第40卷第6期自动化学报Vol.40,No.6 2014年6月ACTA AUTOMATICA SINICA June,2014
基于两段多组件图割的非监督彩色图像分割算法
董卓莉1李磊1,2张德贤1
摘要提出基于两段多组件图割的彩色图像分割算法,以解决因标签过多和噪声导致的过分割和图割算法低效等问题.多组件图割算法分割图像时,把标签相同的区域处理为该标签的多个组件,结合两层高斯金字塔形成两段多组件图割,以减少分割错误和标签数量,提高分割的性能.算法首先提取基于多尺度四元数Gabor滤波的texton纹理特征,并自适应融合颜色特征;然后使用两段多组件图割获取图像的优化分割,其中,为了引导图割优化的方向,在平滑项中引入彩色梯度信息;最后去除分割结果中的弱边界,获得最终的分割结果.实验结果表明,相对于比较算法,新算法的分割性能有明显提升.
关键词彩色图像分割,多组件图割,高斯金字塔,多尺度四元数Gabor滤波,纹元
引用格式董卓莉,李磊,张德贤.基于两段多组件图割的非监督彩色图像分割算法.自动化学报,2014,40(6):1223?1232 DOI10.3724/SP.J.1004.2014.01223
Unsupervised Color Image Segmentation Using Two-phase Graph Cuts with
Multiple Components
DONG Zhuo-Li1LI Lei1,2ZHANG De-Xian1
Abstract A color image segmentation method based on multi-component graph cuts and a two-level Gaussian pyramid is proposed to address the problems of over-segmentation and lower e?ciency caused by noise and large number of labels. When using multi-component graph cuts to segment an image,regions with the same label are handled as the multiple components of the corresponding segment.In order to reduce the number of labels and segmentation errors,the proposed method integrates multi-component graph cuts with a two-level Gaussian pyramid,called two-phase multi-component graph cuts,which can improve the performance of segmentation.Improved multi-scale quaternion Gabor?lter based texton texture features are?rst extracted and adaptively fused with color features,then the two-phase multi-component graph cut technique is used to get optimized segmentation,where the gradient of the image is used to compute the smoothness term to guide graph cuts to the optimum.Finally,the segmentation result is obtained after removing some weak edges from the optimized result with the proposed method.Experimental results demonstrate the good performance of the proposed method.
Key words Color image segmentation,multi-component graph cuts,Gaussian pyramid,multi-scale quaternion Gabor ?lter,texton
Citation Dong Zhuo-Li,Li Lei,Zhang De-Xian.Unsupervised color image segmentation using two-phase graph cuts with multiple components.Acta Automatica Sinica,2014,40(6):1223?1232
彩色图像分割是计算机视觉和图像处理领域的基本任务之一,其目的是把一幅彩色图像划分为有意义且同质的区域,为进一步的图像理解提供基本信息.尽管图像分割问题已经被研究了数十年,目前
收稿日期2013-05-23录用日期2013-10-09
Manuscript received May23,2013;accepted October9,2013国家自然科学基金(60972098,70701013),河南省教育厅自然科学研究项目(13A520177)资助
Supported by National Natural Science Foundation of China (60972098,70701013),and Natural Science Research Project of Department of Education of Henan Province(13A520177)
本文责任编委宗成庆
Recommended by Associate Editor ZONG Cheng-Qing
1.河南工业大学信息科学与工程学院郑州450001
2.华中科技大学计算机学院武汉430074
1.College of Information Science and Engineering,Henan Uni-versity of Technology,Zhengzhou450001
2.School of Com-puter Science and Technology,Huazhong University of Science and Technology,Wuhan430074一些主流算法如JSEG[1]、Mean shift[2]和CTM[3]等也取得了较好的分割结果,但随着图像应用领域不断扩展,促使学者不断提出新的分割算法,尤其是在非监督彩色图像分割算法方面.
近年来,基于马尔科夫随机场(Markov random ?elds,MRFs)的图割优化算法[4](Graph cuts)已成为计算机视觉和图像处理领域研究的热点.基于图割的对象/背景交互分割算法和多标签分割算法被相继提出.由于用户提供了先验信息,对象/背景交互分割算法[4,5?8]能够获得较为满意的分割结果,另一方面,非监督的对象/背景分割算法,如基于显著性区域检测的分割算法[9],也成为目前研究的热点.不同于交互分割算法,基于图割的多标签图像分割是NP难问题,尤其当标签数未知时,得到一个精
1224自动化学报40卷
确的分割结果变得更加困难.尽管一些近似优化算法,新的能量模型和策略先后被提出,如α-expan-sion[10]通过嵌入标准图割能够得到近似最优解,基于对偶分解的算法[11]、基于高阶MRFs模型的算法[12?13]、基于动态混合的算法[14]和多模型融合算法[15]等能够解决能量模型中的数学问题并提高了图割的处理能力，但这些算法要么需要预先设置包括标签数在内的参数,要么具有较高的计算复杂度,因此不能直接应用于非监督彩色图像分割.
为解决上述非监督多标签分割问题,文献[16]提出了一种基于标准图割的非监督彩色纹理分割算法,使用2维Gabor滤波族提取1维texton能量作为图像的纹理特征,并使用标准图割对彩色纹理图像进行迭代分裂;文献[17]则提出了基于多尺度四元数Gabor滤波(Multi-scale quaternoin Gabor ?lter,MQGF)的非监督彩色纹理分割框架,通过结合标准图割和最小描述长度[3]准则实现彩色纹理图像的自动分割,因MQGF能够处理彩色图像通道之间的相关性和特征的尺度问题,从而提升了分割质量.但上述两种算法对不同类型的图像需要设置不同的参数,不具有鲁棒性.文献[18?19]以能量最小化作为判断准则实现图像的自动分割,其中文献[18]提出基于MRFs标记(Labeling)自验证的分割算法,通过判断能量是否递减来决策执行分裂与合并操作.为了提高分割质量,该算法使用K-means 把一个分割固定分为三类作为三个组件来处理,并使用两层高斯金字塔以降低计算复杂度,但使用K-means生成固定数目的组件,因没有考虑空间关系易造成过分割问题,也会导致对分裂与合并过程中能量是否递减的误判.文献[19]提出基于最大后验概率(Maximum a posteriori,MAP)和最大似然(Maximum likelihood,ML)估计的图像分割算法(简称为MAP-ML),该方法首先使用K-means算法初始化相关参数(ML估计),然后交替执行MAP 估计、区域重标记和ML估计,基本流程描述如下: 1)使用α-expansion估计MAP得到像素标记;2)使用不同标签(Label)重标记每一个区域;3)根据新标记进行ML估计,更新相关参数,直到所有标签不再发生变化或达到最大迭代次数为止.尽管该算法通过重标记操作减少了分割错误,在Berkeley分割数据库上取得了较好的分割结果,然而在迭代过程中会产生大量标签,降低了α-expansion优化的效率,同时易产生过分割.文献[20]结合多层图割和多特征的多元混合学生t分布,并采用多线索区域合并策略实现彩色纹理图像的自动分割.在该算法中,虽然多元有限学生t分布能够自适应调整概率分布的峰度,分组件期望最大化(Component-wise expectation maximization)算法能够估算出分割数目,但结果往往和图像实际分割数目差别较大,而且算法复杂度较高.
