II
摘要
遥感图像分割，就是指将遥感图像分成各具特性的区域并提取出感兴趣的目标的技术和过程，在此基础上才有可能对目标进一步利用。因此遥感图像分割是由遥感图像处理到遥感图像分析的关键步骤。
近年来，以马尔科夫随机场模型作为先验模型的无监督图像分割已经得到了广泛应用，实践证明该模型有利于提高图像分割质量。但是由于环境和传感器的影响，遥感图像具有灰度变化大、纹理复杂并且边界模糊等特点，经典的马尔科夫随机场模型并不能很好的处理分割中的相干噪声等问题。本文针对遥感图像斑点噪声大，边界模糊的特点，在分割中引入了结合模糊集和马尔科夫算法的模糊马尔科夫随机场的无监督算法，以SAR图像为实验对象证明了该方法的准确性。论文的主要工作和创新如下：
①分析了基于模糊集和基于马尔科夫随机场的分割算法，这是图像分割中的两大主要工具。深入分析对比了这两种算法在遥感图像分割上的优劣。
②为了弥补以上两种方法各自的不足，将模糊马尔科夫随机场引入遥感图像分割中，提出了基于模糊马尔科夫随机场模型在遥感图像分割算法中的具体构架，使得图像中的各点均从属于某个模糊类，而再是属于指定标签的确定类。该模型结合了分割问题中的随机性与模糊性，以模糊随机变量为基础，从软分割的角度更合理地获取了图像的先验知识，较好地贴合了图像的特点，因而使得图像分割过程中使用的先验知识更为准确。
③在设计模糊马尔科夫随机场模型的势函数时，本文以传统的多逻辑模型（MLL）为基础，建立了模糊MLL模型，这种模糊模型下的势函数定量的从两点的距离入手，比经典的势函数只是定性的从两点的异同入手更能细致的描述先验模型，比经典的Gibbs随机场的势函数更细腻的刻画了像素间的细微差别。
④以往的模糊分割技术都把精力放在了图像的灰度特征上，这对两类以上的目标分割具有明显的缺陷，为了更加准确的区分图像中的不同区域，本文在MAP-MRF框架下提取出图像的灰度特征和纹理特征，以各自的特点分别建模，实验证明对于多值图像效果明显。
⑤模糊马尔科夫随机场模型和经典马尔科夫随机场一样都存在一个问题，就是分割过程高度依赖从图像特征中估计出来的参数，虽然此方法使用到的参数较
I
少，但是为了实现无监督分割，分割过程必须具备参数学习的能力而无需训练数据。为此本文使用了修正的EM算法来估计特征参数，再用模拟退火算法获取全局最优解。
⑥在实验中，选择了具有代表性的模糊C均值算法和经典的马尔科夫随机场算法作为对比，通过针对SAR图像的分割结果图和求得的最大错分率证明了模糊马尔科夫随机场算法更好的处理了边缘的混叠，明显减少了斑点噪声，使分割结果更加准确。
⑦在实验中作者发现由于模糊类的引入，导致搜索空间变大，如若仍然采用模拟退火这种全局优化算法的话虽然效果很好，但是分割时间会明显变长。考虑到为了提高分割的效率，本文将优化方案进行了修改，提出了SA-ICM结合的组合优化方法，虽然分割结果的正确率有稍许下降，但是将分割速度提高了近3倍，以适应不同的分割要求。
⑧在对算法进行实现中，使用VC++ 6.0设计完成了SAR图像分割系统，该系统将本文所用的各种算法加以实现，并进行了各种指标的对比。
关键词：模糊马尔可夫随机场（FMRF），Gibbs分布，图像分割，EM算法，SA 算法
II
ABSTRACT
Remote-sensing image segmentation is the process to divide the image into regions with different features and extract the objective through segmentation，which will probably be used into the next processing step. Remote-sensing image segmentation is the important step from image processing to image analysis.
In recent years, the unsupervised segmentation algorithms constrained by MRF as the priori probability model are widely used in the image segmentation. The experiments show that the model can significantly improve the quality of the image segmentation. As a result of influences of the environment and sensors, the characters of remote-sensing images are high gray level, sufficient texture and faint border，apply standard MRF to the speckle noises in segmentation can’t give satisfying results. Aimed at the high levels of speckle noises and faint borders, in this paper, we apply the new unsupervised algorithm based on Fuzzy Markov random field to image segmentation. The Fuzzy Markov random field fuses the fuzzy set-based and the Markov model-based methods. The segmentation experiments of SAR images demonstrate that the proposed algorithm is correct. The main work and innovations of this paper is under following:
(1) In this article, two main kinds of the algorithms, fuzzy set-based and Markov model-based algorithms, are discussed. We contrased the two algorithms in remote-sensing image segmentation.
(2) In order to solve respective insufficiency of above two methods, the Fuzzy Markov random field is applied to remote-sensing image segmentation. Framework in segmentation algorithm based on Fuzzy Markov random field is proposed. Every pixel in image is not assigned a certain class but a fuzzy class. Based on the fuzzy random variables, the model combines the randomness and fuzziness in image segmentation. In terms of a soft segmentation algorithm, the more reasonably to receive the priori probability in accordance with the features of the image ,the more correct the priori probability is to be in the image segmentation.
(3) When we devise the clique potential function in FMRF, we developed the Fuzzy MLL model based on traditional MLL. The clique potential function in Fuzzy
III
model starts from the distance of two points and the classical clique potential function begins only from the differences of two points. So the clique potential function in Fuzzy model to describe the priori probability model is more carefully than the classical clique potential function. Then clique potential function in Fuzzy model to describe the subtle differences of the pixels is more carefully than the classical clique potential function in Gibbs random field.
