定频上的跳频信号;存在跳频信号与脉冲噪声叠加时亦然。
下一步是去除底噪。一般来说,时频谱图中噪声分量占绝大多数,T spec 存在偏差。经过实验,使用μ1作为二值化门限T bina 有较好的效果。对时频谱图进行二值化,去除绝大部分雾状噪声,并减少后续处理的
758
信息工程大学学报 2010年 计算量。
1.2 模板匹配在跳频信号检测中的应用
图像模板匹配是目标识别与跟踪的关键。它根据对象的需要来选择模板,在待匹配的图像中移动,将模板图像和原图像比对,找到与模板相匹配的区域。两幅图像之间的匹配算法可以归结为二者的某一特征值的相关性度量。
时频谱图经过图像分割处理,绝大部分定频信号、长突发信号、扫频信号、脉冲噪声和底噪已经被滤除,转化为二值图像。下一步开始目标识别,对跳频信号进行检测。
跳频信号具有相同的突发时间,每跳驻留的时间相同;跳频信号具有明显的接续关系,即一跳结束的同时另一跳紧接着开始;跳频图案在工作频带内均匀分布,即连续多跳出现在同一频点概率极小,并且时频谱图畸变小,不存在旋转、抖动等情况的影响。基于上述特点,符合跳频信号特征的模板设置简单,匹配过程规律性强。
如果待检测跳频信号的单跳信号在二值化后的时频谱图中的大小约为M
t ×N
t
像素。设置二维模板
如图1所示,模板在各区间中的取值为
H(n,k)=0,(n,k)∈(f1,f2,f4,f5), 1,(n,k)∈(f3)。
其中,f3为第1模板,使用其对跳频信号的特征进行匹配,M
t 为单跳频宽,M
t
为单跳驻留时间;[f1,f2,
f4,f5]为第2模板,使用其对干扰的特征进行匹配,用于消除残留定频、椒盐噪声等。
本文使用序贯相似性检测算法(SS DA)[7]对跳频信号进行快速模板匹配。对第1模板,使用的相似性度量为
D1(n,k)=
1
N K
∑
N
n=1
∑
K
k=1
[H(n,k)-S PEC(n,k)],(n,k)∈(f3)。
对第2模板,使用的相似性度量为
D2(n,k)=
1
N K
∑
N
n=1
∑
K
k=1
[SPEC(n,k)-H(n,k)],(n,k)∈(f1,f2,f4,f5)。
图1 二维模板示意图
首先对第1模板使用SS DA,以随机不重复的顺序选取像元
对(n,k),求和时不需要计算所有像素,只要其和超过设定的阈
值,则说明当前位置为非匹配位置,停止本次计算,进行下一个位
置的测试,直至找到匹配点为止。当发现与第1模板匹配时,则对
第2模板采取相同策略。当2个模板均匹配时,则当前位置为匹
配点。通过这种方式,可以有效检出匹配信号。
2 具体流程
设置模板的单跳频宽和单跳驻留时间,需要考虑频率分辨率
和跳速范围。硬件性能固定的情况下,FFT点数上限固定,则频带越宽,频率分辨率越低;跳速范围过宽,会超出模板匹配的适用范围。为了实现短波跳频信号的盲检测,需要将频带分区间、跳速分区间考虑。本文使用滑动步进的方式扫描整个带宽,实际操作根据接收机性能确定步进值,并以跳速范围5hop/s～200hop/s为例。
已知信号采样率f
s
,设跳速V hop位于[a,b]范围内。在数据中取12f s/a个点,则其中包含有[12,12b/ a]跳。根据模板的适用范围,需满足:b/a<2。
故将跳速区间分段如下:[5,10]、[10,16]、[16,25]、[25,38]、[38,58]、[58,88]、[88,133]、[133, 200],然后对信号根据跳速区间进行处理,实际操作根据运算性能和需求调整跳速范围及分段区间。
2.1 短时傅里叶变换(STFT)
时频分析能够反映信号频谱随时间的变化情况,广泛应用于非平稳信号分析领域,是跳频信号检测的重要工具。基于短时傅里叶变换的时频谱图效果较好,能清晰辨认信号,无交叉项干扰,工程实现简
第6期李 琰等:一种基于图像分割和模板匹配的短波跳频信号盲检测算法759 单[5]。离散信号s (n )的STFT 定义为
S (n,k )=∑N -1m =0s (n ?N ′+m )w 3(m )e -j 2πN m k ,
其中,N ′为步进值,w (n )是范围在[0,N -1]、宽度为N 的窗序列。
谱图(Spectr ogra m )定义为STFT 的模值的平方:
SPEC (n,k )=|S (n,k )|2
。做信号的STFT 时频谱图,并进行对数变换将其转化为dB 值
[6]。SPEC (n,k )的范围很可能从0到1012或更高的情况,当信干比较低时,容易丢失跳频信号的信息。通过对数变换,则可以在很大程度上压缩图像像素值的动态范围,使得时频谱图中的细节更加丰富、完备,利于低信干比下的跳频信号检测。
窗长越短,时间分辨率越高,频率分辨率越低;窗长越长,时间分辨率越低,频率分辨率越高。步进值越小,时频细节越丰富。实现跳频信号的盲检测,首要考虑时间分辨率,才能清晰区分跳变时刻,完成跳频信号存在性判决;在满足时间分辨率的情况下,尽可能提高频率分辨率,保证处理结果的精度。
基于兼顾时间分辨率、频率分辨率及运算性能的考虑,本文采用下面的策略选取窗长与步进值。①窗长2n 满足:
2
n +1>f s /b ≥2n ,其中,2n
为FFT 点数的上限。V hop 位于[a,b ]范围中,则数据中每跳最少包含f s /b 个样点。当FFT 点数小于2n ,即能基本区分跳变时刻,以满足时间分辨率的要求;
②窗长2n
不超过2048。该条件是为了满足当前硬件需求,可以随实际运算性能变化;
③步进值为
f s /(a ×20),则数据中包含[12,12b /a ]跳。时频谱图时间轴上有12×20个点,即每跳有10到20个点,就可以体现单跳的基本特征(如持续时间、跳变点等);
④当步进值大于窗长2n 时,每段取前2n
个点做FFT ,以减少计算量。
