基于分水岭方法的数码迷彩设计

基于形态学梯度的分水岭彩色图像分割徐天芝;张贵仓;贾园【摘要】图像分割是从图像处理到图像分析的关键步骤之一.在改进了基于地形学距离的分水岭算法的基础上,提出了一种结合图像信息熵、形态学梯度与区域合并的图像分割方法.该算法首先利用信息熵在RGB颜色空间中对彩色图像求其形态学梯度,然后对彩色梯度图进行分水岭分割,最后对分水岭产生的过分割现象进行区域合并.通过Matlab对图像进行实验,结果证明该算法不仅能够减少分水岭算法的过分割现象,而且还提高了图像分割的精确性,同时在图像分割时具有很好的鲁棒性和适应性.%Image segmentation is one of the key steps from image processing to analyzing. Based on an improved algo-rithm of watershed by topographical distance, an image segmentation algorithm which combined with image information entropy, morphology gradients and region merging is proposed in this paper. The algorithm utilizes information entropy to calculate the morphology gradients in RGB color space firstly. Then, the color gradient image is done watershed segmenta-tion. Finally, it merges the over-segmentation region which is generated by the watershed. Given by the images experi-ments which conducted on Matlab, the results show that the algorithm not only reduces the phenomenon of over-segmentation but also improves the accuracy of image segmentation, meanwhile has good robustness and adaptability in the image segmentation.【期刊名称】《计算机工程与应用》【年(卷),期】2016(052)011【总页数】5页(P200-203,208)【关键词】彩色图像分割;分水岭算法;形态学梯度;信息熵;区域合并【作者】徐天芝;张贵仓;贾园【作者单位】西北师范大学数学与统计学院,兰州 730070;西北师范大学数学与统计学院,兰州 730070;西北师范大学数学与统计学院,兰州 730070【正文语种】中文【中图分类】TP391图像分割［1］是计算机视觉及模式识别领域一个十分重要的研究内容。

基于拼片置乱与数学形态运算的伪装迷彩算法江玉珍;朱映辉;刘小跃;李建忠【摘要】为快速有效地生成针对实地环境伪装的数码迷彩，提出基于背景拼片置乱的迷彩生成方案。

算法过程中结合了Logistic混沌映射置乱和图像FCM颜色聚类方法，并运用灰度数学形态学的“开-闭”复合运算对迷彩纹理进行修正，最终实现环境伪装数码迷彩的自适应生成。

实验证明，该方法实时高效，生成的迷彩有效地摒弃了易辨识的局部图案特征而保留了环境纹理特征和环境颜色特征，具有较强的实地伪装隐蔽功能。

%In order to fast and efficiently create digital camouflage for site environment camouflage,we present a camouflage generation scheme based on background puzzle pieces scrambling.In algorithm process the Logistic chaotic scrambling map is combined with the image FCM colour clustering,and the open-close compound operation of greyscale mathematical morphology is used to modify the texture of camouflage,and the adaptive generation of digital environmental camouflage is achieved at last.Experimental results show that the algorithm is real-time and efficient,the output camouflage effectively gets rid of the local pattern features which are easily to be identified while the environmental texture features and the environmental colour features are preserved,thus this scheme has quite strong site camouflaging and concealing capability.【期刊名称】《计算机应用与软件》【年(卷),期】2014(000)001【总页数】4页(P225-228)【关键词】数码迷彩;混沌映射;数学形态学;FCM聚类【作者】江玉珍;朱映辉;刘小跃;李建忠【作者单位】韩山师范学院计算机应用与技术系广东潮州521041;韩山师范学院计算机应用与技术系广东潮州521041;韩山师范学院计算机应用与技术系广东潮州521041;韩山师范学院数学与应用数学系广东潮州521041【正文语种】中文【中图分类】E951.4;TP3910 引言迷彩伪装用涂料、染料和其他材料，仿制周围背景的特点，从颜色、纹理、质感等方面改变目标对象的外观，从而起到保护目标、遮障的伪装作用。