(4) In the past, the techniques in fuzzy segmentation focused on the gray feature of image , so there are obvious defects with these techniques in multi-level classification. Under the MAP-MRF framework, we extract the characters of gray and texture. We developed models respectively with their features. The experiments show that it is efficient to multi-level images.
(5) There is a same problem in standard MRF and Fuzzy MRF which them highly depend on parameters estimated form image feature. There are less parameters used in this mothod, however, segmentation needs a ability to learn parameters and no longer to train datas to realize unsuperivsed image segmentation. In this article , we apply the EM algorithms to estimate unknown parameters and simulated annealing to search global optimal resolutions.
(6) In the experiments, we compare our algorithm with fuzzy c-means clustering algorithm and FCM algorithm. The maximal error rate that is added by results of SAR image segmentation shows that FMRF is more efficient to deal with the edge overlapping. It reducs the speckle noises and improves the accuracy.
(7) In experiments, author found that the fuzzy classification results in larger searching space. We can get satisfying result by simulated annealing that is a global optimal aglorithm, but the time of segmentation will be significantly longer. To improve efficiency of segmentation, the method is modified. The method combines SA with ICM. Although it would reduce the accuracy, the speed of segmentation enhanced nearly 3 times. So our method can adapt the different request.
(8) We applied algorithms which are mentioned in this paper to SAR images segmentation with VC++ 6.0, and compared indicators of segmentation by different algorithms.
Keywords: Fuzzy MRF, Gibbs distribution, image segmentation, EM, SA
IV
目录
第一章引言 (1)
1.1. 课题的背景 (1)
1.2. 国内外研究现状和发展趋势 (2)
1.2.1. 图像分割的发展现状 (2)
1.2.2. 遥感图像分割的发展现状 (2)
1.3. 课题研究的对象 (3)
1.4. 论文的主要内容与结构 (4)
第二章遥感图像分割算法概述 (5)
2.1. 遥感图像分割方法分类 (5)
2.1.1. 按照分割过程中的自动化程度划分 (5)
2.1.2. 按分割区域是否重叠来划分 (6)
2.1.3. 按模型在分割中所起的作用分类 (6)
2.1.4. 按使用知识的特点来划分 (6)
2.1.5. 按基于类型特点分类 (7)
2.2. 遥感图像特征的选择和提取 (8)
2.2.1. 形状特征提取 (8)
2.2.2. 光谱特征提取 (9)
2.2.3. 纹理特征提取 (9)
2.3. 优化算法 (11)
2.3.1. 基于能量函数的优化算法 (12)
2.3.2. 基于统计学的优化算法 (15)
2.3.3. 关于优化算法的思考 (17)
2.4. 分割效果的评价 (17)
第三章基于模糊集理论的遥感图像分割方法 (19)
3.1. 模糊理论基础 (19)
3.1.1. 模糊集合的定义 (20)
V
3.1.2. 隶属度的确定 (21)
3.1.3. 去模糊化方法 (22)
3.2. 基于FCM算法的遥感图像分割应用 (22)
3.2.1. FCM算法的实现步骤 (23)
3.2.2. SAR图像分割实验与结论 (23)
3.2.3. FCM在分割应用中的主要问题分析 (26)