2.2 图像对比拉伸及归一化对比拉伸是一种线性变换,可以提高灰度级的动态范围,又避免了在处理过的图像中产生人为强度[6]。对信号的时频谱图做对比拉伸。如下式:
SPEC (n,k )=L ?[SPEC (n,k )-m in (SPEC )]max (S PEC )-m in (SPEC )
,其中[0,L ]为灰度级的动态范围。之后对经过对比拉伸的时频谱图做归一化,使其在统一的度量范围内运算。
2.3 图像分割预处理
去除定频干扰和脉冲噪声的具体步骤如下:
①当前点S PEC (n,k )低于T f req 转步骤②,高于T freq 应用下式后转步骤③;
SEPC (n,k )=S PEC (n,k )-M ean f req (k )+M ean n 。
②当前点S PEC (n,k )低于T ti m e 转步骤③,高于T ti m e 应用下式后转步骤③;
SPEC (n,k )=SPEC (n,k )-M ean ti m e (n )+M ean n 。
③取下一点转步骤①,遍历时频谱图后结束。
2.4 二值化
利用T bina 对经过预处理的时频谱图作二值化处理
SPEC (n,k )=1,SPEC (n,k )≥T bina ;
0,SPEC (n,k ) 2.5 双模板匹配 双模板匹配步骤如下: ①确定N t 。时间轴上有12×20个点,包含[12,12b /a ]跳,则可以将N t 值固定为20; ②确定M t 。沿时频谱图的频率轴纵向累加求和,再对时间轴取平均,得到二值化后的时频谱图的平 760 信息工程大学学报 2010年 均厚度Thick m ean ,则M t 处于[Thick m ean /2,2Thick m ean ]范围内。 ③迭代处理。具体流程见图2。使用序贯相似性检测算法(SS DA )进行存在性检测,当2个模板均匹配时,认为单跳匹配。匹配跳数大于或等于所设门限时,认为跳频信号存在。 3 仿真实验与性能分析 3.1 仿真实验 图2 迭代处理流程图用实际短波信号进行实验,采样率f s 为512kHz,分析频带范围为 70kHz ～180kHz,当跳速区间为a =16、b =25时,信号处理结果如图3 所示。 图3(a )是信号的STFT 时频谱图,横轴代表时间,纵轴代表频率。fs /b =20480,为满足2.1中STFT 窗长与步进值选取策略①、②,STFT 窗长 N w indo w 取2048;为满足策略③,STFT 步进值取fs /(a ×20)=1600。图中共 有11跳完整信号,存在多种干扰,且跳频信号与干扰混叠。 图3(b )是经过对比拉伸的时频谱图,灰度级的动态范围得到了明显 提高,在背景噪声的强度被削弱的同时强化了信号在时频谱图中的能量。 图3(c )是经过图像分割处理的时频谱图,大部分定频干扰、脉冲噪声 已经滤除。图3(d )是经过二值化之后的时频谱图,大部分背景噪声已经滤除。 图3(e )是双模板匹配结果。M t 较小时匹配跳数达到判决门限(取门限T =8),匹配迭代结束,使得第3跳未符合匹配条件。这种策略不影响跳频信号的存在性检测;如对范围内M t 均进行处理,择优输出,可以获得最佳匹配结果。 图3 实际信号处理结果图 下面讨论双模板匹配过程中的问题: ①Thick m ean 的范围 短波数字信号的带宽一般不超过5kHz,跳频信号亦然。在处理过程中,可能存在一些噪点未滤除,考虑5kHz 的冗余。因此Thick m ean 与频率轴长之比不会超过10kHz 与扫描带宽之比,当Th ick m ean 超出范围时,终止迭代; 双模板匹配步骤③中,双模板门限的设置对于符合跳频特征的信号很宽松。如果逐点匹配,同一跳可 第6期李 琰等:一种基于图像分割和模板匹配的短波跳频信号盲检测算法761 能被识别多次,造成误识。另外,跳频信号不存在同一时刻出现多跳。因此采用如下策略:先沿频率轴滑 动,再沿时间轴滑动;未发现跳频信号,沿频率轴步进016M t ;发现跳频信号,沿时间轴步进016N t。 ②步进step的设置 以接收带宽2MHz的宽带接收机为例,在STFT过程中用2048点的FFT,即其频 率分辨率是1kHz。M t 处于[Th ick m ean /2,2Thick m ean]范围中,即M t的最大动态范围在本例中为15。且门限 的设置对于符合特征的信号相对宽松,即步进step可以相对较大。本例中最多3次完成迭代,以减少计算量。 3.2 性能分析 在该实验信号中,存在定频信号、突发信号、扫频信号、脉冲噪声和能量起伏等干扰,干扰特征明显,且部分跳频信号与干扰存在混叠,能够充分体现短波信道环境对于跳频信号检测的影响。实验表明,经过图像分割处理,绝大部分干扰信号已经被剔除,在此基础上使用模板匹配可以有效地检测出跳频信号。 与文献[3,4]相比,形态学方法中结构元素的设置需要依赖于跳速和单跳频宽,这与本文中的跳速分段和模板设置对于迭代次数的要求是一致的;形态学单次迭代运算需要3～4次开或闭运算,一次开或闭运算需要一次腐蚀和一次膨胀,每次腐蚀或膨胀处理都需要对全图遍历,即共需遍历全图6～8次,本文中模板匹配单次迭代运算只需遍历全图一次;且模板匹配使用序贯相似性检测算法(SS DA),多数情况下不需要计算所有样点;综上,本文在达到目的的同时,有效减小了运算量,可以满足实时检测要求。 存在问题:M t 较小时匹配跳数达到判决门限,使得个别跳单跳漏警;存在断续定频信号干扰,且干扰符合单跳特征时,会产生单跳虚警,但只有大范围出现时才会发生虚警;多网台跳频信号共存时,算法能区分位于不同跳速区间的跳频信号,但难以区分位于同一跳速区间的不同跳频信号。 4 结束语 使用图像分割手段能有效去除短波信道环境中定频信号、长突发信号、扫频信号、脉冲噪声和能量起伏等对跳频信号检测造成的干扰;之后使用模板匹配方法对跳频信号进行识别,可以在残存定频干扰及椒盐噪声中有效检出跳频信号,存在性检测性能良好。