基于最大相似度区域合并的交互式图像分割

基于最大相似度区域合并的交互式

图像分割

一．实验目的

实现一种可以将初步分割过后的图片进行目标与背景分离的算法，即基于最大相似度区域合并的交互式图像分割算法。

图像分割是图像分析及计算机视觉系统中的重要环节。只有在图像分割的基础上才能对目标进行特征提取、参数测量和识别，使得更高层的图像分析和理解成为可能，图像分割质量的好坏直接影响后续图像处理的效果。因此，可以说图像分割是图像处理中最为重要的环节。本次实验中提出的算法可以很好地实现图像分割的目的。

二．实验背景知识及原理

1、Meanshift算法初始分割图片

区域合并的前提是输入图片为已被其他方法分割为小区域的图片，本文主要使用了均值漂移分割法（meanshift）。经过分割后的图像如下图所示：

2、区域表示和相似性度量

本文采用RGB颜色空间估计的颜色直方图表示图像中的每个区域，当然，其它颜色空间，如HSI和Lab等，也可用于对区域建模。将RGB颜色空间量子化

为16x16x16=4096箱格，然后计算每个区域的归一化直方图。为了度量区域之间的相似性．选择巴氏系数测量区域R 和Q 的相似度：

∑=?=4096

1u u

Q u R Hist Hist Q)R,(ρ

上式中，u R Hist 和u Q Hist 分别表示区域R 和Q 的直方图。上标u 表示直方图

的第u 个箱格。两个区域的内容相似度越大，直方图越相似，巴氏系数就越高。由此，可以通过计算巴氏系数来比较不同区域之间的相似度。 3、目标和背景的标记

用户只用做一小部分的标记：绿色标记目标，蓝色标记背景。用以下符号来表示相关区域：

M B ：标记为背景的区域；M O ：标记为目标的区域；N ：未标记区域。 4、基于最大相似度的区域合并准则

（1）Q 是R 的邻近区域，用1,2,...q i Q i Q }{S S == 表示Q 的邻近区域，显然Q S R ∈。 （2）计算Q 与所有邻近区域之间的相似度q i ,...,2,1),S Q,(Q i =ρ。 （3）当)S Q,(max )Q R,(Q i ,...,2,1ρρq

i == 时，R 与Q 合并。

5、合并过程

整个合并过程共分为两个阶段，这两个阶段循环进行。 主要算法：

while 上次循环中有区域被合并 阶段一; 阶段二; end; 其中：

阶段一：（将N 中的区域和M B 中的区域合并）

（1-1）对每个M B 中的区域B ，它的邻近区域的集合为1,2,...r i i B }{A S ==。

（1-2）对每个不在M B 中的区域A i ，它的邻近区域的集合1,2,...q j A j A }{A S i i ==，

因此有i A S B ∈。

（1-3）如果)S ,A (max )B ,A (i

A j i ,...,2,1i ρρk

j == ，则表示B 和A i 具有最大相似度，

可以合并为同一个区域，否则不合并。

（1-4）相应地更新M B 和N 。

（1-5）如果M B 找不到新的合并区域，则阶段一结束。否则，返回到（1-1）。阶段二：（将N 中的区域与N 中的区域合并）

（2-1）对每个N 中的区域P ，它的邻近区域的集合为1,2,...p i i P }{H S ==。

（2-2）对每个N 中的区域H i ，它的邻近区域的集合为 1,2,...k j H j H }{A S i i ==

因此有i H S P ∈。

（2-3）如果 )S ,H (max )P ,H (i H j i ,...,2,1i ρρk

j ==则表示P 和H i 具有最大相似度，可

以合并为同一个区域，否则不合并。

（2-4）相应地更新N 。

（2-5）如果N 区域中没有还能合并的区域，阶段二结束。否则返回到（2-1）。 循环停止条件：

在整个算法中，设未标记区域（N ）中的区域个数为n ，n 会随着一些未被标记区域与背景（M B ）或与其他区域合并而减少，当n 停止减少的时候，算法停止。剩余的未被标记的区域将会被标记为目标（M O ），由此实现了目标与背景的分割。

三．实验结果及分析：

1、实验结果：

第一回合第一阶段的合并：

第一回合第二阶段的合并:

第二回合第一阶段的合并：

合并完成后的结果：

2、实验分析：

（1）MSRM方法分割图像的结果与GC P和GC R分割方法结果的比较：初始分割GC P GC R MSRM

从上述分割结果我们可以很明显地看出：MSRM方法的分割效果是明显优于其他方法的。

（2）在分别使用不同的颜色空间（如HSI）、不同的距离度量（如Euclidean）、不同的初始分割方法（如super-pixel）时，分割结果分别如下：

HSI颜色空间

Euclidean距离

super-pixel

由上述结果可以得知：颜色空间、距离度量、初始分割方法对分割结果基本无影响。

（3）只要标记覆盖了主要的特征区，合并的结果都是一样的。

左边图中的2次不同的标记，它们都包含了花的黄色部分和白色部分，因此合并的结果都是右边的图片。

（4）标记的越多，MSRM算法效果越好。

（5）图像质量的好坏影响最终的分割结果：

由分割结果可知：有阴影、边缘对比度低、区域模糊时，分割效果不好。（6）当对目标或背景所做的标记不同时，可能会对合并结果产生影响：

由图像分割结果可知：上下两幅图在鸟嘴处的差别是比较明显的。

（7）由于区域合并等所需计算量较大，算法运行需要较长时间。

四、实验总结

该论文提出了一种基于区域合并的交互式图像分割算法MSRM，它用MeanShift算法对图像作初步分割，分割结果的区域作为算法处理的基本单位。然后，用户输入交互式信息，指定目标和背景的大致位置和特征信息，提出的算法将自动从各种背景中分割目标。算法在目标标记和背景标记的指导下，基于最大相似度机制进行区域合并，并提取目标。提出的算法简单有效，避免了在传统的一些方法中阈值设置困难的问题。但是，算法受用户输入的信息影响，并且由于需要大量计算而使得运行速度较慢。

提出的方法提供了一种通用的区域合并框架，它本身并不依赖于Mean Shift 分割，其它算法(如Watershed、SuperPixel)的分割结果同样可适用于这个框架。

关于图像分割算法的研究

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

交互式图像分割方法与设计方案

图片简介: 本技术提供了一种交互式图像分割方法，包括步骤有：将医学图像的三维数据映射为三个正交方向的二维图像；对所述二维图像进行鼠标交互处理，将鼠标单击点处的像素点作为种子点；根据所述种子点的体素值设定初始阈值范围；根据所述种子点和所述初始阈值范围进行阈值增长算法处理，其计算结果存储为图像中间数据；根据所述图像中间数据生成轮廓，将所述轮廓以轮廓点集的形式保存；将所述轮廓点集包围的区域标记为分割区域以形成分割结果。借此，本技术提高了医疗图像的分割速度和分割质量，同时简化了用户操作。 技术要求 1.一种交互式图像分割方法，其特征在于，包括步骤有： 将医学图像的三维数据映射为三个正交方向的二维图像； 对所述二维图像进行鼠标交互处理，将所述鼠标单击点处的像素点作为种子点； 根据所述种子点的体素值设定初始阈值范围； 根据所述种子点和所述初始阈值范围进行阈值增长算法处理，其计算结果存储为图像中间数据； 根据所述图像中间数据生成初始轮廓； 在所述初始轮廓上拖动所述鼠标进行交互； 根据所述鼠标的位置计算新阈值范围，假设所述初始阈值范围为[a,b]，鼠标拖动过程中计算一个缩放因子w，若所述鼠标单击点的坐标为(px,py),所述鼠标移动到点(tx,ty)，则计算出新阈值范围[a',b']如下： 根据所述新阈值范围进行阈值增长算法处理并实时显示计算出的轮廓； 上下拖动鼠标，重复上述过程：重新计算新阈值范围，重新进行阈值增长算法并实时显示计算出的轮廓，当阈值调整达到一个比较满意的轮廓，鼠标弹开，交互结束，其计算结果存储为新图像中间数据； 根据所述新图像中间数据生成新轮廓，将所述新轮廓以新轮廓点集的形式保存；