第四章基于马尔科夫随机场的遥感图像分割方法 (28)
4.1. 马尔科夫随机场的定义及模拟 (28)
4.1.1. 马尔科夫场的定义 (29)
4.1.2. 马尔科夫随机场与吉布斯随机场的等效 (30)
4.1.3. MRF采样方法对比 (31)
4.1.4. MRF中优化算法对比 (32)
4.1.5.模拟 MRF的模型 (32)
4.2. MRF算法在遥感图像分割中的应用 (32)
4.2.1. MAP-MRF图像分割框架设计 (33)
4.2.2. MRF算法流程 (34)
4.2.3. SAR图像分割实验 (36)
4.2.4. 实验结果分析 (37)
4.3. 基于MRF分割方法存在的问题 (38)
第五章基于模糊马尔科夫随机场的遥感图像分割算法 (40)
5.1. 引言 (40)
5.2. 模型的基本知识 (41)
5.2.1. 确定类和模糊类 (41)
5.2.2. 模糊随机事件 (42)
5.2.3. 模糊随机变量 (42)
5.2.4. 模糊马尔科夫随机场的引入 (43)
5.3. 模型的模糊化设计 (44)
5.4. 贝叶斯框架的实现 (44)
5.4.1. 先验分布模型设计 (44)
5.4.2. 类条件概率模型设计 (45)
VI
5.4.2.1. 灰度特征的描述 (45)
5.4.2.2. 纹理特征的描述 (45)
5.4.3. 后验概率模型设计 (46)
5.5. 参数估计与算法的实现 (47)
5.6. SAR图像分割实验 (48)
5.7. 实验结果分析 (54)
5.8. 优化方案的调整 (55)
5.8.1. SA-ICM算法 (55)
5.8.2. 实验对比及分析 (56)
第六章结论与展望 (60)
6.1. 本文工作的总结 (60)
6.2. 今后工作的思考与展望 (61)
致谢 (62)
参考文献 (63)
在学期间的研究成果及获奖情况 (66)
VII
1
第一章 引言
1.1. 课题的背景
在对图像的研究和应用中，人们往往仅对各幅图像图像中的某些部分感兴趣。这些部分被称为目标或前景（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。为了辨识和分析目标，需要将这些有关的区域分离提取出来，在此基础上才有可能对目标进行进一步的利用。图像分割就是指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[1] 。经典的图像分割的定义可以用集合的概念表示：令集合R 代表整个图像区域，对R 的分割可以看做将R 分成若干个满足以下5个条件的非空子集12,,,n R R R ：
⑴ 1n i i R
R ==∪；
⑵ 对于所有的i 和j ，i j ≠，有i j R R =?∩；
⑶ 对1,2,,i n = 有()i P R TRUE =；
⑷ 对i j ≠，有()i j P R R FALSE =∪；
⑸ 对1,2,,i n = i R 是联通的区域。
其中，()i P R 是对所有在集合i R 中元素的逻辑谓词。
图像分割是由图像处理进到图像分析的关键步骤，也是一种基本的计算机视觉技术，多年来一直得到人们的高度重视。图像分割技术已经在实际中得到了广泛的应用，例如在遥感图像分析、医学图像处理、工业自动化、灾害监测等等方面。
遥感图像分割[2]，就是对遥感图像进行处理，从中提取目标的过程。遥感图像通常表现为：灰度集多、信息量大、边界模糊、目标结构复杂等问题，由于这些特性，使得对遥感图像的分割没有完全可靠的模型进行指导，因而在一定程度上阻碍了分割技术在遥感领域的应用。虽然目前已有大量的图像分割算法，并且研究者利用各种方法对遥感图像的自动分割进行了各种尝试，但是还是没有一种算法能够对不同条件下获取的遥感图像都产生满意的分割效果。各种算法在遥感图像分割中存在的主要问题是图像分割算法的适用面有限、分割效果较差等等。同时对遥感图像的分割结果也缺乏客观的评价准则和评价方法。
1.2. 国内外研究现状和发展趋势
1.2.1. 图像分割的发展现状
图像分割是图像处理中的一项关键技术，早在上个世纪50年代中期，人们就开始了对图像分割的研究，70年代起一直受到人们的高度重视，至今已提出了上千种分割算法[1]。章毓晋在文章《中国图像工程：2005》中统计：“图像分割和边缘检测”在2005年各类图像工程文献中数量排名第一，而且从其变化趋势来看，可以说一直呈指数发展，这除了反映出图像分割在图像工程中的重要地位，也在一定程度上表明了该方面的工作有相当的难度和挑战性。由于图像分割本身所具有的复杂性，具有重大的突破性的研究成果较少。近些年来，人们也引入了一些新概念和新方法应用在图像分割中，如数学形态学、小波分析及小波变换、随机场理论、神经网络、模糊集理论、遗传算法等等。但是，所提出的图像分割方法大都只是适用于一种特定的图像，并不能对所有的图像都取得令人满意的结果，缺乏通用的图像分割方法和策略。因而人们在继续致力于将新概念、新方法引入图像分割领域的同时，更加重视多种分割算法的有效结合，近几年来提出的方法大多数是结合多种算法的。采取什么样的结合方式才能充分利用各种方法的优点，取得更好的效果已经成为人们关注和研究的热点。
图像分割技术的应用涉及各种类型的图像。例如，在遥感领域，对合成孔径雷达图像的目标提取[3]；在遥感云图中不同云系和背景的分离[4]；在医学应用中，人脑部MR图像的分割[5]；在交通图像分析中，车牌的提取[6]；在工业自动化生产中，带钢表面的缺陷分割等等[7]。从这些具体的应用中也可以看出图像分割在生产生活中的重要作用。
1.2.2. 遥感图像分割的发展现状
虽然图像分割技术已被人们广泛的利用，但是针对遥感图像的分割研究就相对缺乏，这是因为遥感图像存在着许多有别于其他种类图像的特点，这给遥感图像的分割带来了很多困难：
