下载文档原格式
基于hsi空间彩色差的快速水平集分割方法新技术的发明为人类的发展提供了必要的技术支持，图像处理技术的发展也极大地改变了人类的生活。
基于HSI空间彩色差的快速水平集分割方法是一种常用的图像处理技术，它可以快速有效地提取彩色图像中的不同部分。
本文首先综述了基于HSI空间彩色差的快速水平集分割方法的原理，然后详细介绍了HSI空间彩色差法的核心步骤，提出了一种新颖的快速水平集分割框架，并分析了实验结果。
HSI空间彩色差是一种基于颜色的图像处理技术，其基本原理是根据图像中的像素的颜色来分割图像。
一般而言，彩色图像是由许多由不同颜色组成的像素组成的，而每个像素可以在HSI空间表示为一个三维向量。
因此，HSI空间彩色差法可以利用HSI空间中像素之间的色彩差异来对图像进行分割。
HSI空间彩色差法的核心步骤主要包括以下几个部分：首先，将输入的彩色图像从RGB颜色空间转换为HSI颜色空间，以获得更准确的颜色表示；其次，计算输入图像中每个像素的HSI三维向量，并生成HSI空间的特征密度图像；然后，根据HSI空间的特征密度图像，聚类计算图像中各像素的分类概率向量；最后，利用类间最大分类概率差异来进行分割，即可获得分割结果。
为了更好地展示基于HSI空间彩色差的快速水平集分割方法，本文提出了一种新颖的快速水平集分割框架，该框架根据HSI颜色模型将彩色图像转换为HSI特征图像，然后采用K-means算法进行聚类，以计算彩色图像中每个像素的分类概率向量，并利用类间最大概率差异来获得分割结果。
实验结果表明，本文提出的HSI空间彩色差快速水平集分割框架能够很好地适应彩色图像的变化，并在较短的计算时间内获得较高的分割效果，为实现彩色图像的有效分割提供了有效的技术支持。
综上所述，基于HSI空间彩色差的快速水平集分割方法无疑极大地改变了图像分割的效率，并为人们提供了更多的图像处理应用。
它不仅提供了一种有效的图像分割技术，还为大量的图像处理应用提供了有效的技术支持，从而使我们更好地实现我们的目标。
第10卷 第1期2005年1月中国图象图形学报Journa l o f I m age and G raph ics V o.l 10,N o .1Jan .,2005收稿日期:2003-08-28;改回日期:2004-06-29第一作者简介:林开颜(1975～ ),男,先后于1998年、2001年获长春光学精密机械学院机械设计与制造专业工学学士学位、机械电子工程专业工学硕士学位,2004年获同济大学控制理论与控制工程专业博士学位,现在同济大学现代农业科学与工程研究院工作。
研究方向为智能控制理论与技术、农业计算机视觉技术等。
E -m ail :ky .li n @163.co m ;li nkai yan @yahoo .co 彩色图像分割方法综述林开颜1) 吴军辉1) 徐立鸿1),2)1)(同济大学现代农业科学与工程研究院,上海 200092) 2)(同济大学控制科学与工程系,上海 200092)摘 要 由于彩色图像提供了比灰度图像更为丰富的信息,因此彩色图像处理正受到人们越来越多的关注。
彩色图像分割是彩色图像处理的重要问题,彩色图像分割可以看成是灰度图像分割技术在各种颜色空间上的应用,为了使该领域的研究人员对当前各种彩色图像分割方法有较全面的了解,因此对各种彩色图像分割方法进行了系统论述,即先对各种颜色空间进行简单介绍,然后对直方图阈值法、特征空间聚类、基于区域的方法、边缘检测、模糊方法、神经元网络、基于物理模型方法等主要的彩色图像分割技术进行综述,并比较了它们的优缺点,通过比较发现模糊技术由于能很好地表达和处理不确定性问题,因此在彩色图像分割领域会有更广阔的应用前景。
关键词 彩色图像分割 颜色空间 直方图阈值化 边缘检测 模糊方法 神经网络中图法分类号:TP391.41 文献标识码:A 文章编号:1006-8961(2005)01-0001-10A Survey on Color I mage Seg m entati on T echni quesLI N Ka i -yan 1),WU Jun -hui 1),XU Li -hong1),2)1)(Moder n Ag ri cu lt ur a l Sci ence ＆E ng ineeri ng Instit u t e of Tong jiUn i versit y ,Shanghai 200092)2)(Con tr ol S cie nce ＆E ngineeri ng D epart men t of TongjiUn iver sity ,S hangha i 200092)Ab strac t Due to co lor i