综上分析,提出一种基于两段多组件图割的彩色图像分割算法.新算法基于MAP和ML估计框架,使用多组件策略[21]代替区域重标记,每次MAP 估计后,同一分割下不相邻的区域不再使用新的标签进行重标记,而是处理为该分割的多个组件,从而控制标签数量不再递增.不同于文献[18]中由K-means得到的多组件,本文的多组件是由图割优化后的区域定义的,而且多组件的个数依据区域的个数动态设定.多组件和两层高斯金字塔、弱边界去除结合(本文称作两段多组件图割)不仅能够在一定程度上减少噪声干扰和分割错误,而且提高了算法的运算效率.新算法使用改进的MQGF提取texton纹理特征,并根据彩色图像的梯度信息自适应融合CIE Lab颜色特征,提高算法的鉴别能力的同时,减少了图割优化的时间.为了引导图割优化的方向,在计算能量模型的平滑项时融入了图像的彩色梯度信息,另外把彩色梯度应用到Canny算法中去除分割结果中的弱边界.理论和在Berkeley分割数据库上的实验表明,该算法不仅具有能量收敛性,而且分割精度和效率得到了有效提升.为了更加清晰了解本文算法的结构,图1展示了本文算法分割图像的流程图.
1特征提取
CIE Lab颜色空间符合人类视觉对颜色的感知区分能力,且采用欧氏距离就可以区分像素之间的颜色差异,因而被大部分彩色图像分割算法所采用.因此,本文选择图像的CIE Lab颜色组件作为图像的颜色特征F C=(L,a,b).
对于分割含有纹理信息的彩色图像而言,有必要加入图像的纹理特征以提高分割的质量.文献[17]介绍的基于MQGF的彩色图像纹理特征提取方法,该方法不仅能够处理彩色图像通道之间的耦合性,而且能够处理四元数Gabor滤波的尺度问题.为了减少噪声和冗余信息,文献[17]先计算MQGF响应的幅值,然后使用主成分分析(Prin-cipal component analysis,PCA)对MQGF特征降维.在文献[17]的基础上,本文使用四元数主成分分析(Quaternion principal component analysis, QPCA)对MQGF响应降维去除噪声和冗余信息,以尽可能保持图像纹理特征之间的耦合性.为了提高运算效率,采用右特征值分解方式计算四元数特
6期董卓莉等:基于两段多组件图割的非监督彩色图像分割算法1225
征向量并进行降维.至于低维空间的维数,通过在大
量图像上实验发现,大部分图像的MQGF响应可以
由前3个主成分(特征向量)来表示,因此本文固定
低维空间的维数为3.通过计算降维后滤波G的能
量并经过非线性变换得到图像的纹理特征F T:
F T=(log|1+G1|,log|1+G2|,log|1+G3|)
降维后,每个像素的纹理特征F T
p
仍然是一个3维向
量.为了进一步提高运算的效率,借助文献[16]中的
思想,使用K-means对F T特征空间进行聚类生成
k T个3维texton特征T C,这样每一个像素与一个
texton对应,计算每一个像素p对应texton的能量
F T p =(
3
i=1
|T C p(i)|2)12,并归一化到[0,255],此时
图像像素的纹理特征F T仅由1维的texton能量组成.为增加对比性,本文实验部分对基于MQGF 特征和基于texton能量特征的分割算法的分割性能做了比较和说明.
因图像中的边界在一定程度上能够反映图像的纹理信息,采用文献[22]中的方法计算彩色图像梯度[23]直方图的稀疏度ρ,据此自适应融合颜色和纹理特征F CT=(ρF C,(1?ρ)F T).如果梯度直方图越稀疏,ρ就越大,则表明图像纹理单一,纹理特征的比重就越小,反之亦然.
2两段多组件图割
2.1多组件图割
使用图割进行图像分割时,图像分割一般被描述为标记问题或者能量最小化问题.给定标记集合L和图像像素集合P,以及分割中心集合Φ={m l},l=1,···,|L|,赋予图像中每一个像素p∈P一个标签f p,最大化P的后验概率可以得到一个最优标记?f,即:?f=arg max f∈L P(f|Φ,P).很容易证明,最大化P的后验概率等同于最小化下面的Gibbs能量函数[19]:
E(f|Φ,P)=
p∈P
D p(f p,Φ)+γ·
{p,q}∈N
V p,q(f p,f q)
(1)其中,N是一个4邻域系统,D p和V p,q分别表示数据项和平滑项,并通过γ(γ≥0)调整二者之间的权重.使用非参数模型对图像特征空间建模时,数据项定义为:
D p(f p=l,m l)= (F CT
p
?m l) (2)
而平滑项一般定义为标准Potts模型,为了进一步引导图割优化的方向,在平滑项中引入了彩色梯度信息:
V p,q(f p,f q)=exp
?w pq
D2
C
η
·δ(f p=f q)(3)
其中,m l=1
n l
f p=l
F CT(p)表示第l个分割的中
心,D C= F C
p
?F C
q
,n l表示该分割中像素个数,η=2 · 2 且 · 表示图像中所有邻接像素对之间颜色距离的期望,δ(·)是一个指示函数,当参数为真时等于1,否则等于0, · 则表示欧氏距离测度,参数梯度权重w pq通过以下方式计算得到:
计算图像
图1两段多组件图割分割流程
Fig.1Flowchart of the proposed two-phase multi-component graph cuts
1226自动化学报40卷
的彩色梯度[23]并应用到Canny 算子中得到二值边界图,去掉孤立点和较短的边界(例如少于10个像素的边界),并把所有边界点对应的彩色梯度值进行归一化处理;如果像素p 和q 同为边界点或者非边界点,w pq =1,否则,w pq 等于p 和q 中为边界点的像素所对应的梯度值加1.