遥感图像的尺寸一般来说比较大，这就对遥感图像分割的效率提出了很高的要求，一些对小图像分割较为有效的的方法对于大尺寸的遥感图像就可
能用处不大。因此分割的效率成为遥感图像分割的一个重要问题。
遥感图像内容丰富，与一般图像相比，包含了更多的信息，但与此同时也
2
包含了比一般图像更多的噪声，这就对遥感图像分割方法的抗噪能力提出
了很高的要求。
遥感图像包含了明显的纹理特征，它不仅包含了色彩单一的平滑区，还有以纹理特征为主导的纹理区域。纹理作为一种区域特征可以有效的表达和
区别不同区域的特性，这就成为有效分割图像的前提。但是由于自然纹理
的复杂性，有效的提取和表达纹理难度很大。
遥感图像所记录的地物通常呈现多尺度特征，实现不同尺度下的分割对地学分析具有十分重要的意义，但其难度也相当大。
面对复杂的遥感图像处理问题，国内外先后开发了数种商业遥感图像处理软件，例如：PCI、ERDAS、ENVI、GEOIMAGE等等，它们也提供了相应的遥感图像分割的模块。这些软件一般采用较为成熟的技术方法，学术期刊和专业领域学术会议论文则是反映最新的研究动态。从国内外发表的遥感图像分割文章中可以发现，现在的研究重点集中在对一般的图像分割方法进行改进和将不同的方法结合起来对遥感图像进行分割。近年来研究较多的如：马尔科夫随机场（MRF），Gibbs 随机场，Bayesian理论，Gabor滤波器，多尺度边缘检测，遗传算法等，具体研究成果将在第二章中进行介绍。
1.3. 课题研究的对象
遥感卫星已发展成为拥有气象、资源、雷达、海洋卫星等系列卫星的观测系统。各种卫星的图像均有其特点，在图像处理方法上也稍有不同，如SAR、高光谱、多光谱图像，由于它们的波段数不同，在具体处理算法设计是需特别考虑的，如已建立的贝叶斯SAR图像的纹理分割模型就不能用高光谱和多光谱图像。但是，它们的基本处理方法和原理是一致的，大多数方法是可以用适用于各种类型的遥感图像，如基于神经网络的分类方法、区域增长、贝叶斯方法等。本文研究的分割方法主要应用在了合成孔径雷达（SAR）遥感图像上，其算法具有一定的通用性。
球性布局的地面接收系统提供全球范围的商用服务，SAR图像在海洋冰探测、海洋环境监测、森林类型分类、地质矿产研究、农作物生长监测等方面的广泛应用，这标志着星载SAR系统从试验阶段进入实用阶段。1995年11月发射的加拿大RADARSAT 1采用7种成像工作模式，其图像分辨率可达9米，己在各个领域取得举世瞩目的成绩。本文使用的实验图像就是 RADARSAT 1所获取的海冰图
3
像。
1.4. 论文的主要内容与结构
本文围绕感遥感图像的分割方法在进行分析和讨论的基础上，深入研究了基于模糊马尔科夫随机场的遥感图像分割方法，并针对其特点对比更新了优化方案。
文章的主要编排如下：
第一章介绍了图像分割在遥感图像解译中的重要意义以及遥感图像分割的国内外的研究情况，说明了本论文选题的理论意义和实际应用价值。
第二章讨论了图像分割领域的一些基本概念与方法，从不同的角度研究了图像分割的优化问题，综述了各种在遥感图像分割领域常用的算法，并对目前遥感图像分割中流行的优化算法做了比较详细分类与比较。
第三章对传统的基于模糊集理论的软分割方法进行了研究，通过对SAR图像使用了FCM算法实验，并与常用的硬分割方法K-Mean算法进行了类比，分析了这种目前比较常用的软分割方法的优点与存在的问题。
第四章阐述了基于马尔科夫随机场的分割算法，分析了这种结合了空间关系的模型的优越性，并将其传统及其改进算法应用在SAR图像分割上，通过类比说明了马尔科夫随机场模型在遥感图像分割方面存在的问题及改进的方向。
第五章构造了基于模糊马尔科夫随机场的遥感图像分割算法的框架，以模糊随机变量为基础，设计了模糊MLL模型作为先验知识，再提取出图像的灰度和纹理特征，最后使用SA算法和SA-ICM算法进行优化以适应不同的分割要求。
第六章对本文的工作做了总结并对工作中存在的问题进行思考对以后的研究进行了展望。
4
第二章遥感图像分割算法概述
2.1. 遥感图像分割方法分类
遥感图像分割的研究受到重视以来，分割算法层出不穷，这实际上就是计算机模式识别技术在遥感技术领域的具体应用。针对这些算法从不同的角度出发可以归纳为不同的类型，本节对这些算法进行归类整理，很多方法在分类上有重叠之处。
2.1.1. 按照分割过程中的自动化程度划分
这是最常见的也是应用最广的一种划分，分为监督分割和非监督分分割(见表2-1)。有监督方法在分割过程中需要多次人工参与部分参数的调整工作，依靠已知类别训练样本集合，根据其特征向量的分布来确定判决函数，利用确定后的判决函数对未知样本做出判决，采用有监督的分类方法要求有足够的先验知识。而无监督分割也称为聚类，这类方法的基本思想是“物以类聚”，利用数学手段计量数据特征向量之间的发散情况，以一定的测度测量数据样本的“距离远近”，形成一个数据样本自然分组的过程，不同类别的形成仅依赖于输入样本，无监督则无需对分割参数进行重新调整或算法本身能够凭借模型给定的收敛条件自动更改分割参数。
表2-1按照分割过程中的自动化程度划分
监督分割非监督分割
※ 最大似然方法
※ 最小距离方法（最近均值方法）※ 平行六面体方法
……
※ IOSDATA方法 ※ K-mean方法 ※ MRF方法
……
5
2.1.2. 按分割区域是否重叠来划分
按分割区域是否允许有“重叠”现象，根据一个像元被划分到一个类还是多个类来划分。可将分割方法大体分类为软分割与硬分割两类，其中硬分割可视为软分割中的一种特殊形式。两种分割的主要差别在于分割过程中是否允许为每一像元分配不同的类型，且以一定的概率或某种隶属度形式存在。硬分割是传统的确定性分割算法，在分割中类型最多，但有时可能不合理，因为有些像元可能同时具有两个类或者多个类的性质。软分割中，每一个像元可以同时被分到多个类中，这看来是对硬分割不合理一面的一种较合理的解决方式。软分割方法常与统计模型、人工神经网络、概率模型或随机场模型相结合的方式存在。
2.1.
