基于灰度共生矩阵纹理特征的SAR图像分割

ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用２００８，４４（４）

１引言

随着遥感技术的发展，合成孔径雷达（ＳｙｎｔｈｅｔｉｃＡｐｅｒｔｕｒｅＲａｄａｒ，即ＳＡＲ）图像分割在ＳＡＲ图像的应用中显得越来越重要，其分割精度是识别和提取ＳＡＲ图像中不同目标的关键指标。由ＳＡＲ图像的成像特性可知，ＳＡＲ图像的灰度反映了地物对雷达波的后向散射特性，不同地物若具有相同或相近的后向散射系数，则在ＳＡＲ图像中将表现为相同或相近的灰度值，从而呈现出较为复杂的灰度分布。这使得仅用基于图像灰度特征的分割方法，不能得到满意的分割精度。为了提高分割精度，利用目标内部的纹理信息以弥补仅用灰度特征的不足，通常采用纹理分析的方法研究像素间的空间分布关系。宏观上纹理描述的方法分为四种：统计分析的方法，结构分析的方法，基于模型的方法和信号处理的方法。ＳＡＲ图像纹理属于随机纹理，可分为细微纹理、中等纹理和宏观纹理［１］。鉴于ＳＡＲ图像纹理信息通常具有统计学上的意义，ＳＡＲ图像纹理分析主要采用的是统计分析和基于模型的方法。已有的实验表明，对于ＳＡＲ图像，描述各类别整体分布规律的纹理特征是用以分割的优选特征［２］。常用的分析方法有灰度共生矩阵（ＧｒａｙＬｅｖｅｌＣｏ－ｏｃｃｕｒｒｅｎｃｅＭａｔｒｉｃｅｓ，ＧＬＣＭ）纹理测度［３，４］、基于小波的纹理分析［５］、基于Ｍａｒｋｏｖ随机场模型的纹理描述［６］和多分辨Ｇａｕｓｓ－ＡＲ（ＧＡＲ）模型［７］等。这些方法尽管在分割精度上都有不同程度的效果，但它们或仅考虑像素间空间分布特征［３－５］，或仅采用局部灰度均值和方差作为纹理特征［６，７］，导致像素的空间相关性体现不够充分，在分割精度上仍存有不足。

本文在考虑ＳＡＲ图像局部灰度均值和方差的同时，也顾及像素间空间分布特征统计量，将基于灰度所产生的纹理特征与基于模型的方法结合起来，在以ＧＬＣＭ产生的纹理统计量为特征所生成的图像上，借鉴文献［７］中的方法，建立多分辨双Ｍａｒｋｏｖ框架下的高斯自回归（ＧＡＲ）模型，采用多分辨最大后边缘估计的无监督分割方法（Ｕｎｓｕｐｅｒｖｉｓｅｄｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎｍａｘｉｍｉｚａｔｉｏｎｏｆｔｈｅｐｏｓｔｅｒｉｏｒｍａｒｇ－ｉｎａｌｓ，ＵＳＭＭＰＭ）对ＳＡＲ图像进行纹理分割。实验结果表明本

基于灰度共生矩阵纹理特征的ＳＡＲ图像分割

刘保利，田铮

ＬＩＵＢａｏ－ｌｉ，ＴＩＡＮＺｈｅｎｇ

西北工业大学计算机科学技术学院，西安７１００７２

ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００７２，Ｃｈｉｎａ

Ｅ－ｍａｉｌ：ｂａｏｌｉ－ｌｉｕ＠１６３．ｃｏｍ

ＬＩＵＢａｏ－ｌｉ，ＴＩＡＮＺｈｅｎｇ．Ｃｏ－ｏｃｃｕｒｒｅｎｃｅｍａｔｒｉｃｅｓｔｅｘｔｕｒｅｆｅａｔｕｒｅ－ｂａｓｅｄｓｅｇｍｅｎｔａｔｉｏｎｏｆＳＡＲＩｍａｇｅ．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒ－ｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００８，４４（４）：４－６．