MAP 估计后,MAP-ML 使用不同的标签重标
记每一个区域(如图2(b)所示),这样在迭代过程中易产生大量的标签.由于使用α-expansion 推理的时间复杂度和标签数量成正比[4],造成MAP-ML 分割一些复杂图像时效率较低.与MAP-ML 不同,本文算法不再使用新标签标记图2(a)中标签为1的两个不相邻的区域,而是将其作为该标签的两个组件(图2(c)中标签为1的两个组件1-1和1-2)来处理,因此在迭代优化过程中可保证标签数非递增.为此,数据项的定义改写为:
D p (f p =l,m l )=min i
(F CT
p ?m l i )
(4)
而ML 估计则重新定义为:
m l i =
1n l i p ∈l i
F
CT
p
(5)
其中,l i 表示第l 个分割中第i 个区域(组件),m l i 是该组件的参数(均值),n l i 表示该区域中像素的个数.可以看出,数据项是像素到一个分割中所有组件之间距离的最小值
.
图2本文算法和MAP-ML 处理同标签不相邻区域的结果比较((a)MAP 估计后的标记;(b)MAP-ML 重标记结果;
(c)本文处理结果)Fig.2
Processing results of our algorithm and MAP-ML
on the regions with the same labels ((a)Original labeling;(b)Relabeling result by MAP-ML;(c)Result by our
algorithm)
2.2收敛性证明
直观上多组件图割具有能量收敛性,下面给出
描述性证明.假设n 次迭代后,当前能量是E n (E n
mc 表示多组件处理后的能量),当前像素标记是f n ,分
割的中心集合为Φn .在n +1次迭代中,MAP 估计后得到标记f n +1(如图2(a)所示),根据α-expansion 的性质,E n +1递减或保持不变,即:
E n +1MAP ≤E n
(6)
经多组件处理后,Φ没有发生改变,因此数据项
没有改变;由于采用Potts 模型,如图2(c)和图3所示,标记为1的两个连通区域p 1和r 1中的像素因不相邻,它们之间的平滑项不发生改变,而对于标记为2和x 的区域q 2、s x 与标记为r 1的区域之间的平滑项也没有发生改变,因此整个平滑项没有发生改变.所以能量没有发生变化,即:
E n +1
mc =E n +1MAP
(7)
接下来的ML 估计不改变平滑项(如图3所示),
但数据项是根据式(4)计算的,所以数据项可能减少或保持不变,即有:
E n +1≤E n +1
mc
(8)
所以可以得出,每次迭代后能量是单调非递增的:
E n +1≤E n
(9)
亦即证明了本文算法能量是收敛的.值得说明的是,本文算法和MAP-ML 的一个重要的不同点在于:在MAP-ML 重标记过程中,那些重标记前标签相同的区域被处理成新的分割,在下次α-expansion 处理中,尽管空间不相邻,由于它们的标签不同以及α-expansion 的特性,使得它们之间的像素标签可能发生移动.如图2(b)中标记为1和3的区域,在下次图割优化中,原本被标记为1的像素可能被标记成3,这样会产生更多的噪声区域.而多组件图割因标签相同的像素之间不会发生标签移动,从而一定程度上避免了更多噪声的产生.
2.3两段分割流程
由于图像自身的原因,使用图割分割图像时往往会受到噪声干扰,加之所构造加权图中节点数过多,进一步影响了图像优化的效果.通过实验发现,减少图像的大小不仅可以提高图割的优化效率,同时也提高了分割的质量.原因在于:1)经过下采样后的图像,在一定程度上去除了部分噪点(或外点);2)所构造图像的加权图中节点数减少使图割优化结果更易接近最优解,同时减少了时间开销.
6期董卓莉等:基于两段多组件图割的非监督彩色图像分割算法
1227
图3与图2对应的加权图({p,q,r,s}是节点集合,1、2和x对应图2中的标签,a、b及c是辅助节点,{t}和{e}是边
集)
Fig.3Weight graph corresponding to Fig.2(Including node set{p,q,r,s},labels{1,2,x},auxiliary nodes
{a,b,c}and edge sets{t}and{e}.)
根据以上分析,本文采用多组件图割与两层高斯金字塔相结合的方法,称之为两段多组件图割.图1描述了此算法的基本流程,图4给出了分割一幅图像的示例.新算法首先提取CIE Lab颜色特征F C和不同尺度、方向的MQGF特征并对其降维,然后分别进行粗尺度和原始尺度下的处理.为了提高算法的运行效率,本文采取一种快速纹理特征提取策略.在第一阶段,为了生成粗尺度下特征,首先把原始图像分成k T个互不重叠的块,计算MQGF 特征空间中每一块的均值T C i,i=1,···,k T;下采样MQGF特征和原始图像生成粗尺度下的MQGF
特征和图像F C
c ,使用K-means结合初始中心T C
对粗尺度下MQGF特征进行聚类,生成k T个tex-
tons T C并获得粗尺度下的纹理特征F T
c
;然后根
据粗尺度下图像的彩色梯度直方图的稀疏程度融合
纹理和颜色特征F CT c;最后,使用K-means生成粗
尺度图像的初始分割,并初始化参数Φ,迭代执行多
组件图割对粗尺度图像进行分割,直到能量(或者标
签)不再变化或者达到最大迭代次数为止,其结果如
图4(f)所示.
第二阶段,首先映射粗尺度下分割结果f c到
原始尺度得到f;然后把粗尺度下所生成的textons
T C作为聚类中心,再次使用K-means对原始尺度
下的MQGF特征进行聚类,从而生成原始尺度下的
纹理特征F T.与粗尺度下聚类不同的是,原始尺度
下K-means只需执行数次迭代即可.图4(a)～(d)
展示了原始尺度下的MQGF特征和texton特征,
接着自适应融合原始尺度下的纹理和颜色特征,根
据当前像素标记初始化参数Φ,创建加权图,并再次
使用多组件图割进行优化.在原始尺度分割阶段,采
用粗尺度下的分割结果作为初始分割,相应的像素
标记已经接近最终分割结果,而且每一个分割基本
上都是同质的,从而减少了原始尺度下加权图中标
签的个数,提高了图割优化效率和分割质量.尽管粗
尺度下分割结果比较紧凑且同质,但在原始尺度特
征中,一些既包括有意义的也包括噪声的信息被恢
复(如图4(g)中的噪声区域),所以第二阶段再次使
用多组件图割对映射的分割结果进行优化.不同于
粗尺度下的优化过程,此时仅需执行1到3次多组
件图割优化即可使能量趋于收敛
.