3. 按模型在分割中所起的作用分类
数学模型应用于图像处理与计算机视觉中的目的是通过利用少量一些参数来达到获取图像的本质特征，以便更好地了解产生图像各式各样现象背后所隐藏的本质。一个分割问题可以描述为标记问题，根据贝叶斯统计理论，对图像进行标记通常是一个关于条件后验概率的寻优过程，可以通过求解先验概率与条件概率来共同实现。即一个良好的自动化分割问题既要有好的先验模型也要求设计一个符合图像数据本身的似然模型。因此，按模型在分割中所起作用不同，分为关于图像密度函数与关于图像先验模型两种不同的分割方法[8]，这也是一种分类方法。
2.1.4. 按使用知识的特点来划分
按所使用知识的特点与种类，可以粗略将图像分割方法分为数据驱动与模型驱动两类(见表2-2)。其中数据驱动的主要特点是利用图像数据本身，直接对图像进行相关操作，包括特征提取和灰度变换等。虽然数据驱动也不排除利用有关的先验知识，但却不依赖于先验知识，如边缘检测，基于区域分割以及它们的融合算法等；而模型驱动则直接建立在先验知识基础上，是以获得图像及分割目标的某种先验知识为指导来设计分割方法，最常见的模型算法如：基于动态轮廓方法、组合优化、目标几何及统计模型算法等。
6
表2-2按使用知识的特点来划分
数据驱动模型驱动
※ 边缘检测：
Prewitt 算子
Sobel 算子
Laplacian 算子等
※ 区域分割：
阈值分割
区域生长
聚类方法等※ 动态轮廓法：
参数型变形模型：如Snake等
几何型变形模型：如Level Set等※ 基于组合优化：
最大后验估计
最大似然法
最小二乘法
期望值最大等
※ 基于统计模型：
Bayesian统计模型
数理统计模型等
2.1.5. 按基于类型特点分类
按分割所基于类型特点不同，将分割方法分类成基于模型算法和基于特征算法两类(见表2-3)。基于模型算法是利用一些常用的数学或统计模型来描述图像数据间的相关关系，这种类型的分割方法一旦满足模型就能很好地贴近数据本质特征，将大大地降低分割问题的难度且精度高，因此这类型的分割算法或多或少都将涉及到先验知识的利用；基于特征的方法是一类从图像数据本身出发，取得关于图像灰度统计特性或局部纹理特征，并运用到如聚类或某种能量函数的优化问题中，这类算法涉及到特征量的获取，将与特征空间窗口大小的选择和特征位置的采样有密切的关系，因此很难得到问题的最优解。
7
表 2-3按基于类型特点分类
基于模型基于特征
※ 高斯模型※ Ising, potts 模型※ MRF&GRF 模型
※ 多分辨率模型等※ 基于统计特征：
均值、方差、协方差等
※ 基于纹理特征：
能量、熵、对比度、惯性距等
2.2. 遥感图像特征的选择和提取
图像分割处理通常包括两个步骤：第一步是选择适当的特征集，这个特征集应该能够识别相同内容的区域，同时它还能够区别不同内容的区域；第二步是应用分割方法来选择特征完成图像分割。不同应用中的图像是不同的，需要不同方法抽取不同特征。特征抽取是一个广阔的研究领域，特征是决定相似性与分割的关键，如何找到合适的特征就成为认知与识别的核心问题。动物和人类的大脑中存在对特征起反映的神经元，而且形成由简单到复杂逐层提取特征的结构。这个过程基本上还是复杂的非线性运算，而且作为高级动物的人还具有归纳、推理、演绎等高级思维能力，所以动物和人提取对象的特征能力强、速度快、代表性好。目前计算机提取特征方式还远不能达到这种层次。
图像特征是指图像的原始特性或属性，其中有些是视觉直接感受到的自然特征，如区域的亮度，边缘的轮廓，纹理或色彩；而有些则需要通过变换或测量才能得到的人为特征，如变换频谱、直方图、矩等。
遥感图像中经常使用的特征主要有：灰度（亮度）特征、直方图及其二次提取特征、纹理特征（包括灰度共生矩阵及其二次提取特征），图形形状特征（包括扁度、凹度、Freeman 编码、傅立叶算子、欧拉数、图形的Hu矩组等）。总体说来主要就是光谱特征、纹理特征和形状特征三大类。图像的形状特征对模式识别来说具有重大意义，但在遥感图像分割方面应用较少，所以本章重点放在纹理特征及光谱特征上，对于形状特征只作一个简单的介绍。
2.2.1. 形状特征提取
根据研究表明，人们在关注一个物体时，眼睛的注意力并不是均匀分布在物
8
体表面上的而是对其边缘信息最敏感，所以形状是人类区分对象的主要工具。为方便计算机识别物体特征，人们提出了许多便于计算的形状特征，多为数学形态学所用，分列为：面积特征、周长特征；矩特性；欧拉数；傅立叶描绘子；Freeman 链码等等。
2.2.2. 光谱特征提取
地物的光谱一般是指图片上像素的亮度值，但一般很少有人直接用各点灰度作为特征，目前遥感图像的发展趋势是高光谱，即同一块地物可能要用上百个波段来表述，所以一般的光谱特征提取是指统计特征或地物光谱曲线特征或光谱的地学特征，下面就分别介绍一下遥感影像的常规统计分析量。
基本统计量包括灰度的均值、中值、众数、值域、反差等，反映了与位置无关的不同灰度值出现情况。
2.2.