基于图像区域的交互式文本图像阈值分割算法_龙建武

计算机研究与发展ＩＳＳＮ　１０００－１２３９?ＣＮ　１１－１７７７?ＴＰＪｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｒｅｓｅａｒｃｈ　ａｎｄ　Ｄｅｖｅｌｏｐｍｅｎｔ　４９（７）：１４２０－１４３１，２０１２ 基于图像区域的交互式文本图像阈值分割算法 龙建武　申铉京　陈海鹏 （吉林大学计算机科学与技术学院　长春　１３００１２） （符号计算与知识工程教育部重点实验室（吉林大学）　长春　１３００１２） （ｌｏｎｇｊｗ０８＠ｍａｉｌｓ．ｊｌｕ．ｅｄｕ．ｃｎ） Ｉｎｔｅｒａｃｔｉｖｅ　Ｄｏｃｕｍｅｎｔ　Ｉｍａｇｅｓ　Ｔｈｒｅｓｈｏｌｄｉｎｇ　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　Ｂａｓｅｄ　ｏｎＩｍａｇｅ　Ｒｅｇｉｏｎｓ Ｌｏｎｇ　Ｊｉａｎｗｕ，Ｓｈｅｎ　Ｘｕａｎｊｉｎｇ，ａｎｄ　Ｃｈｅｎ　Ｈａｉｐｅｎｇ （Ｃｏｌｌｅｇｅ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｊｉｌｉｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００１２） （Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｏｆ　Ｓｙｍｂｏｌｉｃ　Ｃｏｍｐｕｔａｔｉｏｎ　ａｎｄ　Ｋｎｏｗｌｅｄｇｅ　Ｅｎｇｉｎｅｅｒｉｎｇ（Ｊｉｌｉｎ　Ｕｎｉｖｅｒｓｉｔｙ），Ｍｉｎｉｓｔｒｙ　ｏｆ　Ｅｄｕｃａｔｉｏｎ，Ｃｈａｎｇｃｈｕｎ１３００１２） Ａｂｓｔｒａｃｔ　Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｏｖｅｒｃｏｍｅ　ｔｈｅ　ｔｗｏ　ｐｒｏｂｌｅｍｓ，ｐａｒａｍｅｔｅｒｓ　ｓｅｌｅｃｔｉｏｎ　ｉｎ　ｔｈｅ　ｌｏｃａｌ　ｔｈｒｅｓｈｏｌｄｉｎｇｓｅｇｍｅｎｔａｔｉｏｎ　ｍｅｔｈｏｄｓ　ｗｈｉｃｈ　ｈａｖｅ　ｍａｎｙ　ｐａｒａｍｅｔｅｒｓ　ｕｓｕａｌｌｙ　ａｎｄ　ｄｉｓｃｏｎｔｉｎｕｏｕｓ　ｐｒｏｂｌｅｍ　ａｍｏｎｇｎｅｉｇｈｂｏｒ　ｒｅｇｉｏｎｓ　ｉｎ　ｔｈｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｒｅｓｕｌｔｓ，ａｎ　ｉｎｔｅｒａｃｔｉｖｅ　ｄｏｃｕｍｅｎｔ　ｉｍａｇｅｓ　ｔｈｒｅｓｈｏｌｄｉｎｇｓｅｇｍｅｎｔａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｉｍａｇｅ　ｒｅｇｉｏｎｓ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ　ｗｉｔｈ　ｔｈｅ　ｐｒｉｏｒｉ　ｋｎｏｗｌｅｄｇｅ　ｏｒｅｘｐｅｒｉｅｎｃｅ　ｆｒｏｍ　ｔｈｅ　ｕｓｅｒｓ．Ｆｉｒｓｔｌｙ，ｔｈｅ　ｐｒｅｓｅｎｔｅｄ　ｍｅｔｈｏｄ　ｄｉｖｉｄｅｓ　ｔｈｅ　ｉｍａｇｅ　ｉｎｔｏ　ｓｅｖｅｒａｌ　ｒｅｇｉｏｎｓｒｏｕｇｈｌｙ．Ｓｅｃｏｎｄｌｙ，ｉｔ　ｓｏｒｔｓ　ａｌｌ　ｔｈｅ　ｉｍａｇｅ　ｂｌｏｃｋｓ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅｉｒ　ｓｔａｎｄａｒｄ　ｄｅｖｉａｔｉｏｎ　ｖａｌｕｅｓ，ｗｈｉｃｈａｒｅ　ｔａｋｅｎ　ａｓ　ａ　ｍｅａｓｕｒｅ　ｔｏ　ｔｅｌｌ　ｈｏｗ　ｍｕｃｈ　ｉｎｆｏｒｍａｔｉｏｎ　ｏｆ　ｔｈｅ　ｂａｃｋｇｒｏｕｎｄ　ａｎｄ　ｏｂｊｅｃｔ　ｅｖｅｒｙ　ｂｌｏｃｋｃｏｎｔａｉｎｓ．Ｔｈｉｒｄｌｙ，ｔｈｅ　ｕｓｅｒｓ　ｉｎｐｕｔ　ｉｎｔｅｒａｃｔｉｖｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｔｏ　ｓｅｐａｒａｔｅ　ａｌｌ　ｒｅｇｉｏｎｓ　ｉｎｔｏ　ｔｈｒｅｅ　ｐａｒｔｓ：ｂｌｏｃｋｓ　ｃｏｎｔａｉｎｉｎｇ　ｂａｃｋｇｒｏｕｎｄ　ｏｒ　ｔａｒｇｅｔ　ｏｎｌｙ，ｂｌｏｃｋｓ　ｃｏｎｔａｉｎｉｎｇ　ａ　ｓｍａｌｌ　ａｍｏｕｎｔ　ｏｆ　ｂａｃｋｇｒｏｕｎｄ　ｏｒｔａｒｇｅｔ，ａｎｄ　ｂｌｏｃｋｓ　ｃｏｎｔａｉｎｉｎｇ　ｄｉｓｔｒｉｂｕｔｉｎｇ　ｅｑｕｉｌｉｂｒｉｕｍ　ｂａｃｋｇｒｏｕｎｄ　ａｎｄ　ｔａｒｇｅｔ．Ｆｉｎａｌｌｙ，ｔｈｅ　ｂｉｎａｒｉｚａｔｉｏｎｏｆ　ｅｖｅｒｙ　ｂｌｏｃｋ　ｉｓ　ｃｏｎｄｕｃｔｅｄ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｄｉｆｆｅｒｅｎｔ　ｃｒｉｔｅｒｉｏｎ．Ｅｘｔｅｎｓｉｖｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔｔｈｅ　ｐｒｏｐｏｓｅｄ　ｓｃｈｅｍｅ　ｙｉｅｌｄｓ　ｍｏｒｅ　ｐｒｏｍｉｓｉｎｇ　ｂｉｎａｒｉｚａｔｉｏｎ　ｏｕｔｃｏｍｅｓ　ａｎｄ　ａｌｓｏ　ｈａｓ　ｂｅｔｔｅｒ　ｐｅｒｆｏｒｍａｎｃｅ　ｆｏｒｄｏｃｕｍｅｎｔ　ｉｍａｇｅｓ　ｕｎｄｅｒ　ｎｏｒｍａｌ　ａｎｄ　ｉｎａｄｅｑｕａｔｅ　ｉｌｌｕｍｉｎａｔｉｏｎ　ｃｏｎｄｉｔｉｏｎｓ，ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ｇｌｏｂａｌｍｅｔｈｏｄｓ，ｓｉｍｐｌｙ　ｔｈｒｅｓｈｏｌｄｉｎｇ　ａｐｐｒｏａｃｈｅｓ　ｂａｓｅｄ　ｏｎ　ｒｅｇｉｏｎｓ，ａｎｄ　Ｃｈｏｕ ｓ　ｍｅｔｈｏｄ．Ｍｏｒｅｏｖｅｒ，ｔｈｅｉｎｔｒｏｄｕｃｅｄ　ａｐｐｒｏａｃｈ　ｉｓ　ａｌｓｏ　ｅｆｆｅｃｔｉｖｅ　ｆｏｒ　ｐａｒｔ　ｏｆ　ｔｈｅ　ｎｏｎ－ｔｅｘｔ　ｉｍａｇｅｓ． Ｋｅｙ　ｗｏｒｄｓ　ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ；ｉｎｔｅｒａｃｔｉｖｅ　ｄｏｃｕｍｅｎｔ　ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ；ｔｈｒｅｓｈｏｌｄ　ｓｅｌｅｃｔｉｏｎ；ｌｏｃａｌｔｈｒｅｓｈｏｌｄ；Ｏｔｓｕ　ｍｅｔｈｏｄ 摘　要　针对现有局部阈值分割算法因参数过多带来的参数选择问题以及在分割结果中块与块之间不连续性问题，利用用户提供的先验知识或经验，提出了一种基于灰度图像区域的交互式文本图像阈值分割算法．该方法首先粗略地将图像进行分块；利用标准差作为衡量图像块含有信息量（背景信息与目标信息）多少这一度量，接着按标准差大小对所有图像块进行排序；然后由用户输入交互式信息将所有图像块分为３个集合：仅含背景或仅含目标的图像块、含有少量背景或者是含有少量目标的图像块以及背景和目标分布比较均衡的图像块；最后对各个集合中的图像块分别按相应准则进行分割．实验结果表明，对于均匀和非均匀光照条件下的文本图像，与全局分割算法、直接分块分割算法和Ｃｈｏｕ方法相比，该 　收稿日期：２０１０－０９－１４；修回日期：２０１１－１１－０２ 　基金项目：国家自然科学基金项目（６０７７３０９８）；吉林省科技发展计划基金项目（２００８０３１７）；吉林大学研究生创新基金项目（２０１２１１０４） 　通信作者：陈海鹏（ｃｈｅｎｈｐ＠ｊｌｕ．ｅｄｕ．ｃｎ）