实验结果表明本算法不需要先验条件,抗干扰性强,计算量小,可操作性强。 参考文献: [1]朱文贵,徐佩霞.一种短波跳频信号盲检测和参数盲估计的方法[J].小型微型计算机系统,2009,30(3):5602564. [2]陈硕,李天昀,葛临东.一种基于边缘检测的跳频检测算法研究[J].信息工程大学学报,2006(3):2642270. [3]Xu Mankun,Ping Xijian.A New Ti m e2Frequency Spectr ogram Analysis of FH Signals by I m age Enhancement and Mathe matical Mor phol ogy[C]//Pr oceedings of the Fourth I nternati onal Conference on I m age and Graphics.2007:6102615. [4]Luo Sheng2en,Luo Laiyuan.Adap tive Detecti on of an Unknown FH Signal Based on I m age Features[C]//Pr oceedings of the 5th I nternati onal Conference on W ireless communicati ons,net w orking and mobile computing.2009:7622765. [5]陈利虎,张尔扬,沈荣骏.跳频信号的时频分析[J].宇航学报,2009,30(2):7402747. [6]Rafael C.Gonzalez,R ichard E.Woods.D igital I m age Pr ocessing(Second Editi on)[M].Prentice Hall,2002. [7]刘晓光,陈曦.基于图像灰度的SS DA匹配算法[J].航空计算技术,2010,40(1):54257. ２００７年第１２期福建电脑 改进的利用门限的分水岭图像分割算法 李洪军，王继成 （同济大学计算机系上海２０１８０４） 【摘要】：分水岭变换的一些优秀的性质使它在许多不同的图像分割应用中非常常用：它简单并且具有直观性，可以并行实现，并且总是产生完整的图像轮廓。然而，它仍然有许多缺点（过度分割，对噪声敏感，难于检查出细结构物体或者低信噪比的结构）。本文提出一种改进的使用门限的分水岭算法来在不同程度上克服分水岭的这些缺陷。我们把该算法应用在三类图片上，一种具有复杂结构，一种具有低对比度，一种有低的信噪比。本文展示了该算法的分割结果，展示了该算法在这几类图片上出色表现。 【关键词】：图像分割，过度分割，基于沉浸的分水岭算法，标记的分水岭算法 １．前言 １．１分水岭变换 分水岭变换是一种流行的图像分割方法，它来自数学形态学领域［１］。我们把灰度图象看作地形表面，让每一点的像素值代表这点的高度。然后考虑雨水降落到该地表，随着水位不断上升，水会从不同的局部最小点形成汇水盆，而分水岭就是阻挡这些汇水盆相互融合的堤坝。一般情况下，分水岭变换计算的是原始图片的梯度图，这样这些分水岭就正好位于梯度变化大的那些点上。 分水岭变换由于它以下的优点被用在图像处理的许多领域：直观，快速并且可以并行计算，总是产生完整的边界，这样就避免了边界连接的后处理。而且，不少研究人员把分水岭嵌入到多尺度框架中［２］。但是分水岭算法还是有一些致命的缺点，下面列出了最重要的几点［２］。 过度分割。由于大部分图像的梯度图都有许许多多的局部最小，所以分水岭变换的结果是无数的小区域边界，这样的结果毫无意义。通常的解决办法是是使用标记的图片来减少局部最小的数量，即使用带标记的分水岭变换［３］。 对噪声的敏感。局部的一些改变会引起分割结果的明显改变，强烈的噪声有时候使得分水岭变换无法找出真正的边界。其中的一个解决办法是使用各向异性的滤波器。 难以准确检测出低对比度的边界。由于对比度低所以使得信噪比高。所以由于前一个原因，对这种图片分水岭变换仍然无法很好的工作。一般的办法仍然是使用带标记的分水岭变换。而Ｖ．Ｇｒａｕ提出使用基于ＭＲＦ的分水岭变换对核磁共振脑灰白质的分割效果更好。 即使是这样，在医学图像分割中，比起近年来兴起的ｓｎａｋｅｍｏｄｅｌｓ和ｌｅｖｅｌｓｅｔ方法，分水岭变换由于分水线总是位于梯度变换最剧烈的地方，并且总是产生完整的边界，从而在对比度低的图像分割中显示出了无可比拟的优势。这使得让分水岭变换能更好的工作是非常有意义的。 １．２本文所做的工作概览 我们提出一种改进的分水岭算法，它极大程度上改善了分水岭变换的表现。第２部分给出了算法。２．１部分给出了分水岭变换的定义，２．２部分给出标记分水岭变换的算法描述，２．３部分给出了我们改进的算法描述。第３部分给出我们的分割结果和其他分割方法的分割结果。３．１部分给出了低对比度的图像的分割结果。我们的分割结果明显优于直接的分水岭分割结果。并且与常用的带标记的分水岭算法分割结果做了比较。３．２部分给出了对于复杂结构的分割结果，我们的分割结果与带标记的分水岭变换的比较。３．３部分给出了对于低信噪比的图像分割结果，并且与经过去噪后的分割结果进行了比较，显示出该算法对噪声的稳定性。第４部分给出了结论和展望。 ２．算法 ２．１离散图像的分水岭变换的定义及算法描述２．１．１离散图像的分水岭变换的定义 对于分水岭变换，目前存在着几种定义，文献［４］对这些定义进行了归纳，整理。我们这里所采用的定义是基于沉浸的分水岭变换（ｗａｔｅｒｓｈｅｄｂｙｉｍｍｅｒｓｉｏｎ）。 令ｆ：Ｄ＇Ｎ是一幅灰度图象，它的最大和最小灰度值为ｈ＿ｍａｘ和ｈ＿ｍｉｎ。定义一个从ｈ＿ｍｉｎ到ｈ＿ｍａｘ的水位ｈ不断递增的递归过程。