第38卷第8期西南师范大学学报(自然科学版)2013年8月V o l.38N o.8J o u r n a l o f S o u t h w e s t C h i n aN o r m a lU n i v e r s i t y(N a t u r a l S c i e n c eE d i t i o n)A u g.2013文章编号:10005471(2013)08012505基于二次分水岭和近邻传播聚类的彩色图像分割算法研究与实现①施成湘重庆第二师范学院数学与信息工程系,重庆400067摘要:利用特征散度普适能力强的优势,提出了基于二次分水岭和近邻传播聚类的彩色图像分割算法.算法通过二次分水岭算法预分割,提取区域中色彩向量数据点,利用特征散度构造相似度矩阵,运用近邻传播数据聚类,实现图像的分割.实验证明,算法较好地避免了聚类算法对初始条件的依赖性,降低了彩色图像大样本数据的运算量,与人的主观视觉感知具有良好的一致性.关键词:近邻传播聚类;二次分水岭;特征散度;彩色图像分割中图分类号:T P391.41文献标志码:A图像分割技术是图像处理和图像分析领域的重要研究内容,恰当精准的图像分割能够为基于目标的对象分析㊁图像检索等抽象出有价值的信息,为更高层的图像理解打下良好的基础.根据图像几何形状㊁空间纹理㊁颜色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很大程度的相似.图像分割将图像中感兴趣的部分从图像的背景中提取出来,以便于进一步进行图像处理.而彩色图像又比灰度图像携带更多的信息,因此在图像识别领域中受到了越来越多的关注.大部分彩色图像的分割方法是从单色图像的分割方法延伸而来的.分水岭算法是常见的彩色图像分割方法.大多算法都基于模拟浸没描述的,其成为后来很多改进算法的基础.近年来,许多学者提出了大量的改进算法[1-5].G h a s s a nH a m a r n e h[1]等人基于先验形状和外观知识,利用形状直方图改进分水岭算法结果,虽然过分割有所改善,但噪声融合效果不佳.刘荣[2]等人提出的基于分水岭与图割的自动分割方法,实现了空间序列轮廓的自动提取,但算法对面积大的物体提取效果好,对细小物轮廓提取欠缺.巫兆聪[3]等人提出利用M e y e r算法进行标记分水岭分割,能解决遥感图像不同区域的分割,但对信息量比较丰富的图像仍存在严重的过分割现象.针对分水岭分割算法对噪声敏感㊁低对比度图像易丢失重要轮廓㊁易于产生过分割等缺点,本文提出了一种结合改进分水岭和聚类算法的分割算法,以进一步地优化分割效果.1相关方法介绍1.1分水岭区域分割法分水岭区域分割法是一种形态学方法,和普通区域增长算法不同,算法本质是一种区域增长算法,它由图像局部极小值开始递增.算法最初源于测地学的地形地貌,图像中点的灰度值由海拔高度来刻画.分水岭变换将图像视为3D地貌表面,其中灰度极大值是山峰,极小值是山谷,区域的轮廓只需搜索检测地貌①收稿日期:20130426Copyright©博看网. All Rights Reserved.基金项目:重庆第二师范学院教改项目(J G2*******).作者简介:施成湘(1979),女,四川泸州人,硕士,主要从事数字图像处理方面的研究.局部极小值对应的堤坝边缘便可确定.1.2 近邻传播聚类2007年,F re y 等人在S c i e n c e 上提出了属于K 中心聚类方法的近邻传播(Af f i n i t y P r o p ag a t i o n ,A P )聚类[8-9],它是一种新的聚类算法[10-12].与经典的K -m e a n s 算法相比,A P 算法尽管具有相同的目标函数,但其在算法原理上却存在很大的不同.它克服了K -m e a n s 算法的缺点,通过传递数据点之间的消息聚类出高质量的聚类中心,也可以在短时间内处理大量数据而得到较好的聚类结果.2 基于二次分水岭和近邻传播聚类的分割算法2.1 二次分水岭预分割分水岭算法分割精度高,算法简单易实现,并且能产生单像素宽度的连续边界,使得分水岭算法运用非常广泛,其对微弱边缘具有良好的响应.图像中的噪声㊁物体表面细微的灰度变化都是产生过度分割现象的原因.但同时应当看出,分水岭方法对微弱边缘非常敏感,是得到封闭连续边缘的保证.分水岭算法分割的过于细致是算法的不足之处.分水岭变换之后,图像将会被分成很多的小区域.由于这样显著特点,算法先对图像进行粗分割,为了目标边缘完整,图像保留了足够多的节点和分割所需的特征信息,然后将这些小区域作为新算法的切入点,对第一次分水岭得到的梯度图像使用形态学的闭-开运算进行平滑,再进行第二次分水岭分割[13].由于第一次分割区域数目较多,不能很好地达到降低计算复杂度的目的,通过腐蚀平滑后,再进行第二次分水岭算法,得到的分割区域个数会减少,算法在保持充足信息量的前提下大大减少了节点数目.2.2 近邻传播聚类近邻传播聚类算法要求:所有数据点到最近的类代表点的相似度之和应该是最大的,这样有利于找到最优的类代表点集合.算法将每个数据点示为候选的类代表点,很好地避免了受初始类代表点选择的影响,再在运算中建立相似度矩阵进行讨论.算法的简要流程是:计算所有数据点两两之间的相似度,并组成相似性矩阵S N ˑN .算法初期,潜在的聚类中心可以是所有的样本点,同时,网络中的一个节点也可以是每个样本.在各个节点之间,被称作吸引度和归属度的信息不断地传递迭代,距离聚类中心位置的点越近,其对其他所有样本点的吸引力之和越大,作为聚类中心的可能性就越大;反之,距离聚类中心位置的点越远,对其他点的吸引力就越小,成为聚类中心的可能性就越小.近邻传播聚类算法的中心思想其实就是这两个消息不断地更新过程,更新式如下[8]:r (i ,j )ѳs (i ,j )-m a x j ᶄʂj(a (i ,j ᶄ)+s (i ,j ᶄ))(1)i f i ʂj ,a (i ,j )ѳm i n i ʂj 0,r (j ,j )+ði ᶄʂi ,i ᶄʂj m a x (0,r (i ᶄ,j {}))(2)a (j ,j )ѳði ᶄʂi ,i ᶄʂj m a x (0,r (i ᶄ,j ))(3) 经过反复交替迭代,便可以得到全部聚类中心以及各中心与样本点之间的关系了.2.3 特征散度A P 算法假设样本数据采取经典欧式距离测度来量化区域数据点之间的关系,它适合于类内数据点为超球体或椭球型分布的情况.然而,真实样本并非完全呈等距尺度分布,这使得A P 算法对于非球形数据的聚类形式鲁棒性不够.为了对不同的分布类型具有普适性,改进A P 聚类中所采用的欧氏距离,用特征空间里普适能力优异的有向散度构造特征散度,来度量两个区域数据点之间的差异,然后用特征散度的内积代替欧氏距离重构A P 聚类算法.特征空间内的随机样本点用原始图像中的区域数据值来表示,聚类中心值用分割结果图中像素来表示,就可以将特征散度内的内积范数嵌入到A P 聚类算法.有向散度,即交叉熵,用于度量两个概率论系统间的信息量差异.模拟有向散度的形式,本文定义一种度量两个样本在特征空间里差异的矢量 特征散度[14].设样本f ={f 1,f 2, ,f s },g ={g 1,g 2, ,gs }ɪ特征空间R S ,特征散度矢量定义为:D (f :g )=[d (f 1:g 1),d (f 2:g 2), ,d (f s :g s )]T (4)131第8期 施成湘:基于二次分水岭和近邻传播聚类的彩色图像分割算法研究与实现Copyright ©博看网. All Rights Reserved.式中各分量d (f i :g i )=f i l n f i g i +g i l n g i f i,i =1,2, ,s ,具有对称形式.对于样本数据,特征矢量元素取正时,特征散度的各分量满足非负性和同一性(零值取在f i =gi 时).由于不受特征空间的结构限制,特征散度普适能力较强,可运用于很多空间结构.本文在算法执行过程中,采用特征散度的数量积代替欧氏距离构造相似度矩阵.聚类算法中,f 与g 分别表征的是任意两聚类中心的特征值,D (f :g )度量此两聚类中心的差异性.2.4 具体算法设计根据上述思路,总结合并算法步骤如下:第一步:对输入的彩色图像进行二次分水岭算法预分割,平滑处理后得到有限个初始分割小区域;第二步:计算每个小区域中的所有彩色向量均值,作为数据点;第三步:根据式(4),计算上述数据点的特征散度;第四步:由上述特征散度值作为相似度的测度指标,构造相似度矩阵;第五步:根据式(1)㊁(2)㊁(3),在相似度矩阵上运用近邻传播聚类算法(A P 算法)进行分割,算法停止.基于二次分水岭和近邻传播聚类的分割算法通过二次分水岭算法预处理后,使用形态学的闭开运算进行平滑,将区域中一些孤立点给予融合;计算区域中所有彩色向量的色彩均值作为数据点,利用特征散度值构造相似度矩阵;运用A P 聚类算法进行聚类分割,将分割效果进一步地优化.算法不要求相似度矩阵的对称性,使得处理多类数据时运算速度会更快.3 实验结果与分析实验环境:W i n d o w sM i c r o s o f tX P 平台,机器T H I N K P A DE 430,2G B 内存,基于M a t l a b 6.5环境下实现.算法的实现,选用的是华盛顿大学的G r o u n d t r u t hD a t a b a s e 中有代表性的三幅实验图片进行试验仿真,分别是大小均为256ˑ256的图片P e p p e r s ㊁A u s t r a l i a 和C a m b r i d ge .图1显示了基于二次分水岭和近邻传播聚类的彩色图像分割算法对彩色图像的分割结果.组图中:(a )是标准的彩色实验图片.(b )是传统的分水岭算法得到的分割效果.(c )是k -m e a n 算法的分割结果.(d )是本文算法所得到的分割图像.(e )是本文算法的分割边缘.通过对比几组实验图片,很明显地看到:第一列标准的P e p p e r s 彩色图像,本文算法的辣椒轮廓分割清晰.在背景的处理上,区域融合较分水岭分割和k -m e a n 更为恰当,特别是左上部辣椒细节上可以看到优势;在第二列A u s t r a l i a 图像的分割,分水岭算法的过分割很严重,k -m e a n 算法使得背景山脉的轮廓要模糊很多,近处的树林与山峰的分割欠妥;在对C a m b r i d g e 图像的分割,对比k -m e a n 算法,可以看到本文算法对钟楼的提取层次更准确.本文采用局部一致性错分函数L C E (L o c a l C o n s i s t e n c y E r r o r )[15]来定量评价分割算法的优劣,L C E 越小,表明分割结果越接近人眼的分割结果.表1中数据表明,本文算法所得L C E 相对较小,更接近人眼分割结果.程序运行时间如下表1.由于A u s t r a l i a 图像树木细节量要丰富许多,因此A u s t r a l i a 图像耗时较长.表1 分割耗时以及L C E 比较图像分水岭算法耗时/s L C E /%k -m e a n 算法耗时/s L C E /%本文算法耗时/s L C E /%P e p p e r s 3.2316.235.5821.654.269.52A u s t r a l i a6.4425.9812.3228.3912.0415.61C a m b r i d g e 4.1518.745.7623.534.5311.17 基于二次分水岭和近邻传播聚类的彩色图像分割算法通过分水岭算法预分割,提取区域中彩色向量平均值作为数据点,利用数据点间的特征散度构造相似度矩阵,结合A P 算法,快速实现了图像合理的区域分割,对各种风格的图像都适用,其计算速度较快,普适能力也更强.231西南师范大学学报(自然科学版) h t t p ://x b b j b .s w u .c n 第38卷Copyright ©博看网. All Rights Reserved.