图像分割方法综述

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

基于平面超像素的图像分割算法

龙源期刊网 https://www.wendangku.net/doc/5718307264.html, 基于平面超像素的图像分割算法 作者：韩冬越 来源：《软件导刊》2016年第03期 摘要：针对以像素为节点建立图模型进行图像分割颇为耗时的弊端，提出了一种基于平 面超像素图割的图像分割方法，并应用于图像分割。首先用改进的分水岭算法将图像分割成区域一致性小区域（超像素），用分割得到的超像素作为图的节点构建图模型；以每个超像素的灰度值代表所在分块的全部像素点参数；最后用图割算法达到最优分割。该算法以极少数超像素代替海量像素，在得到较好分割结果的同时，极大地缩短了运行时间。 关键词：分水岭算法；超像素分割算法；图像分割；图像处理 中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2016）003-0057-02 作者简介：韩冬越（1989-），女，辽宁辽阳人，广西师范学院计算机与信息工程学院硕士研究生，研究方向为计算机图像处理。 0 引言 目前，图像分割领域中涌现了多种方法，这些方法均可应用于医学图像并得到了国内外学者的广泛关注。Boykov等[1]提出基于图割的图像分割，利用图论中的组合优化技术，将图像中的目标对象按照一定的相似性准则，分成语义不同的目标区域，进而提取感兴趣目标对象的形状轮廓。用图割进行图像分割，其主要任务是对目标对象所在图像区域的像素分布特征进行标注，这显然减少了像素标注的数目，可提高图像处理速度。 Li等[2]通过使用分水岭变换对图像进行预分割，将原始图像预分割为多个小的可分辨区域，用这些小的区域构造图割中所需的标注结点，再使用图割算法获取目标对象的边缘形状轮廓。Ren等[3]提出超像素理论将这些预先分割的小区域等同于单个像素点，将图像平面分割成多个均匀小块，再通过分类技术对这些小块内的像素进行聚类和相似性分析，在保证超像素边界充分接近又不互相重叠的状态下，完成对图像的预分割。 本文以超像素作为处理单元，对图像进行分水岭预处理，再与图割算法相结合，完成图像分割。 1 相关工作 1.1 超像素分割