m ag e prov i d i ng mo re infor m a tion than monochro m e i m age ,co l o r i m age proce ssi ng is be i ng paid m ore and m ore atten tion .I m ag e seg m entati on is critica l to i m age proce ssi ng and pa tte rn recogniti on ,so a ll t he t ypica lapp roaches are presented and discussed in this paper .Basica ll y ,color i m age segm en t a tion techni ques are based onm onoch ro m e ones ope ra ting i n diffe rent co lor s paces .T his pape r first rev i ew ed so m e m a j o r co lor representation m ethods ,then su mm arized t he m a j o r co l o r i m age segmenta tion approaches i nc l ud i ng hist og ram thresho l ding ,cha racte ristic fea t urecl ustering ,reg ion -based approache s ,edge de t ec tion ,f uzzy technique s ,neural ne t w o rks ,physics -basedm e t hod .The me rits and dra wbacks of t he me t hods we re discussed t oo .F uzzy set theo ry p rovide s a m echanis m t o pre sen t and manipu l a t e uncer t a i n t y and a m bigu ity ,which is de sirab le for i m age p rocessi ng .So ,t he f uzzy approaches w ill have a pro m isingapp licati on i n t he color i m age seg m entati on area .K eyword s co l o r i m ag e segm en t a tion ,co l o r space ,h ist og ra mt hresho l d i ng ,edge de t ec tion ,f uzzy techniques ,neu ra l net wo rks1 引 言图像分割是图像分析和模式识别的首要问题,也是图像处理的经典难题之一,它是图像分析和模式识别系统的重要组成部分,并决定图像的最终分析质量和模式识别的判别结果。
基于颜色空间的图像分割算法研究一、简介图像分割是数字图像处理中的重要内容，其目的是将一张图像分成不同的部分或区域。
图像分割在计算机视觉、机器人、医学图像以及自然图像的分析等方面有着广泛的应用。
基于颜色空间的图像分割算法是图像分割领域中的一种常见方法，本文将从该方法的原理、实现及优化方面进行研究。
二、基于颜色空间的图像分割算法原理基于颜色空间的图像分割算法的原理是：在RGB、HSI、HSV、LAB等颜色空间中，将图像像素的颜色信息利用聚类分析的方法分类，从而得到不同的区域。
其中，RGB色彩空间以红、绿、蓝三原色的亮度为基础，可以展现出色彩的真实性，但缺乏人眼的视觉特性；HSI色彩空间是将RGB色彩空间转换至色相（H）、饱和度（S）、强度（I）三方向，用于描述颜色的感性特征。
HSV色彩空间是将RGB色彩空间转换至色调（H）、饱和度（S）、亮度（V）三方向。
LAB色彩空间是基于三个属性：L（亮度）、A（色彩在绿-红轴上的位置）、B（色彩在蓝-黄轴上的位置）。
三、基于颜色空间的图像分割算法实现基于颜色空间的图像分割算法的实现步骤如下：1.选择合适的颜色空间转换成灰度图像；2.确定聚类中心，对灰度图像进行聚类，确定不同的区域；3.利用聚类得到的分割结果对原图像进行分割，得到不同的区域。
四、基于颜色空间的图像分割算法优化基于颜色空间的图像分割算法的优化主要从以下几个方面：1. 颜色空间选择：应选择适合特定应用场合的颜色空间。