图1 彩色图像分割4 结 论图像分割是图像处理过渡到图像分析识别的一个关键步骤.本文针对二次分水岭与特征散度的特性,提出了结合二次分水岭和近邻传播聚类的彩色图像分割算法,取得了较好的效果.该算法能够根据不同图像进行自适应标记提取,减少了分割过程中的人为干预,较好地避免了过度分割和信息丢失,提高了算法的自适应性能,实验证明,算法有效可行.331第8期 施成湘:基于二次分水岭和近邻传播聚类的彩色图像分割算法研究与实现Copyright ©博看网. All Rights Reserved.参考文献:[1]G HA S S A N HAMA R N E H ,L IX i a o -x i n g .W a t e r s h e dS e g m e n t a t i o nU s i n g P r i o r S h a p e a n dA p p e a r a n c eK n o w l e d g e [J ].I m a g e a n dV i s i o nC o m p u t i n g ,2009,27(1):59-68.[2] 刘 荣,彭艳敏,等.基于分水岭与图割的自动分割方法[J ].北京航空航天大学学报,2012,38(5):636-640.[3] 巫兆聪,胡忠文,欧阳群东.一种区域自适应的遥感影像分水岭分割算法[J ].武汉大学学报,2011,36(3):293-296.[4] T A R A B A L K A Y ,C HA N U S S O TJ ,B E N E D I K T S S O NJA.S e g m e n t a t i o na n dC l a s s i f i c a t i o no fH y p e r s p e c t r a l I m a g e s U s i n g W a t e r s h e dT r a n s f o r m a t i o n [J ].P a t t e r nR e c o gn i t i o n ,2010,43(7):2367-2379.[5] Z HA N G M i n g ,Z HA N G L i n g ,C H E N G H D.A N e u t r o s o p h i cA p p r o a c ht oI m a g eS e gm e n t a t i o nB a s e do n W a t e r s h e d M e t h o d [J ].S i g n a l P r o c e s s i n g ,2010,90(5):1510-1517.[6] 谭志存,鲁瑞华.基于最大类间方差的图像分割改进遗传算法[J ].西南大学学报:自然科学版,2009,31(1):87-90.[7] 王志兵,鲁瑞华.改进的基于模糊C 均值聚类的图像分割算法[J ].西南大学学报:自然科学版,2009,31(3):169-172.[8] F R E YBJ ,D U E C KD .C l u s t e r i n g b y P a s s i n g M e s s a ge sB e t w e e nD a t aP o i n t s [J ].S c i e n c e ,2007,315(5814):972-976.[9] G I V O N I IE ,F R E YBJ .A B i n a r y V a r i a b l e M o d e lf o rA f f i n i t y P r o p ag a t i o n [J ].N e u r a lC o m pu t a t i o n ,2009,21(6):1589-1600.[10]S E NJ i a ,Q I A NY u n -t a o ,Z H E NJ i .B a n d S e l e c t i o n f o rH y p e r S p e c t r a l I m a g e r y U s i n g A f f i n i t y P r o p a g a t i o n [C ]//P r o c e e d i n g s o f t h e 2008D i g i t a l I m a g eC o m p u t i n g ,T e c h n i q u e sa n dA p p l i c a t i o n s ,C a n b e r r a ,A C T ,1-3.12.2008:137-141.[11]L IG a n g ,G U OL e i ,L I U T i a n -m i n g ,e t a l .G r o u p i n g o f B r a i nM RI m a g e sV i aA f f i n i t y P r o p a g a t i o n [C ]//I E E E I n t e r n a -t i o n a l S y m p o s i u mo nC i r c u i t s a n dS y s t e m s ,2009(I S C A S2009)T a i p e i ,T a i w a n ,5.24.2009:2425-2428.[12]D U E C K D ,F R E YBJ ,J O J I C N ,e t a l .C o n s t r u c t i n g T r e a t m e n tP o r t f o l i o sU s i n g A f f i n i t y P r o p a g a t i o n [C ]//P r o c e e d -i n g s o f 12t hA n n u a l I n t e r n a t i o n a l C o n f e r e n c e ,R E C OM B2008.S i n g a p o r e .3.30-4.2,2008:360-371.[13]卢志茂,许晓丽,范冬梅,等.二次分水岭和N c u t 相结合的彩色图像分割方法[J].华中科技大学学报:自然科学版,2011,39:95-98.[14]章毓晋.图象分割[M ].北京:科学出版社,2001.[15]MA R T I N D ,F OW L K E SC ,T A LD ,e t a l .AD a t a b a s e o fH u m a nS e g m e n t e dN a t u r a l a n d i t sA p p l i c a t i o n t oE v a l u a t i n gS e g m e n t a t i o nA l g o r i t h m s a n d M e a s u r i n g E c o l o g i c a l S t a t i s t i c s [C ]//I E E E8t h I n t e r n a t i o n a l C o n f e r e n c e o nC o m p u t e rV i -s i o n (I C C V 2001).V a n c o u v e r ,C a n a d a ,2001:416-423.R e s e a r c ha n d I m p l e m e n t a t i o no fC o l o r I m a g e S e g m e n t a t i o nB a s e d o nS e c o n d a r y W a t e r s h e d a n dA f f i n i t y P r o p a g a t i o nC l u s t e r i n gS H IC h e n g -x i a n g D e p a r t m e n t o fM a t h e m a t i c sa n d I n f o r m a t i o nE n g i n e e r i n g ,C h o n g q i n g U n i v e r s i t y o f E d u c a t i o n ,C h o n g q i n g 400067,C h i n a A b s t r a c t :B y m e a n s o f p e r v a s i v e s t r o n g a d v a n t a g e o f c h a r a c t e r i s t i c d i v e r g e n c e ,a n e wc o l o r i m a g e s e g m e n -t a t i o na l g o r i t h mb a s e do n s e c o n d a r y w a t e r s h e da n da f f i n i t yp r o p a g a t i o nc l u s t e r i n g h a sb e e n p r o p o s e d .B y r e -s e g m e n t a t i o no fw a t e r s h e d ,a l g o r i t h me x t r a c t e d r e g i o n a l v e c t o r c h a r a c t e r i s t i c d i v e r g e n c e s t r u c t u r e s i m i -l a r i t y m a t r i xu s i n g a f f i n i t yp r o p a g a t i o n (A P )d a t a c l u s t e r i n g t oa c h i e v e i m a g e s e g m e n t a t i o n .T h e e x p e r i -m e n t a l r e s u l t s d e m o n s t r a t e t h a t t h e c o l o r i m a g e s e g m e n t a t i o n r e s u l t o f t h e p r o p o s e d a p p r o a c h a v o i d t h e d e -p e n d e n c eo f t h e a l g o r i t h mo n i n i t i a l c o n d i t i o n ,r e d u c e c a l c u l a t i o no n l a r g e s a m p l e o f c o l o r i m a g e ,a n dh o l d f a v o r a b l e c o n s i s t e n c y i n t e r m s o f h u m a n p e r c e p t i o n .K e y w o r d s :a f f i n i t yp r o p a g a t i o nc l u s t e r i n g ;s e c o n d a r y w a t e r s h e d ;c h a r a c t e r i s t i cd i v e r g e n c e ;c o l o r i m a g e s e g m e n t a t i o n 责任编辑 汤振金 431西南师范大学学报(自然科学版) h t t p ://x b b jb .s w u .c n 第38卷Copyright ©博看网. All Rights Reserved.。