基于图切算法的交互式图像分割技术

基于图切算法的交互式图像分割技术 梁潇20521123 李白20521120 摘要 图切算法是组合图论的经典算法之一。近年来，许多学者将其应用到图像和视频分割中，取得了很好的效果。本文简单介绍了图切算法和交互式图像分割技术，以及图切算法在交互式图像分割中的应用。在文章最后，我们实现了两种基于图切算法的图像分割（GraphCut 和GrabCut），并给出了较为典型的实验结果。 一、引言 图像分割指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，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。只有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。因此对图像分割方法的研究具有十分重要的意义。 图像分割技术的研究已有几十年的历史，但至今人们并不能找到通用的方法能够适合于所有类型的图像。常用的图像分割技术可划分为四类：特征阈值或聚类、边缘检测、区域生长或区域提取。虽然这些方法分割灰度图像效果较好，但用于彩色图像的分割往往达不到理想的效果。 交互式图像分割是指，首先由用户以某种交互手段指定图像的部分前景与部分背景，然后算法以用户的输入作为分割的约束条件自动地计算出满足约束条件下的最佳分割。典型的交互手段包括用一把画刷在前景和背景处各画几笔（如[1][4]等）以及在前景的周围画一个方框（如[2]）等。 基于图切算法的图像分割技术是近年来国际上图像分割领域的一个新的研究热点。该类方法将图像映射为赋权无向图，把像素视作节点，利用最小切割得到图像的最佳分割。 二、相关工作 基于图切算法的图像分割文献为数不少，下面我们将对一些常见的算法进行简要介绍： Graph Cut[1]算法是一种直接基于图切算法的图像分割技术。它仅需要在前景和背景处各画几笔作为输入，算法将建立各个像素点与前景背景相似度的赋权图，并通过求解最小切割区分前景和背景。 Grabcut[2]算法方法的用户交互量很少，仅仅需要指定一个包含前景的矩形，随后用基于图切算法在图像中提取前景。 Lazy Snapping[4]系统则是对[1]的改进。通过预计算和聚类技术，该方法提供了一个即时反馈的平台，方便用户进行交互分割。 三、图像分割原理 3.1相关定义 图, G V E =是由点集V和边集E构成的有机整体。其中，点集V由一系列顶点组成，边集E 由一系列连结顶点的边组成。如果存在边(,) p q，则称顶点p、q是相邻的。如果图G中的每一条边(,) p q都存在与之相对应的边(,) q p，则称图G 为无向图，否则称之为有向图。如果对于图G中的任意两个顶点p、q，总存在一系列的边1 (,) p p、 12 (,) p p……、 1 (,) n n p p - 、(,) n p q使之连接，则称图G为联通图，否则称图G分离。若集合C是联通图G的边集E的一个子集，满足(), G C V E C =-是分离的，则称C是图G的一个切割。根据应用的需要，可以为图G中的每一 条边e赋予一个权值 e w，称赋予权值的图为赋权图。

图像分割算法的比较与分析

中北大学 课程设计说明书 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学院：信息与通信工程学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法的比较与分析 指导教师：陈平职称: 副教授 2014 年12 月29 日

中北大学 课程设计任务书 14/15 学年第一学期 学院：信息与通信工程学院专业：电子信息工程 学生姓名：学号： 课程设计题目：信息处理综合实践: 图像分割算法的比较与分析起迄日期：2015年1月5日～2015年1月16日课程设计地点：电子信息工程专业实验室 指导教师：陈平 系主任：王浩全 下达任务书日期: 2014 年12月29 日课程设计任务书

课程设计任务书

目录 第一章绪论 (1) 研究目的和意义 (1) 图像分割的研究进展 (1) 第二章区域生长法分割图像 (4) 区域生长法介绍 (4) 区域生长法的原理 (4) 区域生长法的实现过程 (5) 第三章程序及结果 (6) 区域生长算法及程序 (6) 图像分割结果 (7) 第四章方法比较 (8) 阈值法 (8) 区域法 (8) 分水岭法 (8) 形态学方法 (9) 第五章总结 (10) 参考文献 (11)