在这个过程中每个与不同的局部最小相关的汇水盆地都不断扩展。定义Ｘ（ｈ）记做在水位ｈ时候汇水盆地的集合的并。在ｈ＋１层，一个连通分量Ｔ（ｈ＋１）或者是一个新的局部最小，或者是一个已经存在的Ｘ（ｈ）中的一个盆地的扩展。对于后者，按邻接关系计算高度为ｈ＋１的每一个点与各汇水盆地的距离。如果一个点与两个个以上的盆地等距离，则它不属于任何盆地，否则它属于与它距离最近的盆地。这样从而产生新的Ｘ（ｈ＋１）。把在高度ｈ出现的局部最小记作ＭＩＮ（ｈ）。把Ｙ（ｈ＋１，Ｘ（ｈ））记作高度为ｈ＋１同时属于Ｘ（ｈ）的点的集合。 定义２．１（基于沉浸的分水岭变换） 分水岭变换［５］Ｗｓｈｅｄ（ｆ）就是Ｘ（ｈ＿ｍａｘ）的补集： ２．１．２分水岭算法直观描述 整个算法模拟水平面从最低的地理高度逐渐沉浸到最高的地理高度。这时水会逐渐从各个局部最小中涌出，形成不同的汇水盆地。随着水位不断升高，当两个不同的汇水盆地将融合时，我们使用堤坝把两个盆地分开。这个堤坝足够高，即使水位到最高也无法使相邻的盆地的水汇合。当水位涨到最高时，将完全沉浸地表，这时候那些堤坝就是产生的轮廓线。 ２．２带标记的分水岭算法描述 引入标记是为了控制过度分割。一个标记是属于一副图像的连通分量。我们需要找到有与重要对象相联系得内部标记，同时也要找到与背景相联系得外部标记。取得内部标记和外部标记，就可以使用ｉｍｐｏｓｉｔｉｏｎ技术［５］使梯度图像的局部最小只在这些标记的地方出现。这样所有的局部最小，即汇水盆地的个数就都是已知的。这时再使用分水岭变换，这样就可以避免过度分割。 ２．３本文提出的改进的分水岭算法描述 过度分割是由于过多的局部最小而造成。带标记的分水岭算法是用预处理的办法来控制汇水盆地的数量。而本文中的算法则在算法进行的同时，通过融合一些小的，不值得考虑的汇水盆地，从而来控制盆地的数量。当两个盆地即将连通时，标准的分水岭算法就会在他们之间修堤坝来阻挡汇水盆地的相连通。而本文的算法则要进行判断。我们只认为储水量达到一定程度，并且高度达到一定高度的盆地才是我们所要的盆地。不符合这种要求的盆地我们把他们融合给与其相邻的最大的盆地。我们 ７７ 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 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 using System; using System.Collections.Generic; using https://www.doczj.com/doc/666323394.html,ponentModel; using System.Data; using System.Drawing; using System.Linq; using System.Text; using System.Windows.Forms; using System.Diagnostics; using System.Runtime.InteropServices; using Emgu.CV; using Emgu.CV.CvEnum; using Emgu.CV.Structure; using Emgu.CV.UI; namespace ImageProcessLearn { public partial class FormImageSegment : Form { //成员变量 private string sourceImageFileName = "wky_tms_2272x1704.jpg";//源图像文件名 private Image 哈尔滨工业大学工程硕士学位论文 Abstract Because of the development of deep learning and the emergence of fully convolutional networks,the domain of the image semantic segmentation has been rapidly developed.It is widely used in the fields of driverless,medical diagnosis, machine navigation and so on.Driverless technology has been a research hotspot,in this technology,the perception of the environment around the vehicle is the key points.It can classify images on the pixel-level to obtain the overall information of the image,and the semantic segmentation requires the low-cost vision sensors,so it fits the demand of driverless technology. Fully convolutional networks is a feasible and effective image semantic segmentation algorithm.The algorithm innovatively replaces the fully connected layer with the convolutional layer and applies it to the pixel-level classification task. DeepLab is an improved algorithm with