一种基于分水岭变换和模糊C均值聚类的彩色图像分割算法杨计龙;王清心;胡逢法【期刊名称】《科学技术与工程》【年(卷),期】2011(11)18【摘要】针对分水岭算法对在图像分割中容易产生过分割,提出了一种基于分水岭变换和模糊C均值(FCM)聚类算法的彩色图像分割算法.该算法先对图像进行分水岭分割,再对分水岭产生的过分割进行聚类合并.在合并过程中采用区间差异度和区域面积来确定模糊C均值聚类个数.该算法的优点是解决了分水岭变换算法的过分割问题的同时解决了模糊C均值聚类算法的初始值以及聚类中心难以确定的问题.实验结果表明,该算法可以准确地分割出目标并应用到自动分割系统中.%For the watershed algorithm is very sensitive to weak edges and noise,thus in the watershed algorithm is applied to image segmentation prone to over-segmentation. A new color image segmentation algorithm basing on watershed transformation and a fuzzy C mean (FCM) clustering algorithm are proposed. In this algorithm,watershed segmentation is carried on image,and then clusters and mergers the over-segmentation generated by the watershed ,during the merging process using the degree of sector differences and the region area to determine the cluster number of FCM. The advantage of this algorithm is to solve over-segmentation problems caused by watershed transformation algorithm aud meanwhile solve problems which are difficult to determine the initial value and cluster centers of FCM algorithm. Experimental results show that the algorithmcan segment the target accurately and apply to automatic segmentation system.【总页数】3页(P4237-4239)【作者】杨计龙;王清心;胡逢法【作者单位】昆明理工大学信息工程与自动化学院计算机系,昆明650500;昆明理工大学信息工程与自动化学院计算机系,昆明650500;昆明理工大学信息工程与自动化学院计算机系,昆明650500【正文语种】中文【中图分类】TP391.41【相关文献】1.一种基于小波变换与分水岭变换的菌落图像分割算法研究 [J], 王卫星;王子周2.基于模糊C均值聚类的多分量彩色图像分割算法 [J], 卜娟;王向阳;孙艺峰3.一种HSI空间基于模糊聚类的火灾彩色图像分割算法 [J], 周凤4.一种基于小波分解和分水岭变换的视频对象自动分割算法 [J], 杨高波;张兆杨;余圣发5.一种基于图的彩色图像分割算法 [J], 沃焱;金璇因版权原因，仅展示原文概要，查看原文内容请购买。