第一章绪论 研究目的和意义 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割;但某些分割方法只是适合于某些特殊类型的图像分割，所以分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 图像分割是由图像处理到图像分析的关键步骤，在图像工程中占有重要位置。一方面，它是目标表达的基础，对特征测量有重要的影响。另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象、更紧凑的表达形式，使得更高层的图像分析和理解成为可能。因此在实际应用中，图像分割不仅仅要把一幅图像分成满足上面五个条件的各具特性的区域，而且要把其中感兴趣的目标区域提取出来。只有这样才算真正完成了图像分割的任务，为下一步的图像分析做好准备，使更高层的图像分析和理解成为可能。 图像分割在很多方面，如医学图像分析，交通监控等，都有着非常广泛的应用，具有重要的意义。(1)分割的结果常用于图像分析，如不同形式图像的配准与融合，结构的测量，图像重建以及运动跟踪等。(2)在系统仿真，效果评估，图像的3D重建以及三维定位等可视化系统中，图像分割都是预处理的重要步骤。 (3)图像分割可在不丢失有用信息的前提下进行数据压缩，这就降低了传输的带宽，对提高图像在因特网上的传输速度至关重要。(4)分割后的图像与噪声的关系减弱，具有降噪功能，便于图像的理解。 图像分割的研究进展 图像分割是图像处理中的一项关键技术，至今已提出上千种分割算法。但因

图像分割区域生长法

江苏科技大学 数字图像处理 图像分割——区域生长法专题 1 图像分割简介 图像分割( image segmentation) 就是把图像分成各具特征的区域并提取出感兴趣目标的技术和过程。这里特征可以是象素的灰度、颜色、纹理等, 预先定义的目标可以对应单个区域也可以对应多个区域。图像分割是图像处理到图像分析的关键步骤, 在图像工程中占据重要的位置。一方面, 它是目标表达的基础, 对特征测量有重要的影响。另一方面, 因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式, 使得更高层的图像分析和理解成为可能。 图像分割是一种重要的图像处理技术, 它不仅得到人们的广泛重视和研究, 在实际中也得到大量的应用。图像分割包括目标轮廓、阈值化、图像区分或求差、目标检测、目标识别、目标跟踪等技术。 从大的方面来说，图像分割方法可大致分为基于区域的方法、基于边缘的方法、区域与边缘相结合的方法，以及在此基础上的采用多分辨率图像处理理论的多尺度分割方法。 其中基于区域的方法采用某种准则，直接将图像划分为多个区域。而基于边缘的方法则通过检测包含不同区域的边缘，获得关于各区域的边界轮廓描述，达到图像分割的目的，而区域与边缘相结合的方法通过区域分割与边缘检测的相互作用，得到分割结果。 图像分割中基于区域的方法主要有直方图门限法、区域生长法、基于图像的随机场模型法、松弛标记区域分割法等。本文主要讨论基于区域分割的区域生长法。区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多

基于最大相似度区域合并的交互式图像分割

基于最大相似度区域合并的交互式 图像分割 一．实验目的 实现一种可以将初步分割过后的图片进行目标与背景分离的算法，即基于最大相似度区域合并的交互式图像分割算法。 图像分割是图像分析及计算机视觉系统中的重要环节。只有在图像分割的基础上才能对目标进行特征提取、参数测量和识别，使得更高层的图像分析和理解成为可能，图像分割质量的好坏直接影响后续图像处理的效果。因此，可以说图像分割是图像处理中最为重要的环节。本次实验中提出的算法可以很好地实现图像分割的目的。 二．实验背景知识及原理 1、Meanshift算法初始分割图片 区域合并的前提是输入图片为已被其他方法分割为小区域的图片，本文主要使用了均值漂移分割法（meanshift）。经过分割后的图像如下图所示： 2、区域表示和相似性度量 本文采用RGB颜色空间估计的颜色直方图表示图像中的每个区域，当然，其它颜色空间，如HSI和Lab等，也可用于对区域建模。将RGB颜色空间量子化

为16x16x16=4096箱格，然后计算每个区域的归一化直方图。为了度量区域之间的相似性．选择巴氏系数测量区域R 和Q 的相似度： ∑=?=4096 1u u Q u R Hist Hist Q)R,(ρ 上式中，u R Hist 和u Q Hist 分别表示区域R 和Q 的直方图。上标u 表示直方图 的第u 个箱格。两个区域的内容相似度越大，直方图越相似，巴氏系数就越高。由此，可以通过计算巴氏系数来比较不同区域之间的相似度。 3、目标和背景的标记 用户只用做一小部分的标记：绿色标记目标，蓝色标记背景。用以下符号来表示相关区域： M B ：标记为背景的区域；M O ：标记为目标的区域；N ：未标记区域。 4、基于最大相似度的区域合并准则 （1）Q 是R 的邻近区域，用1,2,...q i Q i Q }{S S == 表示Q 的邻近区域，显然Q S R ∈。 （2）计算Q 与所有邻近区域之间的相似度q i ,...,2,1),S Q,(Q i =ρ。 （3）当)S Q,(max )Q R,(Q i ,...,2,1ρρq i == 时，R 与Q 合并。 5、合并过程 整个合并过程共分为两个阶段，这两个阶段循环进行。 主要算法： while 上次循环中有区域被合并 阶段一; 阶段二; end; 其中： 阶段一：（将N 中的区域和M B 中的区域合并） （1-1）对每个M B 中的区域B ，它的邻近区域的集合为1,2,...r i i B }{A S ==。 （1-2）对每个不在M B 中的区域A i ，它的邻近区域的集合1,2,...q j A j A }{A S i i ==， 因此有i A S B ∈。