3. 纹理特征提取
纹理可以定义为：如果图像的一组局部统计特性或其他特性常数，缓变或近似周期性时，就称该图像的这一区域有常数的纹理特征。纹理反映了图像中局部不规则、但宏观有规律的特性。纹理是图像一个非常重要但有时也非常难以描述的特性，以纹理特性为主导特性的图像称为纹理图像。以下为自然界中几个常见的纹理（来自Brodatz纹理库）。
图2-1 常见的纹理
对纹理的描述方法分为统计法、结构法和频谱法三类方法[1]。统计方法主要用于分析纹理细且不规则的物体，根据统计特性提出特征。结构法特别适用于纹理和排列比较规则的物体。频谱法一般利用傅立叶频谱的分布来描述纹理中的全局周期性质。纹理特征是希望用少量有限的数据来表达一幅图像或图像小区所载有的纹理信息，本文着重介绍统计方法中最常用几个纹理特征。
1. 灰度直方图
直方图就是灰度的一阶概率分布的离散化形式，设灰度为r，则()r
p r n N
=，
9
10
r n 是r 级灰度的像元数，N 为总的像元数。灰度直方图的形状能说明图像小区灰度分布的总体信息。例如出现窄峰状直方图说明图像反差小，出现双峰说明图像中分为不同亮度的两个区域。虽然直方图失去了灰度分布的位置信息，但它的统计特征也能说明许多的问题。
2. 灰度共生矩阵
灰度共生矩阵是以条件概率来抽取纹理特征的，是相邻像元或相邻小区灰度上包括几何位置等相互关系的表征。它是建立在估计图像的二阶组合条件概率密度函数的基础上，采用一个给定窗口内沿某个方向θ相隔一定距离d 的一对像素灰度出现的频率来描述该窗口内的纹理特性。定义方向θ、相隔d 的一对像素，其灰度分别是i 、j 的出现频率为(),|,P i j d θ。固定方向和距离，由所有不同的像素灰度对的出现频率就构成了一个对称矩阵，称之为灰度共生矩阵，矩阵的阶数由图像的灰度阶数确定。实际应用中由于无法确定纹理的方间性，因此常常取θ为0,45,90,135 ，而d 则可以取1~size(Image)。为了计算区域的纹理有必要对灰度联合矩阵进行分析，为了实现这个目的，提出了一些有用处的描述子，它们可以从多个侧面描述图像的纹理特征，因而在纹理分割中得到了广泛的应用，其中在遥感图像分割使用灰度共生矩阵计算量大的问题本文选取了3个分辨率最好的且不相关的参数，分别是对比度Con ,熵Ent 和相关性Cor ：
对比度： ()()2
11,n n i j Con p i j i j ===×?∑∑ (2-1)
它表示纹理清晰度，纹理沟纹越深，则对比度值越大。
熵： ()()11,ln ,n n
i j Ent p i j p i j ===×∑∑ (2-2)
熵是一个随机性的度量，当灰度共生矩阵的所有元素有最大的随机性时，此描绘子具有最大的值。在纹理上的表现是细纹密布时熵值最大，少纹理时熵值最小。
相关性： ()111
,n n x y i j x y Cor ijp i j μμσσ===?∑∑ (2-3)
相关性用来衡量灰度共生矩阵的元素在行(列)方向的相似程度。
3. 基于能量的纹理描述符
通过利用模版（也称核）计算局部纹理能量可获得灰度变化的信息。所运用的模板是通过有选择地选取下列矢量，并进行相应的运算得到相应的特征。以下所列到的是该方法常用到的4个矢量：
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
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
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,
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:
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
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-
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法、基于人工智能的图像分割方法三个由低到高的阶段对图像分割进行全面的论述。 2 传统的图像分割方法 2.1 基于阀值的图像分割方法 阀值分割法是一种传统的图像分割方法，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的分割技术。阀值分割法的基本原理是通过设定不同的特征阀值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图，目前在图像处理领域被广泛应用，其中阀值的选取是图像阀值分割中的关键技术。 灰度阀值分割方法是一种最常用的并行区域技术，是图像分割中应用数量最多的一类。图像若只用目标和背景两大类，那么只需要选取一个阀值，此分割方法称为单阀值分割。单阀值分割实际上是输入图像f到输出图像g的如下变换：
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。
高空间分辨率遥感影像分割方法研究综述 高空间分辨率遥感影像分割方法研究综述 刘建华毛政元 （福州大学,空间数据挖掘与信息共享教育部重点实验室，福建省空间信息工程研究中心，福州350002） 摘要:遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术,对于影像目标信息自动化提取与智能识别尤为重要，在面向对象的遥感影像处理工程中具有重要意义。本文对常见的高空间分辨率遥感影像分割方法与应用策略进行了分析，比较了各种分割方法的应用范围、优缺点及目前存在的改进措施。建立了面向对象的遥感影像分割方法的分类体系，最后指出了面向对象的遥感影像分割方法目前所存在的问题及应用前景。 