the fully convolutional networks and this algorithm has a high accuracy.However,there are still some problems in this algorithm,and there is a great space for improvement.We research each sub-module of the algorithm,then research the problem and give the improvement plan to further improve the accuracy of the algorithm. In order to solve the problem that the DeepLab algorithm does not make full use of global information,resulting in poor results in complex scenes,we introduces the global context information module,this module can provides prior information of complex scenes in the picture,the global context features are extracted and then merged with the local features.This module can improve the expression ability of the features.In order to solve the problem that decoder module of the DeepLab is too simple and the boundary of the predicted result is rough,we design an efficient decoder module,the shallow layer features are fully utilized,the shallow layer features are merged with the deep layer features,and we adjusts the proportion of the deep features and the shallow features,this way can restore some of the details information,and the boundary of the object is optimized.In order to solve the problem that the DeepLab is over fitting the fixed size picture,two effective multi-scale feature level fusion modules are designed by combining the idea of integrated learning with the multi-scale model training,and on this basis,an extra supervision module is introduced,this way can improve the robustness of the algorithm. We mainly use the extended Pascal VOC2012dataset for experiments. Specifically,first we determine the optimal parameter of the improved method,then 中北大学 课程设计说明书 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学院：信息与通信工程学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法的比较与分析 指导教师：陈平职称: 副教授 2014 年12 月29 日 中北大学 课程设计任务书 14/15 学年第一学期 学院：信息与通信工程学院专业：电子信息工程 学生姓名：学号： 课程设计题目：信息处理综合实践: 图像分割算法的比较与分析起迄日期：2015年1月5日～2015年1月16日课程设计地点：电子信息工程专业实验室 指导教师：陈平 系主任：王浩全 下达任务书日期: 2014 年12月29 日课程设计任务书 课程设计任务书 目录 第一章绪论 (1) 研究目的和意义 (1) 图像分割的研究进展 (1) 第二章区域生长法分割图像 (4) 区域生长法介绍 (4) 区域生长法的原理 (4) 区域生长法的实现过程 (5) 第三章程序及结果 (6) 区域生长算法及程序 (6) 图像分割结果 (7) 第四章方法比较 (8) 阈值法 (8) 区域法 (8) 分水岭法 (8) 形态学方法 (9) 第五章总结 (10) 参考文献 (11) 第一章绪论 研究目的和意义 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割;但某些分割方法只是适合于某些特殊类型的图像分割，所以分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 图像分割是由图像处理到图像分析的关键步骤，在图像工程中占有重要位置。一方面，它是目标表达的基础，对特征测量有重要的影响。