Ａｂｓｔｒａｃｔ：Ａｎｅｗｍｅｔｈｏｄｆｏｒｓｅｇｍｅｎｔａｔｉｏｎｏｆｓｙｎｔｈｅｔｉｃａｐｅｒｔｕｒｅｒａｄａｒ（ＳＡＲ）ｉｍａｇｅｓｉｓｐｒｅｓｅｎｔｅｄｔｏｃｏｎｓｉｄｅｒｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｅｄｃｈａｒａｃｔｅｒｓｂｅｔｗｅｅｎｐｉｘｅｌｓｏｆＳＡＲｉｍａｇｅｓａｓｗｅｌｌａｓｔｈｅｌｏｃａｌｍｅａｎｓａｎｄｖａｒｉａｎｃｅｓｓｔａｔｉｓｔｉｃｓｏｆｇｒａｙｌｅｖｅｌ，ａＧａｕｓｓｉａｎａｕｔｏｒｅｇｒｅｓｓｉｖｅ（ＧＡＲ）ｍｏｄｅｌｕｎｄｅｒａｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎｐａｉｒｗｉｓｅＭａｒｋｏｖｆｒａｍｅｗｏｒｋ．Ｂａｓｅｄｏｎｔｅｘｔｕｒｅｆｅａｔｕｒｅｉｍａｇｅｓｆｒｏｍｇｒａｙｌｅｖｅｌｃｏ－ｏｃｃｕｒｒｅｎｃｅｐｒｏｂａｂｉｌｉｔｙｓｔａｔｉｓｔｉｃｓ，ｗｅｅｘａｍｉｎｅｔｈｅｔｅｘｔｕｒｅｓｅｇｍｅｎｔａｔｉｏｎｏｆＳＡＲｉｍａｇｅｓｕｉｎｇｔｈｅｍｕｌｔｉ－ｒｅｓｏｌｕｔｉｏｎｍａｘｉｍｉｚａｔｉｏｎｏｆｔｈｅｐｏｓｔｅｒｉｏｒｍａｒｇｉｎａｌ（ＭＰＭ）ｅｓｔｉｍａｔｅｗｉｔｈｃｏｒｒｅｓｐｏｎｄｉｎｇｕｎｓｕｐｅｒｖｉｓｅｄｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｏｎｔｈｏｓｅｔｅｘｔｕｒｅｆｅａｔｕｒｅｉｍａｇｅｓ．ＦｏｒｓｏｍｅＳＡＲｉｍａｇｅｓ，ｃｏｍｐａｒｅｄｗｉｔｈｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎｐａｒｉｗｉｓｅＭａｒｋｏｖ－ＧＡＲｍｏｄｅｌｔｅｘｔｕｒｅｓｅｇｍｅｎｔａｔｉｏｎｂａｓｅｄｏｎｇｒａｙｌｅｖｅｌｉｍａｇｅｓ，ｔｈｅｒｅｓｕｌｔｓｏｆｅｘｐｅｒｉｍｅｎｔａｔｉｏｎｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｎｔｈｉｓｐａｐｅｒｈａｓａｂｅｔｔｅｒｐｅｒｆｏｒｍａｎｃｅｏｎｓｅｇｍｅｎｔａｔｉｏｎｐｒｅｃｉｓｉｏｎ．Ｋｅｙｗｏｒｄｓ：ＧｒａｙＬｅｖｅｌＣｏ－ｏｃｃｕｒｒｅｎｃｅＭａｔｒｉｃｅｓ；ＳＡＲｉｍａｇｅ；ｐａｉｒｗｉｓｅＭａｒｋｏｖ－ＧＡＲｍｏｄｅｌ；ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎＭＰＭ；ｔｅｘｔｕｒｅｓｅｇｍｅｎｔａｔｉｏｎ

摘要：同时考虑ＳＡＲ图像局部灰度均值和方差及像素空间分布特征等统计量，在以灰度共生矩阵产生的纹理统计量为特征所生成的图像上，建立多分辨双Ｍａｒｋｏｖ－ＧＡＲ模型，采用多分辨ＭＰＭ的参数估计方法及相应的无监督分割算法，对ＳＡＲ图像进行纹理分割。该方法用于一些高分辨ＳＡＲ图像，其分割精度及分割边缘的平滑度均优于基于灰度图像上的多分辨双Ｍａｒｋｏｖ－ＧＡＲ模型纹理分割。