一种改进的分水岭算法在彩色图像分割中的应用匡胜徽;胡逢法【摘要】针对分水岭变换算法在图像分割中容易产生过分割的问题,提出了一种基于分水岭变换和模糊C均值聚类算法相结合的彩色图像分割算法.该算法的优点是解决了分水岭变换算法的过分割问题,而且同时解决了模糊C均值聚类算法初始值难以确定的问题.实验结果表明,改进后的算法可以快速准确地分割出目标,因而能够很好地应用于自动分割系统中.【期刊名称】《江西科学》【年(卷),期】2010(028)006【总页数】4页(P748-751)【关键词】图像分割;分水岭变换算法;模糊C-均值聚类算法;过分割【作者】匡胜徽;胡逢法【作者单位】昆明理工大学信息工程与自动化学院,云南,昆明,650051;昆明理工大学信息工程与自动化学院,云南,昆明,650051【正文语种】中文【中图分类】TP391图像分割是图像分析和理解的基础,是图像处理的一个极其重要的环节,也是图像处理中最古老和最困难的问题之一;对图像分割的研究涉及分割特征的选取、算法的设计、计算复杂度的降低以及算法的快速实现等各个环节。

图像分割的方法很多,每种方法都有各自的优点和不足,现有的分割算法大体上可以分为以下几类:基于区域的方法、基于边缘检测的方法、边缘与区域相结合的方法、基于聚类的方法和基于一些特定理论上具体的分割方法。

从图像的类型来分,最常见的有灰度图像分割、彩色图像分割和纹理图像分割等。

近几十年来,涌现了大量不同的图像分割方法,比较常用的有基于形态学分水岭分割[1]、颗粒分割、快速聚类分割、区域阈值法和边缘检测法等。

其中分水岭分割算法是图像分割算法中常用的一种算法,它以快速、有效、准确的分割结果越来越得到人们的重视[2]。

但是,它本身存在严重的过分割问题[3]。

因此,如何有效地降低过分割是目前人们研究的焦点之一。

目前主要有两类方法解决分水岭的过分割问题:第一类属于前处理,它是基于标记提取的分水岭分割算法,每一个标记对应着图像中的一个物体;第二类属于后处理,针对分水岭分割后的结果,根据某种准则进行区域融合。

基于数字图像处理的伪装迷彩评价与设计梁轶;殷仕淑;李孟莹;段智中【摘要】为了解决迷彩伪装效果评价及迷彩图案设计问题,通过建立基于多指标灰色聚类算法的伪装效果评价模型,对迷彩的伪装原理进行探究.然后利用图像分割技术、小波纹理分析等多种数字图像处理方法,综合使用Matlab、Photoshop等软件,设计一款适用于多种背景环境下的新型迷彩样式.最后运用所建立评价模型进行伪装效果的检测.【期刊名称】《文山学院学报》【年(卷),期】2015(028)006【总页数】5页(P74-78)【关键词】迷彩伪装;灰色聚类;图像分割;小波分析;Matlab【作者】梁轶;殷仕淑;李孟莹;段智中【作者单位】安徽财经大学管理科学与管理工程学院,安徽蚌埠233030;安徽财经大学管理科学与管理工程学院,安徽蚌埠233030;安徽财经大学统计与应用数学学院,安徽蚌埠233030;安徽财经大学统计与应用数学学院,安徽蚌埠233030【正文语种】中文【中图分类】E951.4迷彩伪装是士兵和军事装备保护自我的重要实施办法。