图4本文算法分割示例((a)～(c)3维原始尺度下MQGF能量图;(d)1维texton能量特征图;(e)原始图像;(f)粗尺度分割结果;(g)原始尺度分割结果;(h)去除噪声区域和弱边界后的结果)
Fig.4An example of segmentation by our method((a)～(c)3-D MQGF features at the original level;(d)1-D texton energy feature at the original level;(e)Original color image;(f)Segmentation result at the coarse level;
(g)Segmentation result at the original level;(h)Segmentation result after removing noise regions and weak edges)
1228自动化学报40卷
为了提高分割质量,采用文献[24]中基于三角不等式的快速K-means 算法对粗尺度下的图像进行聚类,将结果作为多组件图割优化的初始分割.使用多组件图割分割图像的过程中仍会出现噪声区域,不仅增加计算量,而且易产生过分割,为此在多组件处理过程中需要去除噪声区域.当一个连通区域的面积小于指定阈值时,则算法认为它是噪声区域.为了得到更加紧凑的分割结果,将噪声区域合并到与之相邻且最相似的区域.在使用两段多组件图割得到优化结果后,使用唯一标签重标记每一个组件获取图像的分割结果.
2.4弱边界去除
由于图割算法的目的是获取最小化能量,会造成分割结果中某些同质区域被“弱边界”分裂,如图4(g)所示(见上页底部).为去除这些弱边界,本文首先采用文献[23]中彩色图像梯度计算方法和Canny 边界检测算法得到图像的二值边界图,称作Canny 边界;然后根据分割结果中任意一条边界和Canny 边界匹配的程度来判断该边界是否是弱边界.如果该边界和Canny 边界成功匹配的像素个数和该边界长度的比值小于指定的阈值,则认为该边界为弱边界,合并该边界相关的两个区域.为减少在匹配过程中产生误差,如边界错位造成的匹配误差,采用3×3的窗口搜索匹配点.
2.5时间复杂度
分别使用n c 和n o 表示粗尺度和原始尺度下像素个数,d 、K 和T k 分别表示融合特征维数、初始分割数目和K-means 迭代次数,MQGF 纹理特征提取的时间复杂度为O(n o MN log n o )[17],其中M 和N 分别表示MQGF 的尺度数和方向数,tex-ton 特征提取的时间复杂度同K-means.采用快速K-means 算法[24],虽然时间复杂度和标准K-means 算法均为O(n c dKT k ),但实际运行中要优于标准K-means,且结果具有可重复性.在计算数据项时要分别计算到多个组件的距离,与MAP-ML 计算像素到多个分割中心之间的距离是一致的,并没有增加额外的时间开销.本文算法因控制了标签数量,所以图割优化阶段的复杂度要小于MAP-ML,时间复
杂度为O(n c T c
i =1
C n c T αn )+O(n o T o i =1C n o T αn ),其中,C n i 和T i 分别表示不同尺度下的标签个数和执行α-expansion 的次数,i ={c,o },T αn 为α-expansion 内部迭代次数.在分割过程中本文算法的标签数一般在1到10之间,而MAP-ML 可能的标签数为1到50,弱边界去除的时间复杂度为
O(n o +n c ).
3实验结果
本文使用Berkeley 分割数据库中的300幅图像来验证所提出的算法,并和当前主流的非监督分割算法JSEG [1]、CTM [3]及MAP-ML [19]进行比较,比较算法的代码实现可参见相应文献[1,3,19],其它流行分割算法的分割结果请参考文献[3,19].为了说明两层高斯金字塔、多组件图割及不同特征相结合时的分割性能,在多组件图割算法的基础上,分别验证了基于3维MQGF 特征的多组件图割算法(Multi-component graph cut with MQGF,MGC)、基于3维MQGF 特征的两段多组件图割算法(Two-phase multi-component graph cut with MQGF,TMGC)和基于texton 特征的两段多组件图割算法(Two-phase multi-component graph cut with textons,TMGT)的性能.实验采用两种主流的评价指标函数[3,19]Probabilistic rand index (PRI )和Variation of information (VoI )1对分割结果进行评价,其中,PRI 是统计机器分割和多个人工分割之间标签一致的像素对的个数占整个像素对个数的比率,取值范围为[0,1],而VoI 则把机器分割和人工分割之间的距离定义为在给定人工分割的条件下机器分割的平均条件熵,因此它能够测量机器分割中不能被人工分割所解释的随机性的量,其取值范围为[0,∞).量化结果中PRI 值越大,VoI 值越小,则机器分割结果与人工分割结果越接近.
3.1参数设置
本文算法的大部分参数都可以设置为缺省值.在纹理特征提取过程中,MQGF 的参数设置同文献[17],texton 的个数k T 设置为20.在图割优化过程中,TMGT 、TMGC 和MGC 中的参数γ分别设置为4000、2000和3000,初始分割数目同MAP-ML 设置为10,TMGT 和TMGC 的粗尺度阶段中及MGC 中多组件图割优化的最大迭代次数固定为5,因为根据实验结果发现5次以后的优化结果并没有明显的提升.在TMGT 和TMGC 的原始尺度下,因粗尺度下的结果已经接近最终结果,多组件图割优化的最大迭代次数设置为3.合并噪声区域时,最小面积阈值的设定不能过小,否则起不到去噪的效果,但又不能过大以避免因合并后的组件不同质造成能量增加,根据实验结果固定该阈值为图像面积的0.005倍.在生成二值边界图时,Canny 算法的边界比率参数设置为ρ(替代默认值0.7),其中ρ是
1
PRI 和VoI 的实现代码可参见文献[3].
6期董卓莉等:基于两段多组件图割的非监督彩色图像分割算法1229
按照文献[22]计算出来的图像梯度直方图的稀疏度.弱边界去除中的阈值设置为0.5.对于比较算法, JSEG和MAP-ML的参数均采用相应作者建议的缺省值,CTM的参数γ设置为0.2且其输入图像尺寸缩放至320×240或240×320.