例如，应选择HSV颜色空间来提取彩色图像中特定颜色物体的信息；2. 聚类算法：应选择合适的聚类算法，不同聚类算法适用于不同的分割结果；3. 深度学习方法：利用深度学习方法实现图像分割可以提高分割的准确性和效率；4. 视频图像分割：对于视频图像分割，可以将前一帧的分割结果作为后一帧的初始聚类中心，以减少重复计算。
五、总结基于颜色空间的图像分割算法是图像分割领域中的常见方法之一，在医学图像、机器人、计算机视觉等领域有着广泛的应用。
基于hsi空间彩色差的快速水平集分割方法在图像分割领域，很多研究者使用不同的算法来提高图像分割的准确度和效率。
水平集分割（Horizontal Segmentation）技术是一种有效的分割技术，它能够根据像素的垂直灰度梯度来快速分割图像。
但是，传统的水平集分割方法很难应用于彩色图像，因为其灰度变化不明显。
因此，为了在彩色图像上实现高效的分割，研究者提出了基于HSI空间彩色差的快速水平集分割（Fast HSI-Based Horizontal Segmentation）方法。
HSI空间是一种颜色空间，它是根据空间位置，像素灰度和色度变化组成的RGB空间，其把图像颜色分解为色彩（hue），饱和度（saturation）和亮度（intensity）三个因素。
随着HSI颜色空间的不断发展，研究人员开始开发基于该空间的图像处理算法，以解决图像分割等计算机视觉问题。
基于HSI空间彩色差的快速水平集分割方法将像素的颜色分为两个类别：一个类的颜色是彩色的，一个类的颜色是灰度的。
利用这种分类，基于HSI空间彩色差的快速水平集分割方法能够利用HSI空间的彩色差来检测图像的水平线。
根据检测的水平线，可以实现快速的图像分割。
基于HSI空间彩色差的快速水平集分割法的具体实现步骤如下：首先，将图像转换为HSI空间，然后，对每个像素的HSI空间进行彩色差分析，以检测图像的水平线。
最后，通过检测的水平线实现快速的图像分割。
与传统的水平集分割方法相比，基于HSI空间彩色差的快速水平集分割方法具有若干优点：首先，它可以提高图像分割的准确性，可以帮助更好地提取图像轮廓；其次，它可以有效减少图像分割消耗的时间，更快地实现分割；最后，它可以有效应用于彩色图像，从而更好地提取特征。
因此，基于HSI空间彩色差的快速水平集分割方法是一种有效的图像分割方法，它可以提高图像分割的准确性和效率，有效地处理彩色图像，并减少分割消耗的时间。
另外，在实现该方法时，还可以结合其他图像分割算法，如K-Means聚类算法，以进一步提高图像分割的性能。
河南省开封人民警察学校 陈良庚［摘 要］H SI 色彩空间是从人的视觉系统出发，用色调(H u e )、色饱和度(S a t ur a t i on 或 C hrom a)和亮度 (I nt e n s i ty 或 Br i ghtn e ss )来描述 色彩。
本文提出了一种新的彩色图像分割方法，根据 H S I 颜色空间色调和亮度的二维直方图进行分割。
［关键词］彩色图像分割 H S I 聚类 二维直方图 波峰查找1.引言 图像分割是图像分析、模式识别和计算机视觉的首要步骤，是图像 分析、模式识别和机器视觉系统的重要组成部分，其分割质量的好坏对 最终分析和识别的结果有着重要的影响。
所谓图像分割就是把图像分 成具有特定含义的不同区域、每个区域满足一定的相似性条件的图像 处理过程[1]。
和灰度图像相比，彩色图像可以提供更多的信息[2]。
在很多模式识 别和计算机视觉应用中，由色彩提供的附加信息可以帮助图像分析处 理并能产生比仅利用灰度信息更好的结果[3]。
一般说来，彩色图像分割 方法可以分为以下几类：边缘检测方法、区域分割和合并方法、基于人类色彩感知的方法和采用模糊集理论的方法[3]。
本文提出了基于 HS I 颜色空间色调(Hue)和亮度(I nt e ns i ty)的二维直 方图进行聚类分割的彩色图像方法。
2.HS I 颜色特征空间人眼所感知的颜 色由称为三基色的红 (R,r e d)、绿 (G,gr ee n)、蓝 (B , blue)的 3 种颜色组合而成。
R GB 颜色空间常用于显示系统，但不适合于 图像分割和分析。
通常需要把 R GB 颜色空间变换到其他颜色空间，以 便进行更好地分割。
现有的颜色空间有很多，其中 HS I 颜色空间是一种和人眼的视觉 感知相吻合的色彩空间，它的三个颜色分量相对独立[4]，其中色调、饱和度和亮度信息分别由分量 H 、S 、I 表示。
色调表示了基本的颜色；饱和度是颜色纯度的测度，表示了混入白光的比例；亮度则描述了图像的明亮程度。