关键词:高空间分辨率遥感影像影像分割方法应用策略进展 A Survey on High Spatial Resolution Remotely Sensed Imagery Segmentation Techniques and Application Strategy Liu Jian hua Mao zheng yuan (Fuzhou University, Spatial Information Research center, Fuzhou, 350002) Abstract: Remotely sensed imagery segmentation is a process of dividing an image into different regions such that each region is, but the union of any two adjacent regions is not, homogeneous. It is one of key techniques in the object-oriented remotely sensed imagery data mining and its application, also quite essential in remote sensing image processing engineering. In this paper, we have a rough survey on different methods of high spatial resolution remotely sensed imagery segmentation, categorizing them into four groups according to the gray or color information they are exploiting. The disadvantage of current methods and the proper progress which can be attained in the near future are pointed out at the end of this essay. Keywords: High Spatial Resolution Imagery, Segmentation methods, application strategy, advances and prospects 1 引言 高空间分辨率遥感影像(如GeoEye、WorldView、QuickBird、IKONOS等，本文简称高分影像)在诸多领域（地形图更新、地籍调查、城市规划、交通及道路设施、环境评价、精细农业、林业测量、军事目标识别和灾害评估等）得以广泛应用[1]。目前，影像信息提取自动化程度低是高分影像应用潜力得不到充分发挥的主要限制因素，是理论和应用研究中必须突破的瓶颈。 遥感影像分割是面向对象的遥感影像分析方法[2]的基础和关键，在遥感影像工程中处于影像处理与影像理解的中间环节，是面向对象的影像分析理论研究的突破口。按照一般的影像分割定义[3],分割出的影像对象区域需同时满足相似性和不连续性两个基本特性；其中相似性指该影像对象内的所有像元点都满足基于灰度、色彩、纹理等特征的某种相似性准则，不连续性是指影像对象的特征在区域边界处的不连续性。迄今为止,将计算机视觉领域的图像分割算法应用于图像分割过程中,已开展了较多的研究[4-7],并提出了大量的算法；但针对遥感影像尤其是高分影像的分割方法较少[8],仍不成熟。这是由于与其它类型图像的分割相比，高分影像分割难度更大,也更具挑战性。具体体现在高分影像其空间分辨率高、纹理信息丰富而光 基金项目: 国家重点基础研究发展计划项目（973）子课题“高空间分辨率遥感影像自适应数据挖掘方法研[2006CB708306]”，国家自然科学基金项目“基于场模型的自适应空间聚类方法研究[40871206]”。 作者简介: 刘建华，男，博士研究生,曾从事GIS与RS教学工作。目前主要研究方向为空间数据挖掘、遥感图像处理以及GIS与RS集成等。E-mail：sirc.liujh@https://www.doczj.com/doc/b43519204.html,。
文献综述 图像分割就是把图像分成各具特色的区域提取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，是一种基本的计算机视觉技术。 图像分割起源于电影行业。伴随着近代科技的发展，图像分割在实际中得3到了广泛应用，如在工业自动化、在线产品检验、生产过程控制、文档图像处理、遥感和生物医学图像分析、以及军事、体育、农业工程等方面。总之，只要是涉及对对象目标进行特征提取和测量，几乎都离不开图像分割。所以，对图像分割的研究一直是图像工程中的重点和热点。 自图像分割的提出至今，已经提出了上千种各种类型的分割算法。由于分割算法非常多，所以对它们的分类方法也不尽相同。我们依据使用知识的特点与层次，将其分为基于数据和基于模型两大类。前者是直接对当前图像的数据进行操作，虽然可以利用相关的先验信息，但是不依赖于知识；后者则是直接建立在先验知识的基础上，这类分割更符合当前图像分割的技术要点，也是当今图像分割的主流。 基于数据的图像分割算法多数为传统算法，常见的包括，基于边缘检测，基于区域以及边缘与区域相结合的分割方法等等。这类分割方法具有以下缺点，○1易受噪声和伪边缘影响导致得到的边界不连续，需要用特定的方法进行连接；○2只能提取图像局部特征，缺乏有效约束机制，难以获得图像的全局信息；○3只利用图像的底层视觉特征，难以将图像的先验信息融合到高层的理解机制中。这是因为传统的图像处理算法都是基于MIT人工智能实验室Marr提出的各层相互独立、严格由低到高的分层视觉框架下进行的。由于各层之间不存在反馈，数据自底向上单向流动，高层的信息无法指导底层特征的提取，从而导致底层的误差
不断积累，且无法修正。 基于模型的分割方法则可以克服以上缺陷。基于模型的分割方法可以将分割目标的先验知识等有用信息融合到高层的理解机制之中，并通过对图像中的特定目标对象建模来完成分割任务。这是一种自上而下的处理过程，可以将图像的底层视觉特征与高层信息有机结合起来，因此更接近人类的视觉处理。基于模型的图像分割方法主要包括：○1基于统计模型的分割方法；○2基于神经网络的分割方法；○3基于形变模型的分割方法。 主动轮廓模型（Active Conlour Model， ACM）（又称活动轮廓模型，变形曲线模型）的研究背景及发展状况。 即Snake模型，最初由Kass等人于1998年提出，并成功应用于图像分割方面。这种模型通过建立与参数化曲线Ｃ相关的能量函数，然后优化该能量函数，使轮廓向目标边界演化，并在目标边界处达到最优值。 1987年Kass、Witkin和Terzopoulos首次提出主动轮廓模型，并成功应用于图像分割、视频跟踪等相关应用。这种模型对Marr提出的各自独立分层图像处理模型提出了挑战，它将图像本身的底层视觉属性（如边缘、纹理、灰度、色彩等）与待分割目标的先验信息（如形状、亮度、色彩等）以一种有机的方式——能量函数的形势结合起来，最终得到待分割目标的完整表达。能量函数一般由两部分构成：内部能量函数和外部能量函数。一般说来，内部能量函数嵌入了对目标特征约束的先验性假设，以及保持轮廓本身特性（如光滑性和刚性）的约束条件；而外部能量函数则根据图像的数据特性（如边缘特性、区域特性等）构造