另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象、更紧凑的表达形式，使得更高层的图像分析和理解成为可能。因此在实际应用中，图像分割不仅仅要把一幅图像分成满足上面五个条件的各具特性的区域，而且要把其中感兴趣的目标区域提取出来。只有这样才算真正完成了图像分割的任务，为下一步的图像分析做好准备，使更高层的图像分析和理解成为可能。 图像分割在很多方面，如医学图像分析，交通监控等，都有着非常广泛的应用，具有重要的意义。(1)分割的结果常用于图像分析，如不同形式图像的配准与融合，结构的测量，图像重建以及运动跟踪等。(2)在系统仿真，效果评估，图像的3D重建以及三维定位等可视化系统中，图像分割都是预处理的重要步骤。 (3)图像分割可在不丢失有用信息的前提下进行数据压缩，这就降低了传输的带宽，对提高图像在因特网上的传输速度至关重要。(4)分割后的图像与噪声的关系减弱，具有降噪功能，便于图像的理解。 图像分割的研究进展 图像分割是图像处理中的一项关键技术，至今已提出上千种分割算法。但因 所谓分水岭算法有好多种实现算法，拓扑学，形态学，浸水模拟和降水模拟等方式。要搞懂就不容易了。WatershedAlgorithm(分水岭算法)，顾名思义，就是根据分水岭的构成来考虑图像的分割。现实中我们可以或者说可以想象有山有湖的景象，那么那一定是水绕山，山围水的情形。而区分高山（plateaus）与水的界线，以及湖与湖之间的间隔或都是连通的关系，就是我们可爱的分水岭（watershed）。为了得到一个相对集中的集水盆，那么让水涨到都接近周围的最高的山顶就可以了，再涨就要漏水到邻居了，而邻居，嘿嘿，水质不同诶，会混淆自我的。那么这样的话，我们就可以用来获取边界高度大，中间灰阶小的物体区域了，它就是集水盆。浸水法，就是先通过一个适当小的阈值得到起点，即集水盆的底；然后是向周围淹没也就是浸水的过程，直到得到分水岭。当然如果我们要一直淹没到山顶，即是一直处理到图像灰阶最高片，那么，当中就会出现筑坝的情况，不同的集水盆在这里想相遇了，我们要洁身自爱，到这里为止，因为都碰到边界了。不再上山。构筑属于自己的分水岭。在计算机图形学中，可利用灰度表征地貌高。图像中我们可以利用灰度高与地貌高的相似性来研究图像的灰度在空间上的变化。这是空域分析，比如还可以通过各种形式的梯度计算以得到算法的输入，进行浸水处理。分水岭具有很强的边缘检测能力，对微弱的边缘也有较好的效果。为会么这么说呢？为什么有很强的边缘检测能力，而又能得到相对集中的连通的集水盆？现实中很好办，我们在往凹地加水的时候，直到它涨到这一块紧凑的山岭边缘就不加了；但是如果有一条小山沟存在，那没办法，在初始阈值分割的时候，也就是山沟与集水盆有同样的极小值，而且它们之间是以这个高度一直连接的。那没关系，我们将它连通。在图像上呢？如何实现？ 看看算法，算法思想是这样的： 首先准备好山和初始的水。这山就是我们的初始图像了，比如用自然获取的图像的梯度来表征山地的每一点的高度吧；而初始的水就是在阈值记为Thre底下，所有的低于这个高度的整个山地都加水，直到这个阈值Thre高度。从而有三个初始量：unsignedchar**Ori_image、 char**Seed_image和int**Label_image。最后一个是为最终的结果做准备的。当然要做好初始化，比如，Ori_image赋值为原图像（256色灰度图）的梯度值，Seed_image则是初始状态下有水的置位，无水的复位，而Label_image则全初始化为0，最终得到的是各点对应的区域号。接下来是考虑将已加的水进行记录，记录成连通的区域，也就是看看有多少个互不相关的集水盆，有五个，那么我们就涨出五个湖，而且尽可能的高，只要大家想到不溢出。在算法上，有多少个连通的区域就记录成多少个数据结构，功夫就在于如何将这些连通的区域连接成一块，并由一个数据结构来表达了。很好，我们准备用一个向量容器来实现初始保存，保存所有标记区域种子队列的数组，里面放的是种子队列的指针 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 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 哈尔滨工业大学工学硕士学位论文 Abstract With the rapid improvement of satellite technology, satellite images, especially high resolution remote sensing satellite images have been paid great attention by various countries, and have been applied in different fields. Satellite image can extract the relative position and spatial distribution of various natural elements with its rich information and visual image, which provides great space for the development of target semantic segmentation in both civil and military aspects. At the same time, in the wave of artificial intelligence, deep learning has been greatly developed with