3.2结果比较与分析
因为是在MAP和ML估计的框架下来验证两段多组件图割的有效性,图5展示了MAP-ML和本文算法TMGT分割300幅图像的部分结果比较.可以看出,由于使用两段多组件图割,在某种程度上可以改善过分割,分割结果中噪声区域较少,部分弱边界得以去除.使用基于MQGF的texton特征,提高了本文算法对纹理图像的鉴别能力,尤其对于含有丰富纹理特征的图像,其分割结果要优于MAP-ML,如图5(b)-4(表示图5中(b)列由上至下第4幅图像)和图5(b)-5、图5(d)-7、图5(d)-8所示.为了保证算法收敛且尽量避免过分割,MAP-ML必须为参数γ设置较大的值,即平滑项的比重较大,才能使算法更好的收敛并减少过分割(如图2(b)中区域1和3,因标签不同,α-expansion优化过程中可能使区域1中的部分像素归入区域3,产生过分割),但这样会造成MAP-ML分割部分图像时边界丢失,如图5(c)-2、图5(c)-3和图5(a)-5所示
.
图52种算法分割300幅图像的部分结果
Fig.5Some segmentation results of TMGT and MAP-ML on Berkeley segmentation database
表16种算法分割300幅图像的平均PRI和VoI
Table1The average values of PRI and VoI for the six algorithms on the300test images from the Berkeley
segmentation database
人工分割JSEG CTM MAP-ML MGC TMGC TMGT PRI0.90180.78250.75590.78060.79750.80540.8062 VoI0.8988 2.3520 2.0729 2.0573 1.8437 1.8076 1.8057
1230自动化学报40卷
相比之下,本文算法对参数γ的取值不敏感,从而在一定程度上缓解过分割和欠分割及边界错位问题.这是因为:一是采用了两层高斯金字塔,在粗尺度下的分割过程中,每一个像素表示原始尺度下图像中的一个小区域,可以减缓上述现象的发生;二是多组件策略可以使相同标签下不相邻的区域之间不再彼此被扩展(如图2(c)中的组件1和组件2),避免进一步生成空间不相邻的区域;三是加权平滑项一定程度上可以引导图像优化的方向,使分割结果中的边界更接近图像的实际边界.此外,使用基于MQGF的texton特征不仅有效提高了算法对边界的鉴别能力,而且减少了特征的维数,提高了算法的分割效率,同时也起到减少过分割的作用(虽然这和texton的个数有一定的关系,较之MQGF特征,texton的个数要小得多).相对于MAP-ML,弱边界去除步骤也能有效提升分割质量,如图5(a)-1、图5(b)-1以及图5(a)-8和图5(b)-8所示的分割结果.
表26种算法平均分割一幅图像耗时比较(s)
Table2Running times of?ve algorithms for
each image(s)
JSEG CTM MAP-ML MGC TMGC TMGT
时间7.86120.1389.4141.2534.4034.23
为进一步验证本文所提出的两段多组件图割算法,分别测试了MGC、TMGC和TMGT以及其它3种比较算法的分割性能.表1展示了6种算法分割300幅图像的PRI和VoI指标的量化结果,可以看出,TMGT和TMGC的分割结果要优于其它算法,TMGT和TMGC的性能相近,但TMGT要略优于TMGC.为了验证分割单幅图像的性能,图6展示了5种算法(由于TMGT和TMGC的曲线比较接近,图6中不再给出TMGC的分割结果)分割300幅图像结果的PRI和VoI曲线(为了清晰并和文献[19]保持一致,按照升序对量化数据进行排序).可以看出,尽管本文算法分割结果的PRI曲线和MAP-ML比较接近,但VoI要远优于MAP-ML 和其它算法,对于TMGT和MGC而言,采用两层高斯金字塔可有效提升分割的性能.表2中给出了算法的分割耗时比较,TMGT和TMGC平均分割一幅图像的耗时少于40秒,远少于MAP-ML近100秒的时间,也低于MGC所需的时间,TMGT 所需时间要小于TMGC,这是因为1维的texton 能量特征在图割优化时减少了时间消耗,从而弥补了生成texton所需的时间.表3给出了参数γ取不同值时TMGT、TMGC及MGC分割300幅图像的平均PRI和VoI值及时间开销,说明3种算法具有较强的鲁棒性.以上实验结果证明了所提出的两段多组件图割算法的有效性.所有实验均在2G 内存,2.60GHz Pentium Dual-Core CPU的台式机上执行.
表3参数γ取不同值时3种算法分割300幅图像的平均
PRI和VoI及耗时
Table3Average values of PRI,VoI and running time for three algorithms when the parameterγis changed
算法γPRI VoI时间(s)
20000.7967 1.922545.39 MGC
25000.7963 1.892942.45
30000.7975 1.843741.25
35000.7932 1.794638.09
10000.7996 1.980535.30 TMGC
15000.8035 1.875435.06
20000.8054 1.807634.40
25000.8035 1.760333.50
20000.7999 1.979835.26 TMGT
30000.8041 1.874834.82
40000.8062 1.805734.23
50000.8037 1.759533.38
4结论
本文提出了基于两段多组件图割的彩色图像分割算法.多组件图割和两层高斯金字塔相结合,不仅解决了因标签过多造成图割优化低效问题,而且有效抑制了算法过分割,提高了分割的质量.使用基于多尺度四元数Gabor滤波的texton 特征、加权平滑项和弱边界去除策略则进一步提升了算法的分割性能和分割结果的视觉效果.通过在Berkeley分割数据库300幅彩色图像上的实验结果表明:新算法的分割性能优于3种主流的比较算法.未来工作包括设计新的能量项(如高阶势能、标签代价等)和更加可靠的区域合并策略,结合多组件图割以进一步提高彩色图像分割性能.
6期董卓莉等:基于两段多组件图割的非监督彩色图像分割算法
1231
图65种算法分割单幅图像的PRI和VoI值(图中数值是按照升序画出的.)
Fig.6PRI and VoI values achieved on individual images by the?ve algorithms(The values are plotted in increasing
order.)
References
1Deng Y N,Manjunath B S.Unsupervised segmentation of color-texture regions in images and video.IEEE Transac-tions on Pattern Analysis and Machine Intelligence,2001, 23(8):800?810
2Comaniciu D,Meer P.Mean shift:a robust approach to-ward feature space analysis.IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(5):603?619
3Yang A Y,Wright J,Ma Y,Shankar S S.Unsupervised segmentation of natural images via lossy data compression.