关键词：灰度共生矩阵；ＳＡＲ图像；双Ｍａｒｋｏｖ－ＧＡＲ模型；多分辨ＭＰＭ；纹理分割

文章编号：１００２－８３３１（２００８）０４－０００４－０３文献标识码：Ａ中图分类号：ＴＰ３９１

基金项目：国家自然科学基金（ｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａｕｎｄｅｒＧｒａｎｔＮｏ．６０３７５００３）。

作者简介：刘保利（１９５８－），男，博士生，主要研究领域为图像处理及模式识别；田铮（１９４８－），女，教授，博士生导师，主要从事非线性时间序列分析、小波分析与人工神经网络等智能化信息处理的理论和方法的研究，从事多尺度非线性随机模型与图像处理的理论、方法与应用的研究。

收稿日期：２００７－０５－２１修回日期：２００７－１１－１２

４

２００８，４４（４）文所述方法对于一些ＳＡＲ图像在分割精度上优于基于灰度图像之上的多分辨双Ｍａｒｋｏｖ－ＧＡＲ模型纹理分割方法。

２灰度共生矩阵纹理特征图像

Ｈａｒａｌｉｃｋ［８］

提出用灰度共生矩阵所产生的一些统计量作为

纹理特征来表示图像像素间的空间关系，是一种有效的测度图像纹理的数学方法。Ｈａｒａｌｉｃｋ曾计算出１４种统计量，本文所采用的特征统计量有以下几种：

角二阶矩

ｉ

!ｊ!Ｐ

ｉｊ

２（１）

ｋ阶逆差矩

ｉ

!ｊ

!Ｐ

ｉｊ

ｋｉ－ｊ

ｋ

（２）

相关

ｉ

!ｊ

!

（ｉ－!ｘ）（ｊ－!ｙ）"ｘ"ｙ

（３）熵

ｉ

!ｊ!Ｐ

ｉ，ｊ

ｌｏｇＰｉ，ｊ

（４）

其中：!ｘ＝ｉ

!ｉｊ

!Ｐ

ｉｊ

，!ｙ＝

ｊ

!ｊｉ

!Ｐ

ｉｊ

，"ｘ＝

ｉ

!

（ｉ－!ｘ）

２

ｊ

!Ｐ

ｉｊ

，"ｙ＝

ｊ

!

（ｊ－!ｙ）

２

ｉ

!Ｐ

ｉｊ

，Ｐｉｊ是灰度共生矩阵中位置（ｉ，ｊ）处元素的值。

角二阶矩所描述的是纹理统一性，当图像的同质区域所占面积较大、较多时，可明显增加像素对的某若干组合重复出现的次数。ｋ阶逆差矩是图像同质区的测度，同质区域多则逆差矩值下降。纹理相关所描述的是图像中像素灰度值之间的相关性，当线性关系存在于像素对之间时，纹理相关值将会增大。熵主要描述图像的无序性。以上几个特征量描述了图像灰度空间变化的信息，它们之间也存在着联系。为了使图像的细微纹理清晰，本文采用窗口扫描原图像，沿４５°方向、以两相邻像素距离为１生成共生矩阵，计算出每个像素相应的统计特征值，生成与原图像像素矩阵大小相同的特征值矩阵，并找出特征值矩阵中的最大值与最小值，以特征值矩阵中各个元素与最小值之差同最大值与最小值之差的比值构成灰度值矩阵，进而转化生成特征图像。对这些特征图像像素进行直方图统计分析，发现这些特征量呈指数型分布，可在相应纹理特征图像上考虑选用