基于内容的彩色图像的分割的研究的开题报告一、选题背景随着计算机视觉和机器学习技术的迅速发展，图像分割技术已经得到广泛应用。
图像分割是指将一张图像分成若干部分或像素，以实现对图像的理解和分析。
基于内容的彩色图像的分割技术是指使用图像的颜色、纹理、亮度等内容特征来划分图像的方法，其应用范围非常广泛，如自动驾驶、医疗图像的分析、智能交通等方面都有着非常广泛的应用前景。
目前，图像分割技术已经不断地被研究和应用，然而，基于内容的彩色图像的分割技术依然存在一些挑战，比如怎样找到最佳的分割方法、如何提高精度和速度等问题。
因此，本文将选取基于内容的彩色图像的分割技术为研究对象，针对其中存在的问题进行深入探究。
二、研究目的本文旨在研究基于内容的彩色图像的分割技术，探究其在实际应用中存在的问题，并提出可能的解决方案。
具体目的如下：1. 了解彩色图像的分割方法，掌握常见的算法理论和实现技巧。
2. 分析基于内容的彩色图像分割技术中的瓶颈问题，如分割速度、分割精度、图像歪曲等问题，并提出针对性的解决方案。
3. 实现基于内容的彩色图像分割算法，验证提出的解决方案的有效性和可靠性。
三、研究内容和思路本文的研究内容主要包括以下方面：1. 彩色图像的分割原理和方法：本文将全面梳理彩色图像分割的相关理论和分类算法，具体包括传统的阈值分割、边缘检测、聚类分割以及最近发展的基于深度学习的语义分割算法等。
2. 基于内容的彩色图像分割技术的算法应用：本文将基于内容的彩色图像分割技术应用到自动驾驶、医疗图像的分析、智能交通等领域，重点探究各领域中的难点问题及解决方案。
4. 基于内容的彩色图像分割算法实现：基于前面两部分的研究，本文将实现一种基于内容的彩色图像分割算法，验证提出的解决方案的有效性和可靠性。
四、预期成果和意义1. 对彩色图像分割技术领域的重要问题和瓶颈进行深入的探究，并提出切实可行的应对方案。
2. 通过实现基于内容的彩色图像分割算法，验证提出的解决方案的有效性和可靠性。
基于颜色和空间信息的彩色图简单线性迭代簇超像素分割钱俊任;古乐野;郭玉峰【摘要】针对图像分割算法无法兼顾图像细节与图像整体的问题,提出一种基于图像颜色和空间信息的彩色图像超像素分割方法.该方法首先使用图像色彩粗糙程度来对图像进行颜色量化,并在此基础上使用了超像素分割中的简单线性迭代簇(SLIC)算法对颜色量化后的图像进行了初步分割.将区域面积过小的区域认定为不合格区域,通过颜色与空间信息将不合格区域并入合格区域,形成图像的初始分割区域,并记录每个区域的各个特征值.然后,根据各个初始分割区域间的颜色与空间信息进行比较,对初始分割区域再次进行合并.最后,利用形态学相关算法对分割区域的边缘进行平滑处理,得到最终结果.通过Matlab仿真,算法分割的结果在细节与整体的把握上优于基于颜色K-means算法的和基于梯度的Mean-shift算法.%In order to solve the problem that the image segmentation algorithm can not take both the details of the image and the whole image into account at the same time,a super-pixel segmentation algorithm for color image segmentation was proposed based on color and spatialinformation.Firstly,image color coarseness was adapted to determine image color quantization,and the method of Simple Linear Iterative Clustering (SLIC) superpixel segmentation was applied to deal with the color quantized image.The region with small area was identified as substandard region,and substandard regions were incorporated into qualified regions by color and spatial information,to achieve the initial segmentation of the image and record eigenvalue of each region.Then,by comparing to the color and spatial information