the ability of computing, which not only brings great changes in the traditional computer vision and robot, but also brings new solutions in such aspects as finance and medical care. Therefore, deep learning is applied to the semantic segmentation of satellite images, which opening up new ideas for military tactics and civilian business planning. In this paper, we use convolution neural network to classify multi resolution satellite images. The main contents of this paper are as follows: Firstly, it summarizes the basic models of deep learning and three characteristics of deep learning, namely, the simplicity, extensibility and mobility of models. The focus is mainly on the conformation, characteristics, research mechanism and development direction of convolution neural network. For the semantic segmentation of satellite images using the learning features of artificial design, the feature design learning is too complicated and the adaptation range is limited. This paper uses convolution neural network to automatically design and extract features. Based on the typical semantic segmentation network, the semantic segmentation network structure of satellite images is designed, which combines the advantages of the existing Convolutional Neural Network (CNN) and the conditional random field (Conditional Random Field, CRF). In view of the small number of images in the satellite image set, and the uneven distribution between classes, this paper adjusts the context semantic environment in the satellite image segmentation network, and combines the rough feature and the fine feature by increasing the jump connection. At the same time, the conditional random field was added to the network output to make the precision more than 16%. In order to improve the network performance, the sample set is preprocessed and added and includ the multispectral image channel synthesis, and the increase of multi remote sensing imaging index. In the view of the difference between the loss function of the convolution neural network in the semantic segmentation process and the traditional classification network, the loss function of the network is improved and the joint loss 第20卷第6期2000年12月北京理工大学学报JOurnaI Of Beijing InStitute Of TechnOIOgy VOI.20NO.6Dec.2000 文章编号21001-0645(2000)06-0720-05几种图像分割算法在CT 图像分割上的 实现和比较 杨 加19吴祈耀19田捷29杨骅2(1-北京理工大学电子工程系9北京1000 1;2-中国科学院自动化研究所9北京1000 0)摘要2对目前几种在图像分割领域得到较多应用的交互式分割 区域生长分割以及阈值 分割算法进行了探讨9并且结合实际CT 片图例分别进行分割实验研究9得到较为满意和 可用性强的结果.