图像分割常用算法优缺点探析

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

一种改进超像素融合的图像分割方法

一种改进超像素融合的图像分割方法* 余洪山1,2?，张文豪1，杨振耕1,2，李松松1，万琴1，林安平1 【摘要】基于超像素的传统图像分割方法在边缘分割的一致性、计算效率和融合算法的自适应性等方面仍存在诸多问题. 文章结合国内外相关研究进展，提出了一种新型超像素融合的图像分割方法. 方法采用ERS超像素过分割算法，以强度、梯度直方图作为超像素特征，并采取EMD方法计算特征距离，通过混合Weibull模型获取融合自适应阈值，进而完成分割. 算法时间复杂度降至为O(N)，分割过程中不需要手动选取待分割区域，有效提高了算法的自适应性. 实验结果表明本方法在分割边界准确度和处理效率方面优于现有方法. 【期刊名称】湖南大学学报（自然科学版） 【年(卷),期】2018(045)010 【总页数】9 【关键词】超像素；区域融合；陆地移动距离；混合Weibull模型；图像分割基金项目：国家自然科学基金资助项目(67573135),National Natural Science Foundation of China (67573135)；深圳市科技计划项目(JCYJ20170306141557198),Science and Technology Plan Project of Shenzhen City(JCYJ20170306141557198); 湖南省科技计划重点研发项目(2018GK2021),Key Research and Development Project of Science and Technology Plan of Hunan Province(2018GK2021)；广东省科技计划重点专项项目(2013B011301014),Key Project of Science and Technology Plan of Guangdong Province(2013B011301014)；国家科技支撑计划项目(2015BAF11B01),National Science and T echnology Supported Project

图像分割技术的发展

第25卷第5期2002年10月 鞍山钢铁学院学报 Journal of Anshan Institute of I.&S.T echnology V ol.25N o.5 Oct.,2002图像分割技术的发展 欧阳鑫玉,赵楠楠,宋　蕾,谢元旦 (鞍山科技大学电子与信息工程学院,辽宁鞍山　114044) 摘　要:图像分割是图像处理中的一项关键技术,也是一经典难题,从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通过标准.本文对图像分割方法中的域值分割方法、边缘检测方法和区域提取方法等作了一概述,并介绍了一些近年来出现的各种新方法和对分割评价标准的研究情况.最后,指出了图像分割技术今后的发展方向. 关键词:图像分割;发展;关键技术 中图分类号:T N911173　文献标识码:A　文章编号:1000Ο1654(2002)05Ο0363Ο06 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,至今已提出上千种分割算法.然而,由于尚无通用的分割理论,现提出的分割算法大都是针对具体问题的,并没有一种适合所有图像的通用分割算法.另外,还没有制定出选择合用分割算法的标准,这给图像分割技术的应用带来许多实际问题[1].文献[1]和[2]介绍了图像分割技术的许多研究结果和方法,最近几年又出现了许多新思路、新方法或改进算法.本文将对一些经典的原有方法和新出现的方法作一简单的概述. 多年来人们对图像提出了不同的解释和表达,借助集合概念对图像分割可给出如下定义[1]: 令集合R代表整个图像区域,对R的分割可看做将R分成N个满足下列五个条件的非空子集(子区域)R1,R2,…,R N:(1)∪N i=1 R i=R;(2)对所有的i和j,i≠j,有R i∩R j=<;(3)对i=1,2,…,N,有P(R i)=T rue;(4)对i≠j,有P(R i∪R j)=False;(5)对i=1,2,…,N,有R i是连通的区域.其中P(R i)是对所有在集合R i中元素的逻辑谓词,<代表空集. 对图像分割的研究可以分为对分割方法的研究和对分割评价标准的研究. 1　图像分割方法 图像分割方法有多种分类方式,本文将分割方法分为4类:(1)阈值分割方法;(2)边缘检测方法; (3)区域提取方法;(4)结合特定理论工具的分割方法. 111　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围之中的灰度阈值,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象素分为两类.这两类象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本身的特点,可分为单阈值分割方法和多阈值分割方法;也可分为基于象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置的阈值分割方法.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. 收稿日期:2002-05-15. 作者简介:欧阳鑫玉(1974-),男,湖南湘潭人,助教.