of the initial segmentationregions,the initial segmentation regions were merged again.Finally,the erosion and ditation operators were used to smooth the edges of the segmented regions.Through the Matlab simulation,the result of this algorithm is proved to be better than K-means algorithm based on color and Mean-shift algorithm based on gradient.【期刊名称】《计算机应用》【年(卷),期】2017(037)0z2【总页数】5页(P150-154)【关键词】图像分割;颜色粗糙度;颜色量化;超像素分割;区域合并;边缘;邻接【作者】钱俊任;古乐野;郭玉峰【作者单位】中国科学院成都计算机应用研究所,成都610041;中国科学院成都计算机应用研究所,成都610041;中国科学院成都计算机应用研究所,成都610041【正文语种】中文【中图分类】TP391.4图像分割是指按照一定的相似性，将图像分割成具有特殊语义的不同区域，从而将目标从复杂的环境中提取出来，便于图像理解。
基于hsi空间彩色差的快速水平集分割方法摘要：本文提出了一种新的水平集分割方法，它利用HSI（色调-饱和度-亮度）空间彩色差来快速定位水平集边界。
首先，H，S和I 均权色彩图像被提取，然后每个子带被相应地划分。
每个子带由卷积、非最大抑制和灰度膨胀算法处理，以细化和改善水平集分割结果。
最后，膨胀的水平集边界被应用于反射模型以计算出最终的分割图像。
所提出的方法有效地降低了水平集分割耗时，同时也可以实现良好的分割结果。
本文介绍了一种新的基于HSI空间彩色差的快速水平集分割方法，该方法可以有效地减少水平集分割耗时，同时可以得到良好的分割结果。
该方法有两个关键步骤：1）HSI空间彩色差定位水平集边界；2）采用反射模型在膨胀的水平集边界上计算最终的分割图像。
首先，本文利用HSI（色调-饱和度-亮度）空间彩色差来快速定位水平集边界。
具体来说，H，S和I均权色彩图像被提取，然后每个子带被相应地划分。
在划分的子带中，使用卷积、非最大抑制和灰度膨胀算法处理，以细化和改善水平集分割结果。
之后，所得结果被作为提取水平集的边界的准则。
最后，膨胀的水平集边界被应用于反射模型以计算出最终的分割图像。
反射模型中，所有像素值均按照其距离水平集边界的距离进行调整，使用结果图像来进行水平集分割。
由于该模型可以有效识别接近边界的像素，可以得到更好的分割结果。
利用本文提出的方法，可以更快更有效地进行水平集分割。
特别是，该方法具有更快的定位边界速度和更准确的分割结果，可以有效提高图像处理过程的性能。
经过各种实验结果表明，本文提出的方法有效地降低了水平集分割耗时，同时也可以实现良好的分割结果。
实验结果表明，所提出的方法可以实现更快的定位边界和更准确的分割结果，比原始技术具有更优越的性能。
总的来说，本文提出的一种基于HSI空间彩色差的快速水平集分割方法可以有效地减少水平集分割耗时，同时可以获得更好的分割结果。
该方法之所以具有高效性，是因为它利用HSI空间彩色差来快速定位水平集边界，并采用反射模型来计算出最终的分割图像。
基于空间和时间差别采样的彩色图像分割潘 晨，崔 凤(中国计量学院信息工程学院，杭州 310018)摘 要：针对复杂图像的目标检测问题，提出一种基于空间和时间差别采样的彩色图像分割方法。
选定目标和背景的感兴趣区域作为候选样本，对图像空间高梯度区域像素进行采样，使用极限学习机学习得到粗分割目标。
模拟人眼视觉神经网络，对差别像素进行重采样，利用新增样本更新分类模型。
实验结果表明，该方法可以从复杂图像场景中有效地分割目标。