实验表明2阈值分割对于CT 切片的效果最好;区域生长分割适宜于对面 积不大的区域进行分割9分割效果较好;基于动态规划的交互式分割算法比较复杂9计算时 间较长9但对于边缘较平滑的区域9同样具有较好的实际效果.几种算法的评估为其在CT 图像分割上的实际应用提供了科学依据. 关键词2图像分割算法;CT 图像分割;交互式分割;阈值分割;区域生长分割 中图分类号2TN 911-73文献标识码2A 收稿日期220000625 基金项目2国家自然科学基金资助项目(69 43001);国家 63 计划项目作者简介2杨加9男91975年生9硕士生. 图像分割可以分解为两个任务9即识别(recOgnitiOn )和描绘(deIineatiOn ).识别的目的在于确定目标物体的大致位置并区别于图像中的其它物体;而描绘的任务在于精确定义和刻画图像中目标物体的区域或边缘的空间范围.人的识别能力通常强于计算机算法9另一方面9计算机算法的描绘能力则优于操作者(人).因此既能利用操作者强大的识别能力9又能利用计算机算法的描绘能力的交互式图像分割则越来越受到人们的关注.在医学领域中9图像分割是病变区域提取 特定组织测量以及实现三维重建的基础9因此图像分割技术在医学图像处理中具有十分重要的意义[1].作者探讨了3种目前在图像分割上得到较多实际应用的分割算法9并结合实际CT 片图例进行了实验研究9得到较为满意和可用性强的结果;最后对这几种方法进行了评估9为这些算法在CT 图像分割上的实际应用提供了科学依据. 1 交互式分割算法1-1基本理论及算法描述 动态规划方法最早应用于图像边缘跟踪[2].可以将图像边缘检测看作一个优化问题[3]9并将其表述为找出一目标函数V =V (I 19I 29I 39~9I H )的最优值M (如取最小值min )9得V 取最优值时的一组自变量值(I 19I 29I 39I 49~9I H 9).若变量离散9目标函数没有特定规律可循时9则该问题将包括一个极大的解空间.如果这个目标函数能够描述成如下形式2 V =V (I 19I 29I 39~9I N )=V 0(I 09I 1)+V 1(I 19I 2)+~+V H-1(I H-19I H ) 医学图像分割理论方法概述 医学图像分割就是一个根据区域间的相似或不同把图像分割成若干区域的过程。目前,主要以各种细胞、组织与器官的图像作为处理的对象,图像分割技术主要基于以下几种理论方法。 1.基于统计学的方法 统计方法是近年来比较流行的医学图像分割方法。从统计学出发的图像分割方法把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量,观察到的图像是对实际物体做了某种变换并加入噪声的结果,因而要正确分割图像,从统计学的角度来看,就是要找出以最大的概率得到该图像的物体组合。用吉布斯(Gibbs)分布表示的Markov随机场(MRF)模型,能够简单地通过势能形式表示图像像素之间的相互关系,因此周刚慧等结合人脑MR图像的空间关系定义M arkov随机场的能量形式,然后通过最大后验概率 (MAP)方法估计Markov随机场的参数,并通过迭代方法求解。层次MRF采用基于直方图的DAEM算法估计标准有限正交混合( SFNM)参数的全局最优值,并基于MRF先验参数的实际意义,采用一种近似的方法来简化这些参数的估计。林亚忠等采用的混合金字塔Gibbs随机场模型,有效地解决了传统最大后验估计计算量庞大和Gibbs随机场模型参数无监督及估计难等问题,使分割结果更为可靠。 2.基于模糊集理论的方法 医学图像一般较为复杂,有许多不确定性和不精确性,也即模糊性。所以有人将模糊理论引入到图像处理与分析中,其中包括用模糊理论来解决分割问题。基于模糊理论的图形分割方法包括模糊阈值分割方法、模糊聚类分割方法等。模糊阈值分割技术利用不同的S型隶属函数来定义模糊目标,通过优化过程最后选择一个具有最小不确定性的S函数,用该函数表示目标像素之间的关系。这种方法的难点在于隶属函数的选择。模糊C均值聚类分割方法通过优化表示图像像素点与C各类中心之间的相似性的目标函数来获得局部极大值,从而得到最优聚类。Venkateswarlu等改进计算过程,提出了一种快速的聚类算法。 2. 1 基于模糊理论的方法模糊分割技术是在模糊集合理论基础上发展起来的,它可以很好地处理MR图像内在的模糊性和不确定性,而且对噪声不敏感。模糊分割技术主要有模糊阈值、模糊聚类、模糊边缘检测等。在各种模糊分割技术中,近年来模糊聚类技术,特别是模糊C - 均值( FCM)聚类技术的应用最为广泛。FCM是一种非监督模糊聚类后的标定过程,非常适合存在不确定性和模糊性特点的MR图像。然而, FCM算法本质上是一种局部搜索寻优技术,它的迭代过程采用爬山技术来寻找最优解,因此容易陷入局部极小值,而得不到全局最优解。近年来相继出现了许多改进的FCM分割算法,其中快速模糊分割( FFCM)是最近模糊分割的研究热点。FFCM算法对传统FCM算法的初始化进行了改进,用K - 均值聚类的结果作为模糊聚类中心的初值,通过减少FCM的迭代次数来提高模糊聚类的速度。它实际上是两次寻优的迭代过程,首先由K - 均值聚类得到聚类中心的次最优解,再由FCM进行模糊聚类,最终得到图像的最优模糊分割。改进的利用门限的分水岭图像分割算法
关于图像分割算法的研究
图像分割算法开题报告
opencv实现分水岭,金字塔,均值漂移算法进行分割
基于全卷积网络的图像语义分割算法研究
图像分割算法的比较与分析
分水岭算法原理
图像分割常用算法优缺点探析
图像分割方法综述matlab论文
针对卫星图像的语义分割算法研究
几种图像分割算法在CT图像分割上的实现和比较
图像分割方法总结
相关主题
文本预览