由于现代战争的特点是战线模糊，突然性极强，并且目标的活动范围不断扩大，对于迷彩伪装而言，在自然背景的差异上也表现出快速多变性［1］。

因此，设计出一款在多种背景环境下均有较好伪装效果的迷彩样式具有重要意义。

近年来，针对迷彩伪装效果评价问题，国内报告主要利用欧式距离、斑点特性、灰度直方图分析等方法，这些方法普遍存在指标单一的问题。

本文选取亮度对比、颜色特征、纹理特征和斑点尺寸建立评价指标体系，利用灰色聚类算法建立迷彩伪装效果综合评价模型。

该文利用数字图像处理技术，提取多种地形的背景主色和斑纹特征的信息，并运用Matlab软件，使用FFT等算法，设计出新型迷彩样式，并运用上述模型进行伪装效果的检验。

为了对迷彩的伪装效果进行分析，根据人眼视觉机制并考虑典型性和全面性的设计原则［2］选取了亮度对比、颜色特征、纹理特征和斑点尺寸作为评价指标。

基于CycleGAN算法的迷彩服装图案设计方法研究作者：李敏, 刘冰清, 彭庆龙, 于淼来源：《丝绸》2022年第08期摘要：伪装是军事侦察的重要防护手段之一，然而，传统的迷彩图像生成方法不能实现端到端生成。

本文采用循环一致性生成对抗（Cycle generative adversarial network，CycleGAN）算法实现迷彩图像生成，既保留原始图片的特征，又能实现端到端的生成。

自行搜集并建立环境和迷彩图片库。

利用CycleGAN算法的循环对抗博弈思想，训练生成和判别模型，在训练过程中，借助损失函数激励实现背景图像与迷彩图像的一一映射，将生成图像输入判别模型进行辨别，并将结果进行反馈。

与DRIT、MUNIT模型生成的图像相比，CycleGAN 算法生成的图像在色彩、纹理和边缘接近背景图像，呈现出良好的伪装效果，从而验证了实验方案的有效性，为服装智能图案设计生成提供了新思路。

关键词：迷彩图案;生成式对抗网络;深度学习;图案生成;智能设计中图分类号： TS941.26文献标志码： A文章编号： 10017003（2022）08010007引用页码： 081202DOI： 10.3969/j.issn.1001-7003.2022.08.013图案是服装设计的重要内容之一，它具有独特的形式和鲜明的风格特征。