Computer Vision and Image Understanding,2008,110(2): 212?225
4Kolmogorov V,Zabin R.What energy functions can be min-imized via graph cuts?IEEE Transactions on Pattern Anal-ysis and Machine Intelligence,2004,26(2):147?159
5Han Shou-Dong,Zhao Yong,Tao Wen-Bing,Sang Nong.
Gaussian super-pixel based fast image segmentation using graph cuts.Acta Automatica Sinica,2011,37(1):11?20 (韩守东,赵勇,陶文兵,桑农.基于高斯超像素的快速Graph Cuts 图像分割方法.自动化学报,2011,37(1):11?20)
6Liu Song-Tao,Yin Fu-Liang.The basic principle and its new advances of image segmentation methods based on graph cuts.Acta Automatica Sinica,2012,38(6):911?922
(刘松涛,殷福亮.基于图割的图像分割方法及其新进展.自动化学报,2012,38(6):911?922)
7Liu Song-Tao,Wang Hui-Li,Yin Fu-Liang.Interactive ship infrared image segmentation method based on graph cut and fuzzy connectedness.Acta Automatica Sinica,2012,38(11): 1735?1750
(刘松涛,王慧丽,殷福亮.基于图割和模糊连接度的交互式舰船红外图像分割方法.自动化学报,2012,38(11):1735?1750)
8Zhou H L,Zheng J M,Wei L.Texture aware image seg-mentation using graph cuts and active contours.Pattern Recognition,2013,46(6):1719?1733
9Jung C,Kim C.A uni?ed spectral-domain approach for saliency detection and its application to automatic ob-ject segmentation.IEEE Transactions on Image Processing, 2012,21(3):1272?128310Boykov Y,Veksler O,Zabih R.Fast approximate en-ergy minimization via graph cuts.IEEE Transactions on Pattern Analysis and Machine Intelligence,2001,23(11): 1222?1239
11Kolmogorov V,Rother C.Minimizing non-submodular func-tions with graph cuts?a review.IEEE Transactions on Pattern Analysis and Machine Intelligence,2007,29(7): 1274?1279
12Delong A,Osokin A,Isack H,Boykov Y.Fast approximate energy minimization with label costs.International Journal of Computer Vision,2012,96(1):1?27
13Kohli P,Ladicky L,Torr P.Robust higher order poten-tials for enforcing label consistency.International Journal of Computer Vision,2009,82(3):302?324
14Alahari K,Kohli P,Torr P H S.Dynamic hybrid algorithms for MAP inference in discrete MRFs.IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(10): 1846?1857
15Delong A,Veksler O,Boykov Y.Fast fusion moves for multi-model estimation.In:Proceedings of the12th European Conference on Computer Vision(ECCV).Berlin,Heidel-berg:Springer-Verlag,2012.370?384
16Kim J S,Hong K S.Color-texture segmentation using un-supervised graph cuts.Pattern Recognition,2009,42(5): 735?750
17Li L,Jin L H,Xu X Y,Song E M.Unsupervised color-texture segmentation based on multiscale quaternion gabor ?lters and splitting strategy.Signal Processing,2013,93(9): 2559?2572
18Feng W,Jia J Y,Liu Z Q.Self-validated labeling of Markov random?elds for image segmentation.IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(10): 1871?1887
19Chen S F,Cao L L,Wang Y M,Liu J Z.Image segmenta-tion by MAP-ML estimations.IEEE Transactions on Image Processing,2010,19(9):2254?2264
1232自动化学报40卷
20Yang Y,Han S D,Wang T J,Tao W B,Tai X C.Multi-layer graph cuts based unsupervised color-texture image seg-mentation using multivariate mixed student s t-distribution and regional credibility merging.Pattern Recognition,2013, 46(4):1101?1124
21Li L,Jin L,Song E,et al.,Unsupervised color image segmentation using graph cuts with multi-componments.
In:Proceeding of Multispectral Image Processing and Pat-tern Recognition(MIPPR),Wuhan,China:SPIE,2013.
89180B?1-89180B?8
22Hoyer P O.Non-negative matrix factorization with sparse-ness constraints.The Journal of Machine Learning Research, 2004,5:1457?1469
23Jin L H,Liu H,Xu X Y,Song E M.Improved direction estimation for Di Zenzo s multichannel image gradient op-erator.Pattern Recognition,2012,45(12):4300?4311
24Elkan https://www.doczj.com/doc/b76253366.html,ing the triangle inequality to accelerate k-means.
In:Proceedings of the20th International Conference on Ma-chine Learning(ICML).Washington DC,USA:AAAI Press, 2003.147?153
董卓莉河南工业大学信息科学与工程
学院讲师.主要研究方向为图像处理、计
算机视觉和模式识别.
E-mail:dong lily2002@https://www.doczj.com/doc/b76253366.html,
(DONG Zhuo-Li Lecturer at the
college of Information Science and En-
gineering,Henan University of Technol-ogy.Her research interest covers image processing,com-puter vision and pattern recognition.)
李磊华中科技大学计算机学院博士
研究生.2005年获得中国科学院沈阳自
动化研究所硕士学位.目前是河南工业
大学信息科学与工程学院讲师.主要研
究方向为图像处理、计算机视觉和机器
学习.本文通讯作者.
E-mail:leilzld@https://www.doczj.com/doc/b76253366.html,
(LI Lei Ph.D.candidate at the School of Computer Sci-ence and Technology,Huazhong University of Science and Technology.He received his master degree from Shenyang institute of Automation,Chineses Academy of Sciences in 2005.He is currently a lecturer at the college of Information Science and Engineering,Henan University of Technology. His research interest covers image processing,computer vi-sion and machine learning.Corresponding author of this paper.)
张德贤河南工业大学信息科学与工程
学院教授.1995年获华中科技大学计算
机学院博士学位.主要研究方向为图像
处理、智能信息处理和粮食信息技术.
E-mail:zdx@https://www.doczj.com/doc/b76253366.html,
(ZHANG De-Xian Professor at
the the college of Information Science and Engineering,Henan University of Technology.He re-ceived his Ph.D.degree from Huazhong University of Sci-ence and Technology in1995.His research interest cov-ers image processing,intelligent information processing and grain information technology.)