Ｇａｕｓｓ分布来描述图像的纹理特征性质。

３多分辨双Ｍａｒｋｏｖ－ＧＡＲ模型

图像的像素集记为Ｓ，Ｙ＝｛Ｙｓ，ｓ∈Ｓ｝表示观测图像像素，Ｘ＝

｛Ｘｓ，ｓ∈Ｓ｝表示图像像素类别标号，则ｙ＝｛ｙｓ，ｓ∈Ｓ｝和ｘ＝｛ｘｓ，ｓ∈Ｓ｝分别表示Ｙ和Ｘ的样本实现。假设图像中有Ｋ种不同的物

体类别或纹理类别，则ｘｓ∈｛１，２，…，Ｋ｝。若将Ｙ和Ｘ定义在相同的多分辨金字塔状结构上［７］

，可将Ｙ和Ｘ分别视为由网格结

点所指标的一个Ｍａｒｋｏｖ随机场［９］

，０表示最细的空间分辨层，

Ｍ－１表示最粗的空间分辨层（Ｍ为分辨层数，本文中Ｍ＝３）。Ｓ

（ｎ）

为第ｎ层网格上的点集，其中每一个点都对应于原始图像空间

分辨的４（ｎ）个像素点，Ｙ（ｎ）和Ｘ（ｎ）

分别表示ｎ层上观测图像和像素点的分类。

３．１观测图像的多分辨ＧＡＲ模型

假设图像中每一个像素ｙｓ条件独立于其它像素，在该像

素分类标号ｘｓ条件下的概率密度函数满足Ｇａｕｓｓ分布：

ｆＹ｜Ｘ

（ｙ｜ｘ，#）＝Ｎ

ｓ＝１

#１

２!（"

ｘｓ

（ｎｓ）

）

２

$?ｅｘｐ

－ｙ%ｓ

２

２

（"ｘｓ

（ｎｓ））２

&’