迷彩服装是军队作战、训练穿的具有伪装效果的一种服装，主要通过减小服装颜色、图案等与周围环境在亮度、颜色、纹理等光学特性上的差别来达到伪装效果[1-2]。

以此降低目标的显著特征和某些探测仪器对目标的发现概率[3]，从而有效提升战士在战场的生存能力。

在军事领域，迷彩伪装是一种有效的伪装方式，有重要的应用价值。

现在常用的迷彩图案是通过计算机处理加以人类视觉特性开发的数码迷彩，独特的马赛克式斑点组合很好地模拟了自然环境的特性。

然而传统的数码迷彩算法繁杂且在一定程度仍然依赖于人类的自我感知并且色彩单一，50 m内伪装效果不佳。

基于多指标特征迷彩伪装效果的评价与设计邵笑;朱家明;李俐芸;程宁宁【摘要】针对提高迷彩伪装的效果,根据视敏度曲线、人眼分辨率和可见度、canny算子检测的边缘图像、灰度方差函数、层次分析法方法,分别构建了灰度方差函数、层次分析等模型,结合MATLAB软件等,得到迷彩斑块最理想的颜色搭配、形状、尺寸和清晰度.建立了分析各种迷彩伪装效果模式的方法,定量和定性迷彩伪装效果评价方法,并设计一个适用最广泛的迷彩伪装模式.【期刊名称】《太原师范学院学报（自然科学版）》【年(卷),期】2015(014)002【总页数】6页(P40-45)【关键词】迷彩伪装;伪装效果评价;灰度方差函数;层次分析法;MATLAB【作者】邵笑;朱家明;李俐芸;程宁宁【作者单位】安徽财经大学统计与应用数学学院,安徽蚌埠233030;安徽财经大学统计与应用数学学院,安徽蚌埠233030;安徽财经大学统计与应用数学学院,安徽蚌埠233030;安徽财经大学金融学院,安徽蚌埠233030【正文语种】中文【中图分类】TP391迷彩伪装在当代的军事作战中有着广泛的应用,主要起到可以起到掩饰自己的作用．但是针对不同的作战环境(比如林地、雪地、沙漠)需要进行相应的不同迷彩图案的设计．针对影响伪装效果的不同因素(如颜色、形状、尺寸等)进行逐项分析,对于不同因素之间所组成的不同迷彩伪装模式进行分析,综合分析设计出一个最优的适合在大多数环境中均能起到较好伪装效果的方案．结合实际设计一个定量的伪装效果评价方法．1.1 研究思路在迷彩设计中,大多数情况下最小色差原则可以较好地完成像素聚类分析,由于不同颜色的光对应的光波长度不同,其辐射功率也不同,人的眼睛对于不同颜色光的相对视敏度不同,因此我们可以根据相对视敏度得到人的眼睛中自然界的颜色,从而确定伪装迷彩服的主要颜色．1.2 数据处理可见光的波长范围为380 nm～780 nm[1]．考虑到各种光所对应的波长不一样,人的眼睛对不同的光的敏感程度不同．因此我们用人的眼睛的视敏度来衡量各种颜色光的伪装能力．首先我们查阅资料得到各种颜色光的波长如表1．由于视敏度,通过查阅资料可以得到光的视敏度曲线如图1:1.3 结果分析通过对比表1和图1我们可以得到人的眼睛对各种颜色光的敏感程度从强到弱排序为黄、绿、橙、青、蓝、紫、红．其中人眼对波长为550 nm黄绿色最为敏感．因为人眼所感知的大自然的颜色多为黄绿色,因此对于军队伪装而言,迷彩服大多选择与自然界颜色相近的绿、黄、茶等颜色．2.1 研究思路在迷彩伪装服的斑点设计中,边缘轮廓是一项重要的影响因素,也是评价斑点图案伪装效果的重要因素．斑点单元设计原则主要是事实和拼接方便,其次是斑点之间的连接要符合伪装技术中斑点设计的原则,从而组合成具有良好伪装效果的迷彩图案．为了达到实施方便和快捷,以及放大和缩小一定的倍数后仍然能实现与其他单元的无缝拼接,从图案的拼接角度来看可供选择的基本单元形状主要有三角形、正方形、平行四边形和正六边形．2.2 数据处理为了比较以他们为单元组合的伪装效果,我们选取了一副迷彩图案,利用以上所提的四种主要图案进行组合,与斑点设计原则进行对照比较,在基本单元面积相同的基础上进行[2]．该单元的主要颜色为占每个单元格面积超过50%的颜色,在这幅迷彩图案的基础上,我们分别利用三角形、正方形、平行四边形和正六边形进行拼接所的效果分别如图2-5所示,图b分别为利用canny算子检测到的边缘图案．从图2以三角形为基本单元所的图案中我们不难发现其斑点之间的边缘形成的是直线或者锯齿状,形成了与背景图案的严重反差,违背了斑点设计的基本原则,并且如果我们将其与原来的图案进行对比会发现其严重扭曲了原来的斑点设计,根本达不到实现所需伪装效果．从图3以正方形为基本单元的图案中,容易看出其斑点之间的边缘线均为直线或者直角,形成了非常明显的暴露特征,因此正方形为基本单元所拼接而成的图案难以模拟所设计的迷彩图案．图4以平行四边形为基本单元的拼接图案,其边缘与上面所讨论的三角形为基本单元拼接而成的图案相似,即形成的也是直线和锯齿,伪装效果也较差．图5由正六边形作为基本单元而拼接所得的迷彩图案,与原来的图案比较不难发现其斑点之间的边缘是不规则的曲线,较好的模拟了原来图案的边缘曲线,我们知道,最好的图案边缘线就是曲线而正六边形拼接所得图案的边缘较好的模拟了各种角度的曲线．因此,在正六边形的基础上形成的迷彩图案可以较好的与背景进行融合从而达到所期望的伪装效果．2.3 结果分析伪装迷彩图案设计的原则就是使斑点尺寸尽可能多样化,而正六边形不仅满足了这一要求而且因其独特的形状可以对其进行随意的放大和缩小,改变其边缘线的粗细程度,从而非常好的模拟原来的斑点设计图案,因此可达到良好的伪装效果．3.1 研究思路斑点尺寸大小也是影响迷彩服伪装效果的重要因素．我们需要找到一个既达到良好伪装效果同时过程相对简单的最优图案尺寸,这里从人眼的分辨率和伪装斑点设计的原则出发来确定斑点基本尺寸．同时为了防止各种颜色的斑点产生空间混色现象,以保证迷彩的多色性,达到良好的伪装效果,迷彩斑点在设计时必须使其尺寸在预定的距离上可以看得见．3.2 数据处理影响斑点可见界限的主要因素有:观察距离、斑点间的亮度差别和大气透明度．在大气一般透明条件下(τ=0.8～0.9)[3],斑点可见尺寸的界限可用近似公式计算．当亮度对比大于0.4时,人眼的视角阈值为60.3″．在野外或者沙漠雪地等宽阔的环境中,人眼的视角阈值要相应扩大到2.5～3倍,因此斑点的可见尺寸: d≥(2.5～3)D/3 438当亮度对比在0.2～0.4之间时,人眼的视角阈值要扩大到3.5～4倍,因此:d≥(3.5～4)D/3 438式中,观察距离D仅考虑地面和空中较近距离观察的情况下,因为如果是像火炮、坦克、汽车等目标,由于它们的体积较小,只有在较近的距离才能发现．由于在确定斑点基本单元尺寸时需要将各种因素考虑在内,比较分析后确定最保守的斑点单元尺寸．此处考虑500 m、250 m裸眼观察和利用6～10倍望远镜观察三种情况．