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。
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
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：
he = imread('f:\3.jpg'); % 读入图像 imshow(he), title('H&E image'); text(size(he,2),size(he,1)+15,... 'Image courtesy of Alan Partin, Johns Hopkins University', ... 'FontSize',7,'HorizontalAlignment','right'); cform = makecform('srgb2lab'); % 色彩空间转换 lab_he = applycform(he,cform); ab = double(lab_he(:,:,2:3)); % 数据类型转换 nrows = size(ab,1); % 求矩阵尺寸 ncols = size(ab,2); % 求矩阵尺寸 ab = reshape(ab,nrows*ncols,2); % 矩阵形状变换 nColors = 3; % 重复聚类3次，以避免局部最小值 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ... 'Replicates',3); pixel_labels = reshape(cluster_idx,nrows,ncols); % 矩阵形状改变 imshow(pixel_labels,[]); % 显示图像 title('image labeled by cluster index'); % 设置图像标题 segmented_images = cell(1,3); % 细胞型数组 rgb_label = repmat(pixel_labels,[1 1 3]); % 矩阵平铺 for k = 1:nColors color = he; color(rgb_label ~= k) = 0;
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 )
彩色图像分割技术研究本科毕业论文 目录 1. 引言 (1) 1.1．课题的研究背景和意义 (1) 1.2．彩色图像分割的现状 (2) 1.3．本文的容安排 (5) 2．彩色图像分割研究 (6) 2.1．数字图像处理概述 (6) 2.2．常用的颜色空间 (7) 2.3．彩色图像分割方法 (9) 2.3.1．阈值化方法 (10) 2.3.2．基于边缘的分割方法 (10) 2.3.3．基于区域的分割方法 (12) 3．无监督彩色图像分割 (13) 3.1．概述 (13) 3.2．颜色空间的转换 (14) 3.3．Sobel算子边缘提取 (15) 3.4．种子的选取 (16) 3.5．区域生长与合并 (17) 4．实验结果与分析 (18)
5．结论 (20) 参考文献 (21) 谢辞 (23)
1. 引言 1.1．课题的研究背景和意义 在人类所接收的信息中，有80%是来自视觉的图形信息，对获得的这些信息进行一定的加工处理也是目前一种广泛的需求，图像分割就是将图像中感兴趣的部分分割出来的技术。在图像分割的基础上，才能对目标进行特征提取和参数测量，使得更高层的图像分析和理解成为可能。因此，对图像分割的研究在图像处理领域具有非常重要的意义。 图像分割作为图像分析的基础，是图像分析过程中的关键步骤。图像分割，顾名思义是将图像按照一定的方法划分成不同的区域，使得同一区域像素之间具有一致性，不同区域间不具有这种一致性。 因为人眼对亮度具有适应性，即在一幅复杂图像的任何一点上只能识别几十种灰度级，但可以识别成千上万种颜色，所以许多情况下，单纯利用灰度信息无法从背景中提取出目标，还必须借助于色彩信息。由于彩色图像提供了比灰度图像更加丰富多彩的信息，因此随着计算机处理能力的提高，彩色图像处理正受到人们越来越多的关注。 自数字图像处理问世不久就开始了图像分割的研究，吸引了很多研究者为之付出了巨大的努力，在不同的领域也取得了很大的进展和成就，现在人们还一直在努力发展新的、更有潜力的算法，希望实现更通用、更完美的分割结果。目前，针对各种具体问题已经提出了许多不同的图像分割算法，对图像分割的效果也有很好的分析结论。但是，由于图像分割问题所面向领域的特殊性，而且问题本身具有一定的难度和复杂性，到目前为止还不存在一个通用的分割方法，也不存在一个判断分割是否成功
浅析图像分割的原理及方法 一．研究背景及意义 研究背景： 随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。 研究图像分割技术的意义： 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实
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
Efficient graph-based image segmentation 2.相关工作 G=(V ,E)，每个节点V i v 对应图像中一个像素点，E 是连接相邻节点的边，每个边有对应有一个权重，这个权重与像素点的特性相关。 最后，我们将提出一类基于图的查找最小割的分割方法。这个最小割准则是最小化那些被分开像素之间的相似度。【18】原文中叫Component,实质上是一个MST,单独的一个像素点也可以看成一个区域。 预备知识： 图是由顶点集（vertices ）和边集（edges ）组成，表示为，顶点，在本文中即为单个的像素点，连接一对顶点的边具有权重，本文中的意义为顶点之间的不相似度，所用的是无向图。 树：特殊的图，图中任意两个顶点，都有路径相连接，但是没有回路。如上图中加粗的边所连接而成的图。如果看成一团乱连的珠子，只保留树中的珠子和连线，那么随便选个珠子，都能把这棵树中所有的珠子都提起来。如果，i 和h 这条边也保留下来，那么h,I,c,f,g 就构成了一个回路。 最小生成树（MST, minimum spanning tree ）：特殊的树，给定需要连接的顶点，选择边权之和最小的树。上图即是一棵MST 。 本文中，初始化时每一个像素点都是一个顶点，然后逐渐合并得到一个区域，确切地说是连接这个区域中的像素点的一个MST 。如图，棕色圆圈为顶点，线段为边，合并棕色顶点所生成的MST ，对应的就是一个分割区域。分割后的结果其实就是森林。 边的权值： 对于孤立的两个像素点，所不同的是颜色，自然就用颜色的距离来衡量两点 的相似性，本文中是使用RGB 的距离，即
通信工程系 综合实习报告 题目：基于MATLAB的彩色图像皮肤区域分割算法研究与 实现 姓名：刘奇 指导教师：杨敏 班序号：11206213 学号：20061002153 成绩： 2009年9 月
目录 第一章引言 (2) 第二章算法理论与实现原理 (3) 2.1肤色分割理论 (3) 2.2常见肤色模型比较 (3) 2.2.1 区域模型............................................................................. 错误！未定义书签。 2.2.2 简单高斯模型 (4) 2.2.3 混合高斯模型 (5) 2.2.4 直方图模型 (5) 2.3常见色彩空间比较 (6) 2.3.1 RGB (6) 2.3.2 HSV (7) 2.3.3 YCbCr (7) 第三章系统设计 (8) 3.1建立肤色模型 (8) 3.2肤色分割步骤 (9) 3.3实现人脸检测 (10) 3.4设计系统GUI (10) 3.4.1 GUI设计步骤........................................................................ 错误！未定义书签。 3.4.2 系统功能描述....................................................................... 错误！未定义书签。第四章系统调试.. (11) 4.1系统功能描述 (11) 4.1.1导入入图像文件 (11) 4.1.2对图像滤波处理 (11) 4.1.3 RGB到YCbCr空间转换 (12) 4.1.4显示似然图 (14) 4.1.5显示二值图 (14) 4.1.6显示皮肤区域分割图 (14) 4.1.7进行人脸检测并加框输出 (14) 4.2 调试难点 (15) 4.2.1 复杂背景下漏检和错检 (15) 4.2.2小图像无法覆盖大图像 (15) 4.2.3人脸检测处理速度过慢 (15) 第五章实习总结 (16) 参考文献 (16) 实习日志 (16)