关键词关键词：：图像分割；极限学习机；采样-学习策略；熵；时间不连续性；空间不连续性Color Image SegmentationBased on Spatial and Temporal Difference SamplingPAN Chen, CUI Feng(College of Information Engineering, China Jiliang University, Hangzhou 310018, China)【Abstract 】Aiming at target detection problem of complex image, this paper presents a color image segmentation method based on spatial and temporal difference sampling. It locates a part of object and background as candidate regions for sampling. By sampling from high gradient pixels and learning by Extreme Learning Machine(ELM), it extracts object roughly. It simulates human visual nerve network, resamples from spatial and temporal discontinuities, and updates classification model by new sample. Experimental results show that the proposed method can extract object effectively from the complex scenes.【Key words 】image segmentation; Extreme Learning Machine(ELM); learning by sampling strategy; entropy; temporal discontinuity; spatial discontinuityDOI: 10.3969/j.issn.1000-3428.2012.13.059计 算 机 工 程 Computer Engineering 第38卷 第13期V ol.38 No.13 2012年7月July 2012·图形图像处理图形图像处理·· 文章编号文章编号：：1000—3428(2012)13—0199—03 文献标识码文献标识码：：A中图分类号中图分类号：：TP911.731 概述在自动图像分析系统中，图像分割是关键步骤之一。
图像分割的目的是分离图像中的目标和背景像素，因此，分割问题可作为两分类问题来处理。
但由于图像具有复杂性和不确定性，因此这是一项困难的工作。
图像数据是典型的无结构数据，对无结构数据而言，“采样-学习”是一种有效的建模策略。
在实际应用中，这种策略获得成功的关键是选择合理的采样方法以及合适的学习算法。
目前，神经网络(Neural Network, NN)和支持向量机(Support Vector Machine, SVM)[1-2]等有监督学习算法已成功地应用到图像处理中，它们具有良好的非线性逼近能力，能够得到较好的分割效果。
如传统神经网络训练算法通过迭代运算来优化输入输出权重向量和神经元的偏移量，通常梯度下降技术(如反向传播BP 算法)广泛应用于学习训练中。
然而，基于经验风险最小化的传统神经网络方法容易导致过拟合，且这些方法应用时需要设置经验参数，训练时间很长，实时训练比较困难。
SVM 具有良好的小样本泛化能力[2-3]，但SVM 的学习过程仍需要调整SVM 的核函数和相关参数，调整时通常采用多重交叉验证手段，比较繁琐且导致算法耗时。
因此，那些需要依据图像类型设置或调整参数的算法不适合自动化的图像分割系统。
黄广斌等人提出一种新的机器学习算法——极限学习机(Extreme Learning Machine, ELM)[4]，该算法能显著地减少学习算法的训练时间。
相关理论表明，对于单隐层前馈神经网络(Single-hidden Layer Feed-forward Network, SLFN)，其输入端到隐层结点的参数可以随机生成，而网络的一致逼近能力也能得到保证。
ELM 的训练可以通过数学方法一次性解析求解获得SLFNs 的网络权值，而不是像前面提到的传统方法迭代调整网络权值参数。
因此，本文采用ELM 算法模拟视觉神经网络，通过主动学习构建像素分类模型，进而利用分类模型分割图像。
2 极限学习机对一个已知的训练样本集(){}1,Nn m i i i R R =⊂×x t ，有L 个隐层结点的SLFN 的输出表示为：1,,()(),1,2,,jL i L j i i i i f K b j N ====∑⋯x βa x t (1)其中，隐层结点的参数i α,i b 随机选取。
(),,i i i K b αx 是输入x 的第i 个隐层结点的输出；i β是连接第i 个隐层结点和输出结点的权值。
引入矩阵表示可将式(1)记为：Hβ=T (2)其中，H 矩阵由已知随机参数i α、i b 和训练数据i x 生成；T 为训练数据的标识矩阵，则训练SLFN 可以简化为求解输出权值矩阵β。