几种图像分割算法在CT图像分割上的实现和比较

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 )

简单区域扩张法实施图像的区域分割

6、采用简单区域扩张法对下图实施图像的区域分割。自行选定起始种子像素灰及灰度间隔度。 原理：以图像的某个像素为生长点，比较相邻像素的特征，将特征相似的相邻像素合并为同一区域；以合并的像素为生长点，继续重复以上操作，最终形成具有相似特征的像素的最大连通集合。该法称简单(单一型)区域扩张法。 基于区域灰度差的方法主要有如下步骤： （1）对图像进行逐行扫描，找出尚没有归属的像素； （2）以该像素为中心检查它的邻域像素，如果灰度差小于预先确定的阈值，将它们合并； （3）以新合并的像素为中心，重复步骤(2)，检查新像素的邻域，直到区域不能进一步扩张； （4）返回到步骤(1)，继续扫描直到不能发现没有归属的像素，则结束整个生长过程。 下图给出已知种子点进行区域生长的一个示例。图(a)给出需分割的图像，设已知种子像素(标为灰色方块)，现要进行区域生长。设这里采用的生长判断准则是：如果所考虑的像素与种子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素所在区域。图(b)给出T＝3时的区域生长结果，整幅图被较好地分成2个区域；图(c)给出T＝2时的区域生长结果，有些像素无法判定；图(d)给出T＝6时的区域生长结果，整幅图都被分在一个区域中了。 程序为：（一） I=imread('p5-06.tif'); subplot(2,2,1),imshow(I),title('原始图像'); Ic=imcomplement(I) ; BW=im2bw(Ic,graythresh(Ic)) ; subplot(2,2,2),imshow(BW),title('阈值截取分割后图像'); se=strel('disk',6); BWc=imclose(BW,se); BWco=imopen(BWc,se);

基于聚类的图像分割方法综述

信息疼术2018年第6期文章编号=1009 -2552 (2018)06 -0092 -03 DOI：10.13274/https://www.wendangku.net/doc/5718307264.html,ki.hdzj.2018. 06.019 基于聚类的图像分割方法综述 赵祥宇\陈沫涵2 (1.上海理工大学光电信息与计算机学院，上海200093; 2.上海西南位育中学，上海200093) 摘要：图像分割是图像识别和机器视觉领域中关键的预处理操作。分割理论算法众多，文中 具体介绍基于聚类的分割算法的思想和原理，并将包含的典型算法的优缺点进行介绍和分析。经过比较后，归纳了在具体应用中如何对图像分割算法的抉择问题。近年来传统分割算法不断 被科研工作者优化和组合，相信会有更多的分割新算法井喷而出。 关键词：聚类算法；图像分割；分类 中图分类号：TP391.41 文献标识码：A A survey of image segmentation based on clustering ZHAO Xiang-yu1，CHEN Mo-han2 (1.School of Optical Electrical and Computer Engineering，University of Shanghai for Science and Technology，Shanghai200093，China；2.Shanghai Southwest Weiyu Middle School，Shanghai200093，China) Abstract:Image segmentation is a key preprocessing operation in image recognition and machine vision. There are many existing theoretical methods,and this paper introduces the working principle ol image segmentation algorithm based on clustering.Firstly,the advantages and disadvantages ol several typical algorithms are introduced and analyzed.Alter comparison,the paper summarizes the problem ol the selection ol image segmentation algorithm in practical work.In recent years,the traditional segmentation algorithms were improved and combined by the researchers,it believes that more new algorithms are blown out. Key words:clustering algorithm；image segmentation；classilication 0引百 近年来科学技术的不断发展，计算机视觉和图像 识别发挥着至关重要的作用。在实际应用和科学研 究中图像处理必不可少,进行图像处理必然用到图像 分割方法,根据检测图像中像素不重叠子区域，将感 兴趣目标区域分离出来。传统的图像分割方法:阈值 法[1]、区域法[2]、边缘法[3]等。近年来传统分割算法 不断被研究人员改进和结合，出现了基于超像素的分 割方法[4]，本文主要介绍超像素方法中基于聚类的经 典方法，如Mean Shift算法、K-m eans 算法、Fuzzy C-mean算法、Medoidshilt算法、Turbopixels算法和 SLIC 算法。简要分析各算法的基本思想和分割效果。 1聚类算法 1.1 Mean Shil't算法 1975年,Fukunaga[5]提出一种快速统计迭代算法，即Mean Shilt算法（均值漂移算法）。直到1995 年,Cheng[6]对其进行改进，定义了核函数和权值系 数，在全局优化和聚类等方面的应用，扩大了 Mean shil't算法适用范围。1997至2003年间，Co-maniciu[7-9]提出了基于核密度梯度估计的迭代式 搜索算法,并将该方法应用在图像平滑、分割和视频 跟踪等领域。均值漂移算法的基本思想是通过反复 迭代计算当前点的偏移均值，并挪动被计算点，经过 反复迭代计算和多次挪动，循环判断是否满足条件, 达到后则终止迭代过程[10]。Mean shil't的基本形 式为： 收稿日期：2017-06 -13 基金项目：国家自然科学基金资助项目（81101116) 作者简介：赵祥宇（1992-)，男，硕士研究生，研究方向为数字图像处理。 —92 —

图像分割技术的原理及方法

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