基于MA TLAB的图像分割算法研究 基于MATLAB的图像分割算法研究 摘要 本文从原理和应用效果上对经典的图像分割方法如边缘检测、阈值分割技术和区域增长等进行了分析。对梯度算法中的Roberts算子、Sobel算子、Prewitt算子、拉普拉斯(Laplacian)算子、LoG(Laplacian-Gauss)算子、坎尼（Canny）算子的分割步骤、分割方式、分割准则相互比较可以看出根据坎尼（Canny）边缘算子的3个准则得出的边缘检测结果最满意。而阈值分割技术的关键在于阈值的确定，只有阈值确定好了才能有效的划分物体与背景，但这种方法只对于那些灰度分布明显，背景与物体差别大的图像的分割效果才明显。区域增长的基本思想是将具有相似性质的像素集合起来构成新区域。与此同时本文还分析了图像分割技术研究的方向。 关键词：图像处理图像分割 Abstract This article analyses the application effect to the classics image segmentation method like the edge examination, territory value division technology, and the region growth and so on.For comparing the Roberts operator, Sobel operator, Prewitt operator, the operator of Laplacian and the operator of LoG(Laplacian-Gauss),Canny operator in gradient algorithm,the step, the way and the standard of the image segmentation,we can find out the three standard of Canny edge operator the edge detection result of reaching most satisfy. And the key point of threshold segmentation lie in fixing the threshold value, it is good to have only threshold value to determine it then can be effective to divide object and background,but this kind of method is good to those gray scales,the big difference image effect between the background and obiect. The basic idea of area is to form the new region from similar nature.And also, this paper analyses the research direction of image segmentation technology at the same time. Key words: image processing image segmentation operator
图像阈值分割和边缘检测技术原理和比较
摘要 图像分割是一种重要的图像分析技术。对图像分割的研究一直是图像技术研究中的热点和焦点。医学图像分割是图像分割的一个重要应用领域，也是一个经典难题，至今已有上千种分割方法，既有经典的方法也有结合新兴理论的方法。医学图像分割是医学图像处理中的一个经典难题。图像分割能够自动或半自动描绘出医学图像中的解剖结构和其它感兴趣的区域，从而有助于医学诊断。 阈值分割是一种利用图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域（目标和背景）的组合，选取一个合适的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生对应的二值图像。 本文先介绍各种常见图像阈值分割和边缘检测方法的原理和算法，然后通过MATLAB 程序实现，最后通过比较各种分割算法的结果并得出结论。 关键词：图像分割；阈值选择;边缘检测；
目录 1.概述 (4) 2.图像阈值分割和边缘检测原理 (4) 2.1.阈值分割原理 (4) 2.1.1．手动（全局）阈值分割 (5) 2.1.2．迭代算法阈值分割 (6) 2.1.3．大津算法阈值分割 (6) 2.2.边缘检测原理 (6) 2.2.1．roberts算子边缘检测 (7) 2.2.2．prewitt算子边缘检测 (7) 2.2.3．sobel算子边缘检测 (7) 2.2.4．高斯laplacian算子边缘检测 (8) 2.2.5．canny算子边缘检测 (8) 3.设计方案 (9) 4.实验过程 (10) 4.1.阈值分割 (12) 4.1.1．手动（全局）阈值分割 (12) 4.1.2．迭代算法阈值分割 (12) 4.1.3．大津算法阈值分割 (12) 4.2.边缘检测 (13) 4.2.1．roberts算子边缘检测 (13) 4.2.2．prewitt算子边缘检测 (13) 4.2.3．sobel算子边缘检测 (13) 4.2.4．高斯laplacian算子边缘检测 (13) 4.2.5．canny算子边缘检测 (14) 5.试验结果及分析 (14) 5.1．实验结果 (14) 5.1.1．手动（全局）阈值分割 (14) 5.1.2．迭代算法阈值分割 (17) 5.1.3．大津算法阈值分割 (18) 5.1.4．roberts算子边缘检测 (19) 5.1.5．prewitt算子边缘检测 (20) 5.1.6．sobel算子边缘检测 (21) 5.1.7．高斯laplacian算子边缘检测 (22) 5.1.8．canny算子边缘检测 (23) 5.2. 实验结果分析和总结 (24) 参考文献 (24)
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。
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
数字图像处理期末考试 题目图像分割算法研究与实现专业班级11通信工程一班
毕业论文（设计）诚信声明 本人声明：所呈交的毕业论文（设计）是在导师指导下进行的研究工作及取得的研究成果，论文中引用他人的文献、数据、图表、资料均已作明确标注，论文中的结论和成果为本人独立完成，真实可靠，不包含他人成果及已获得青岛农业大学或其他教育机构的学位或证书使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 论文（设计）作者签名：日期：2013 年3月10 日 毕业论文（设计）版权使用授权书 本毕业论文（设计）作者同意学校保留并向国家有关部门
或机构送交论文（设计）的复印件和电子版，允许论文（设计）被查阅和借阅。本人授权青岛农业大学可以将本毕业论文（设计）全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本毕业论文（设计）。本人离校后发表或使用该毕业论文（设计）或与该论文（设计）直接相关的学术论文或成果时，单位署名为青岛农业大学。 论文（设计）作者签名：日期：2013 年 3 月10 日 指导教师签名：日期：年月日
目录 摘要: (1) 1．前言 (2) 2．图像分割概念 (3) 2.1图像分割定义 (3) 2.2图像分割方法综述 (4) 2.3阈值法 (5) 2.4 基于边缘检测的分割方法 (9) 2.5基于区域的分割方法 (12) 3．图像分割方法详述 (14) 3.1图像分割方法 (14) 3.2 图像分割方法实现 (14) 4．实验结果及分析 (16) 4.1 实验结果 (16) 4.2 实验结果分析 (20) 5．小结 (23) 5.1 主要工作总结 (23) 5.2 结论 (23) 6．附录 (27)