对于前馈神经网络，根据文献[5]的理论，为保证学习推广能力，ELM 应满足训练的误差最小且输出权值的范数最小：min −H T β and min β (3)在式(3)的限制下，黄广斌等人提出对式(2)的解决方案基金项目基金项目：：浙江省自然科学基金资助项目(Y1091039)作者简介作者简介：：潘 晨(1966－)，男，教授、博士，主研方向：数字图像处理，模式识别；崔 凤，硕士收稿日期收稿日期：：2011-09-19 E-mail ：pc916@200 计 算 机 工 程 2012年7月5日 如下：∧+=H T β (4)其中，+H 是隐层的输出矩阵H 的摩尔广义逆，当L N <时：()1T T −+=H H HH (5)因此，当利用ELM 算法建模时，用户仅需要设置ELM 隐层结点的数目。
文献[4]证明，当ELM 的隐层结点数量足够大时，最小化训练误差等同于最小化输出权值的范数。
因此，ELM 的学习性能实际取决于训练样本。
值得注意的是，由于ELM 训练时输入参数的随机性，用相同训练样本集训练时，ELM 模型可能会细微的差别。
在细节上，不同模型提取的目标可能会有所不同，这些差别类似于在感知上产生的抖动。
利用这种观察结果，本文提出一种由粗到精的学习采样策略，为机器学习提供有效的训练样本。
在粗阶段，首先定位一部分目标和背景像素为感兴趣区域(Region of Interests, ROI)；对目标和背景的高梯度像素(代表空间的不连续)采样来训练多个两分类模型，实现初步提取目标；在精确阶段，根据第一步提取结果，进行差别比较，并对目标区域重新采样，得到新增的像素样本。
新增的样本和原来样本形成新的样本集，训练新的分类模型。
这样能充分利用图像的时间和空间不连续性，从图像中提取完整的目标。
3 本文本文方法方法本文方法的系统框架如图1所示，该系统将颜色作为分割目标和背景像素的依据。
图1 基于采样-学习的图像分割系统框架图2为白细胞图像分割示例，具体步骤如下：(1)在感兴趣区域的高梯度区域少量采集正负样本像素(RGB 颜色值)。
(2)利用ELM 算法构建分类模型。
(3)利用颜色模型在RGB 空间作为颜色查找表来进行像素分类。
算法需要采样-学习2次：第1次通过无监督聚类(mean-shift)算法找到目标和背景区域，对其中高梯度像素进行采样，得到正样本(I +)和负样本(I −)，同时训练2个分类模型得到2个分割结果；第2次经分析不同分割结果的差别，在图2(b)和图2(f)中再次取样，重新训练分类模型得到最终分割结果，由此实现由粗到精的图像分割。
(a)原图像 (b)目标和背景感兴趣区域(c)正样本和负样本第38卷 第13期 201潘 晨，崔 凤：基于空间和时间差别采样的彩色图像分割 本文用Nyquist–Shannon 采样定理得到取样数量：sample object 2N C > (8) 其中，sample N 是目标采样的数目；object C 是目标中颜色数，即颜色的频率。
本文中，object C 是HSV 空间中色调直方图的分布范围(该值小于256)。
3.3 时间域中基于差别的采样根据ELM 原理，由于ELM 训练时有随机参数，相同的样本集有可能产生不同的模型，因而这些模型的分割结果也稍有不同，体现了同一目标在不同时间上的差别(时间不连续性)。
已知人的眼-脑感知系统具有一种视觉感知衰减机制，通常对场景中空间和时间上有变化的物体比较敏感；而对无变化的物体，相关感知会很快消退。
模拟人眼对空间和时间差别敏感的机制，本文方法拟在目标图像的时间不连续处重采样，利用新增的样本生成新的分类模型。
实验证明这样能更准确地提取目标。
为避免带入噪声，本文只利用不同分割模型提取出的目标的主要连通部分进行比较，得出分割结果的差别，而不是选择远离目标主体的背景中的差别。
由于目标区域的差别(时间不连续)具有视觉上的显著性，这些显著变化的像素在空间域中可能携带了重要的信息。
因此在这些分割结果的差别像素中重采样，可弥补原空间域采样的不足。
这样，训练样本的选取(在空间和时间差别上的二次采样)最终将结合时域和空域的信息，为分割模型的构建提供最有效的样本。
4 实验结果实验结果与分析与分析本文实验使用图像分割误差指标来衡量分割效果，包括过度分割率(OR )、欠分割率(UR )和整体错误率(ER )：P P P Q OR U D =+,P P P U UR U D =+,P PPQ U ER D += (9)其中，Q p 是分割错误的目标像素的数目；U p 是分割错误的背景像素的数目；D p 是手动分割得到的目标像素数目。