（５）

ｙ%ｓ＝ｙｓ

－!ｘｓ

（

ｎｓ

）

＋ｒ＞０

!ａｘｓｒ

（

ｎｓ

）

ｙｓ－ｒ－!ｘｓ

（ｎｓ

）()（６）

其中ｎｓ是ｎ层上的像素点，!ｘｓ

（ｎｓ）

是ｎ层上像素点类别的均值，

ａｘｓｒ

（ｎｓ）

是ｎ层上类别ｘｓ的预报系数，ｙ%ｓ

生成一列独立的Ｇａｕｓｓ随机变量，（"ｘｓ

（ｎｓ））２

是ｙ%ｓ

的方差。ｒ表示第ｎ层上的某类有ｒ个非零的预报系数。参数向量#包括!ｋ（ｎ）、ａｋ，ｒ（ｎ）和

（"ｋ（ｎ））２

，ｋ＝１，２，…，Ｋ，ｎ＝０，１，…，Ｍ－１，ｒ＝１，２，…，Ｒ。

３．２分类多分辨马尔科夫随机场模型

（Ｍｕｌｔｉｒｅｓｏｌｕ－ｔｉｏｎＭａｒｋｏｖＲａｎｄｏｍＦｉｅｌｄＭｏｄｅｌ，简称ＭＭＲＦ）

多分辨网格Ｓ记为Ｓ＝｛ｓ１，ｓ２，…，ｓＮ｝，其中Ｎ为ｎ层上的像素点总数，当任意的ｓ都满足ｓ∈Ｓ，ｓ*

ｓ

和ｓ∈

ｒ

+ｒ∈

ｓ

，

,ｒ∈Ｓ时，则＝｛ｓ-Ｓ，ｓ∈Ｓ｝是Ｓ的邻域系统，

ｓ

的元素就是

像素点ｓ的相邻点。假若对于任意的ｓ∈Ｓ，Ｘｓ都是一个随机变

量，则Ｘ就是一个以为邻域的ＭＭＲＦ，即

Ｐ

（Ｘｓ＝ｘｓ｜Ｘｒ＝ｘｒ，ｒ≠ｓ）＝Ｐ（Ｘｓ＝ｘｓ｜Ｘｒ＝ｘｒ，,ｒ*ｓ），,ｓ∈Ｓ（７）如果对于任意的结点ｓ，ｒ∈Ｃ都有ｓ∈

ｒ

，则称结点集Ｃ-

Ｓ是一个团，把包含于邻域系统内所有团的集合记为ｌ。假定对

于,ｉ，Ｐ（Ｘｉ＝ｘｉ）＞０，有,ｘ，Ｐ（Ｘ＝ｘ）＞０，则Ｇｉｂｂｓ分布为：

ＰＸ

（ｘ）＝１ｚｅｘｐ－１Ｔ

ｃ∈ｌ

!Ｖｃ

（

ｘ&

/

）

（８）

其中Ｖｃ（ｘ）是依赖于ｘ在团结点上值的函数，ｚ是标准化常数，

Ｔ是温度常数。可以通过函数Ｖｃ（ｘ）进行定义ＭＭＲＦ。对于

ＭＭＲＦ，考虑同一尺度上空间水平或垂直的成对结点（一类团）、相邻尺度上呈父子关系的成对结点（二类团）［７］，则：

ＰＸ（ｘ）＝１ｚｅｘｐ－｛ｒ，ｓ｝∈ｌ

１

0$１（ｎｒ）

ｔ（ｘｒ，ｘｓ&/

）?ｅｘｐ－

｛ｒ，ｓ｝∈ｌ２

0$

２

（ｎｒ）

ｔ（ｘｒ，ｘｓ）－

｛ｒ｝∈ｌ

0%

ｘｒ

&/

（９）

其中$１（ｎ）

和$２（ｎ）

是第ｎ层上的空间相关参数，ｌ１和ｌ２分别为一类团和二类团的集合，ｒ是二类团成对结点的父结点，如果ｘｒ＝ｘｓ，ｔ（ｘｒ，ｘｓ）函数值为０，若ｘｒ≠ｘｓ，其值为１。%ｋ为类型ｋ的价值参数，在缺少各类型先验信息的情形下，对每一个ｋ值都假定%ｋ为０。利用贝叶斯法则及式（５）和式（９）分割观测图像，给定ｙ的条件下，Ｘ的后验分布为：

ＰＸ｜Ｙ（ｘ｜ｙ，#）＝ｆＹ｜Ｘ（ｙ｜ｘ，#）ＰＸ

（ｘ）ｆＹ（ｙ｜#）＝１

ｚｆＹ

（ｙ｜#）Ｎｓ＝１

#１

２!

（"ｘｓ

（ｎｓ）

）２

$

(1

?

ｅｘｐ－Ｎ

ｓ＝１

!

ｙ%２

ｓ

２

（"ｘｓ

（ｎｓ））２

－

｛%，ｓ｝∈ｌ１

!$

１

（ｎｒ）

ｔ（ｘ%，ｘｓ2

’

）?

ｅｘｐ－

｛%，ｓ｝∈ｌ２

!$

２

（ｎｒ）

ｔ（ｘ%，ｘｓ）－

｛%｝∈ｌ

!%

ｘ%

2’

（１０）

４多分辨最大后边缘估计无监督分割（ＵＳＭＭＰＭ）

利用最优准则使多分辨网格中误分类结点数的期望值达

到最小实现分割。用于估计Ｘ的最优就是在多分辨观测图像Ｙ

刘保利，田铮：基于灰度共生矩阵纹理特征的ＳＡＲ图像分割

５

的条件下使式（１１）所述函数的条件期望值对多分辨标号Ｘ的所有可能的取值达到最小。

Ｒ（Ｘ，ｘ）＝Ｎ

ｓ＝１!ｔ（Ｘｓ，ｘｓ）

（１１）

其中如果Ｘｓ＝ｘｓ，ｔ（Ｘｓ，ｘｓ）的函数值为０，若Ｘｓ≠ｘｓ，其值为１，Ｒ（Ｘ，ｘ）是Ｓ中误分类的结点数。若使式（１１）的条件期望值达到最小的ｘ的值为ｘ＊，则：

ＥＲ（Ｘ，ｘ＊）｜Ｙ＝#$ｙ≤Ｅ［Ｒ

（Ｘ，ｘ）｜Ｙ＝ｙ］&ｘ（１２）

而由式（１１）有：

Ｅ［Ｒ

（Ｘ，ｘ）｜Ｙ＝ｙ］＝Ｎ

ｓ＝１!Ｐ（Ｘｓ≠ｘｓ｜Ｙ＝ｙ）＝Ｎｓ＝１

!