图像分割技术的研究背景及意义 1概述 2图像分割技术的研究背景及意义 2.1阈值分割方法 2.2基于边缘的分割方法 2.3基于区域的分割方法 2.4 结合特定理论工具的分割方法 1概述 图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单一区域，也可以对应多个区域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从一幅图像中孤立出来，这就是图像分割要研究的问题。 2图像分割技术的研究背景及意义 图像分割是图像处理中的一项关键技术，也是一经典难题，发展至今仍没有找到一个通用的方法，也没有制定出判断分割算法好坏的标准，对近几年来出现的图像分割方法作了较为全面的综述，探讨了图像分割技术的发展方向，对从事图像处理研究的科研人员具有一定的启发作用。 图像分割是图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。由于该课题的难度和深度，进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视，虽然研究人员针对各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法，对一些经典方法和新出现的方法作了概述，并将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。
2.1阈值分割方法 阈值分割方法的历史可追溯到近40前，现已提出了大量算法。阈值分割法就是简单的用一个或几个阈值将图像的直方图分成几类，图象中灰度值在同一个灰度类内的像素属于同一个类。它是一种PR法。其过程是决定一个灰度值，用以区分不同的类，这个灰度值就叫阈值。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用整幅图像的信息来得到分割用的阈值，并根据该阈值对整幅图像进行分割；而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值，利用这些阈值对各个区域进行分割，即一个阈值对应一个相应的子区域，这种方法也叫称为适应阈值分割。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、概率松驰法、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。薛景浩、章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象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。陈向东、常文森等人提出了基于小波变换的图像分数维计算方法，利用小波变换计算图像的分数维准确性高的特性。结果表明计算出的图像分数维准确，而且通过应用快速小波变换可以满足实时计算的要求，为实时场景分析提供有效的方法。建立在积分几何和随机集论基础之上的数学形态学以其一整套变换、概念和算法为数学工具，提供了并行的、具有鲁棒性的图像分割技述。它不仅能得到图像中各种几何参数的间接测量，反映图像的体视特性，而
综述：PDE图像分割技术 沈民奋 汕头大学工学院，广东省图像处理重点实验室，汕头 515063 摘要：偏微分方程（PDE's）图像处理在图像处理的各个方面已经得到了广泛的应用，该 方法通常与水平集方法配合使用。在图像分割方面提出了许多基于偏微分方程（PDE's）的 方法，比如，M-S分片光滑法，C-V无需边缘的活动围线法，P-D测地活动区域组等等。本文 追踪偏微分方程（PDE's）图像分割的发展，回顾偏微分方程（PDE's）图像分割领域的重 要文献，也简述了偏微分方程（PDE's）图像分割中的数值技巧。从本文的综述可以看出， 当前偏微分方程（PDE's）图像分割的主要发展趋势有三个方面：将图像分割的边界特征和 区域特征相结合；建立新的水平集方法来实现偏微分方程（PDE's）图像分割；将偏微分方 程（PDE's）图像分割技术与传统技术如贝叶斯方法相结合。 关键词：偏微分方程，图像分割，水平集，活动围线，综述 中图分类号：TP391.4 文献标识码：A 文章编号： 0 引言 图像分割是图像分析和计算机视觉中一个基本处理环节。这方面的文献很多。本文主要关注偏微分方程（PDE）图像分割的最新进展。方程的建模通常是根据变分法寻找一个使能量泛函最小化的函数，并辅之以水平集技术。尽管本文主要综述关于二维灰度图像的分割方法，由于偏微分方程图象处理的固有优势，这些方法往往很容易推广到彩色图像分割或序列图像的运动追踪问题[1,5,29,30,33,35,41]。 传统的图像分割方法，无论是基于时域还是频域的分割，总是利用图像中的灰度边界信息或灰度同质区域进行分割图像。偏微分方程图像分割也是基本如此。从根本上说，偏微分方程图像处理是基于对图像的确定性描述，近年来，许多研究人员试图把概率性描述的一些手段与偏微分方程图像处理相结合。最早的偏微分方程图像分割借助于各向异性的灰度扩散技术，扩散的结果是使得原输入图象变换成为由一些分片光滑的灰度同质区域所组成的近似图像，从而更容易分割出图像中的不同区域。后来，随着水平集方法的提出，曲线演化和传统的参数型曲线演化相比，变得更加方便和有效。因此，曲线演化或称活动围线模型成为图像分割的主流。此后，偏微分方程活动围线的发展主要在于两个方面：多相活动围线和边界无关的活动围线模型。最近，活动围线和先验形状信息相结合的方法也相继被提出。另一方面，偏微分方程图像分割的技术改进也来自于新的数值技巧，比如改进传统的水平集方法；多尺度水平集技术；甚至完全抛开水平集方法而寻找方程的直接数值求解。 偏微分方程图象处理的一般方法是这样的：给定一个问题，在特定准则下最小化一个能量泛函，使得最小化函数即为问题的解。以图像分割为例，这些准则通常是图像中的灰度边缘信息或灰度同质区域信息；其次，根据这些准则确立一个能量泛函，使得仅在我们所期望达到的分割边界上该能量泛函达到最小；然后，从最小化问题中推导出相应的欧拉-拉格朗日方程（组），方程的解的存在性往往需要专门给出证明；最后，使用适当的数值技术求解这个方程（组）。偏微分方程图象处理确实能够提供与传统图象处理手段所不同的处理方法和效果，尤其对于复杂的图像分割问题显得灵活和有效。最近偏微分方程图象处理的繁荣就是由于它所能够提供灵活多样的，而且往往是传统处理方法所不能企及的处理性能。过去二十年来，有很多偏微分方程图像分割的文章相继发表，有基于边缘或测地边缘的活动围线模型，分片光滑的灰度同质区域分割模型，和结合其它方法（如贝叶斯方法）的偏微分方程图像分割模型。读者也可以参