在500 m距离裸眼观察时,斑点的可见尺寸为d≥2.5～3D/3 438=2.5×500/3 438=0.363 6 m=36.36 cm人眼的极限分辨率为l=D×tanψ=500×tan60.3″=14.61 cm则两个相邻基本单元的距离r≤l=14.61 cm在250 m距离裸眼观察时,斑点可见尺寸为d≥(2.5～3)D/3 438=2.5×250/3 438=0.181 8 m=18.18 cm人眼的极限分辨率为l=D×tanψ=250×tan60.3″=7.31 cm则两个相邻基本单元的距离r≤l=7.31 cm由于考虑人眼的体视半径为1 349 m,即人眼在大于1349 m时无法分辨2个目标的远近关系,此时会借助6～10倍的望远镜．此时d≥(2.5～3)(D/10)/3 438=2.5×(1 349/10)/3 438=0.098 1 m=9.81 cm人眼的极限分辨率为l=(D/10)×tanψ=(1 349/10)×tan60.3″=3.95 cm则有两个相邻基本单元的距离r≤l=3.95 cm3.3 结果分析综上所述,当地面侦查所决定的2个相邻正六边形基本单元的距离取0.039 5 m,也就是正六边形的基本单元的边长为0.039 =0.022 8 m,对照地面目标侦查的最高分辨率为0.085 m,斑点基本尺寸取0.039 5 m左右是最符合伪装效果要求的．4.1 研究思路由于不同颜色对应不同的像素值,在同一场景中,图像中越多的像素灰度值,则表明图像越清晰,否则越不清晰．因此我们用图像中各灰度值的方差、绝对值和平均梯度来衡量图像的清晰度[4]．4.2 数据处理1)灰度方差函数模型的建立灰度方差函数是衡量图像上每一处像素灰度值与平均像素灰度值的差异程度,图像越清晰,边缘越锐化,则图像像素灰度方差函数就越大．由方差函数可得图像像素灰度方差函数为2)灰度绝对差函数模型的建立灰度绝对差函数是对图像所有像素计算水平和垂直方向上的相邻像素点的灰度差绝对值之和得到的．图像越清晰,像素越多,细节越多,灰度差绝对值之和越大．由绝对差函数可得图像像素灰度绝对差函数为3)平均梯度函数模型的建立平均梯度是计算图像所有像素点的梯度再取平均得到．清晰图像的边缘较锐利,由于梯度值可以反映图像中的边缘,梯度值越大,图像边缘越锐化．查阅资料可以得到平均梯度函数为4.3 结果分析在军事迷彩伪装方面,图像清晰度越低越有利于我们进行伪装,即灰度方差函数、灰度绝对差函数和平均梯度函数的数值越小越易于伪装．因此在选择伪装图案时,应选择比较模糊的图案．5.1 研究思路怎样去开发一个定量迷彩伪装效果评价方法,关键须知迷彩伪装效果与那些因素有关,并运用什么方法何种模型来评价它．由问题1到5的分析和求解可知影响迷彩伪装效果的因素有斑块颜色、尺寸、形状、对比度、清晰度等．又由于迷彩结构复杂且多数情况下必要的数据不充足,很难用一般的数学模型来解决,所以我们用层次分析法(AHP)将决策问题的有关元素分解成目标、准则、方案等层次,再此基础上进行定性与定量分析相结合进行求解与决策,来定量的评价多种迷彩伪装效果相对于不同地形环境和特殊要求的优劣程度．5.2 数据处理下面我们来通过具体的例子来详细说明运用层次分析法是如何分析、建立、求解与判断的．例:某军队现需要选取适用于某一地形的迷彩,现想从雪地迷彩、沙漠迷彩、林地迷彩三种类型的迷彩中选取最适合的迷彩,如何进行排序和优选．符号说明:A总目标,Bi第i个准则,Pi第i个方案,W(i)第i层的排序向量,CI一致性指标,CR一致性比例.1)建立方案评价的递阶层次结构模型,该模型最高一层为总目标A:最适合的迷彩类型．第二层设计为方案评价的准则层,它包含3个准则:B1:斑块颜色;B2:斑块尺寸大小;B3:斑块形状;B4:对比度;B5:清晰度最底层为方案层,它包含p1～p3三种方案,分别为:p1——雪地迷彩;p2——沙漠迷彩;p3——林地迷彩．其层次结构模型如图1所示:2)构造比较判断矩阵,设以A为比较标准,B层次各因素的两两比较判断矩阵为A-B;类似地,以每一个Bi 为比较准则,P层次各因素的两两比较判断矩阵为Bi-P．可得到6个比较判断矩阵(主观判断各权重)．对于总目标A,有:综合多人意见后,得到第三层相对第二层的各个比较判断矩阵．3)层次单排序及其一致性检验由表可见,所有4个层次单排序的CI的值均小于0.1,符合满意一致性要求．4)层次总排序已知第二层(B层)相对于总目标A的排序向量为W(2)=(0.064 0,0.119 0,0.176 2,0.238 0,0.402 8)T而第三层(p层)以第二层第i个因素Bi为准则时的排序向量分别为6,0.163 4,0.029 (0.124 3,0.358 6,0.517 1)T9,0.184 1,0.210 (0.089 0,0.323 4,0.210 9)T(0.186 9,0.489 7,0.427 8)T则第三层(P层)相对于总目标的排序向量为5)层次总排序的一致性检验．由于 6,0.053 9,0.016 2,0.004 6,0.009因此CI(3)=CI(2)*W(2)=(0.004 6,0.053 9,0.016 2,0.004 6,0.009 1)(0.064 0,0.119 0,0.176 2,0.238 0,0.402 8)=0.014 3RI(3)=RI(2)*W(2)=(0.58,0.58,0.58,0.58,0.58)(0.064 0,0.119 0,0.176 2,0.238 0,0.402 8)=0.580 0CR(3)=CR(2)+CI(3)/RI(3)=0.007 5+0.014 3/0.580 0=0.032 2<0.15.3 结果分析考虑的3种方案相对优先排序为:林地迷彩,权重为0.413 6、荒漠迷彩,权重为0.323 5、雪地迷彩,权重为0.262 9．此军队可以根据上述分析结果,决定林地迷彩更适用于已知所需的地形中．本文为分析提高迷彩伪装的效果问题,分别对迷彩斑块的颜色搭配、形状、尺寸、对比度和清晰度进行了研究．得到基本尺寸用0.039 5 m的正六边形,颜色用黄、绿、茶色且较模糊的斑块图案设计的迷彩伪装效果最好．最后用集体实例知林地迷彩更适用于已知所需的地形中．【相关文献】[1] 周焜,李继陶,陈祯培.应用光学[M].成都:四川大学出版社,1995[2] 贾其,吕绪良,李磊,等.迷彩斑点单元形状和尺寸研究[J].解放军理工大学学报,2008，23(2):21-24[3] 李汉斌,黄拥元.伪装技术[M].北京:解放军出版社,2001[4] 余军,王沛.一种新的清晰度评价算法[J].电视技术,2013,37(11):75-78。