（１－Ｐ

（Ｘｓ＝ｘｓ｜Ｙ＝ｙ））（１３）

选取每个节点上ｘｓ∈｛１，２，…，Ｋ｝值，使式（１３）中的和式达到最小，即使Ｐ（Ｘｓ＝ｘｓ｜Ｙ＝ｙ）达到最大，也就是独立地使这个边界概率对所有ｓ∈Ｓ达到最大，便可得到Ｘ的ＭＭＰＭ估计。因此，还需在每一个结点ｓ∈Ｓ上找出使式（１４）达到最大的ｋ值：

Ｐ

（Ｘｓ＝ｋ｜Ｙ＝ｙ）＝ｐＸ｜Ｙ（ｘ｜ｙ，!）＝ｘ∶ｘｓ＝Ｌ

!ｐＸ｜Ｙ（ｘ｜ｙ）（１４）

精确地计算上式中的边界概率是不现实的，用Ｇｉｂｂｓ抽样

［８］

生成一个离散的马尔科夫链Ｘ（ｔ）＝｛Ｘ（１），Ｘ（２），…，Ｘ（Ｔｓ）｝，

这个马尔科夫链在分布上收敛于函数（１０），则近似于式（１４）的函数为：

ＰＸ｜Ｙ

（ｋ｜ｙ，!）≈１Ｔｓ

Ｔｓ

ｔ＝１

!ｕ

ｋ，ｓ

（ｔ）（１５）

其中，如果Ｘｓ（ｔ）＝ｋ，ｕｋ，ｓ（ｔ）的函数值为１，若Ｘｓ（ｔ）≠ｋ，其值为０。Ｔｓ表示完全遍历整个金字塔结构上的Ｇｉｂｂｓ抽样次数。

在无监督情形下，为了完成Ｇｉｂｂｓ抽样，必须估计模型参数!的值。这里采用ＥＭ算法来估计!的值。如果!（ｉ）

是!的第ｉ次迭代的估计，则第ｉ次迭代的期望函数为：

Ｑ

（!，!（ｉ－１）

）＝ＥｌｏｇｐＸ

（ｘ｜!）｜Ｙ＝ｙ，!（ｉ－１）

#)＋ＥｌｏｇｆＹ｜Ｘ

（ｙ｜ｘ，!）｜Ｙ＝ｙ，!（ｉ－１）

#)

（１６）

因为式（１６）中的第一项不依赖于!，所以只考虑式（１６）中的第二项。将式（５）代入式（１６）的第二项，可得：

ＥｌｏｇｆＹ｜Ｘ

（ｙ｜ｘ，!）｜Ｙ＝ｙ，!（ｉ－１）

#)＝

ｓ∈Ｓ!Ｋ

ｋ＝１

!ｌｏｇ

１

２!

（"ｋ（ｎｓ）

）２

*

+,

Ｐ

（Ｘｓ＝ｋ｜Ｙ＝ｙ，!（ｉ－１）

）－

１

２

ｓ∈Ｓ!Ｋ

ｋ＝１

!

ｙ-ｋｓ

+,２

（"ｋ（ｎｓ）

）

２

Ｐ

（Ｘｓ＝ｋ｜Ｙ＝ｙ，!（ｉ－１）

）（１７）

其中

ｙ-ｋｓ＝ｙｓ－#ｋ＋!ａｋ，ｓ（ｎｓ

）［ｙｓ－ｒ－$ｋ

］（１８）

在第ｉ次迭代中，%使得式（１７）最大化的值记为!!，对式（１７）微分并取值为零，可求得!!＝$!ｋ，（"!ｋ（ｎ））２，ａ!ｋ，ｒ

（ｎ）+,。将!的一个初始估计!

!（０）用于ＭＭＰＭ算法，从而得到一个新的估计!!（１），然后再以这个值为基础计算出!的另一最新

估计。不断重复这一过程，直到获得最终的分割结果，完成

ＵＳＭＭＰＭ分割。

５试验与分析

本文分别对四幅图像使用文中所述方法进行了试验，每幅

图像大小均为２５６×２５６像素，对每幅图像分别将ＵＳＭＭＰＭ分割方法应用于灰度图像和基于ＧＬＭＣ的部分统计特征量所生成的纹理图像上，并对分割结果进行对比，两种方法的计算量基本相同。图１是两幅三类合成纹理图像的试验结果：图１（ａ）和（ｃ）分别为合成纹理灰度图像原图，图１（ｂ）为图１（ａ）的ＧＬＣＭ熵纹理特征图像，图１

（ｄ）为图１（ｃ）的ＧＬＣＭ相关纹理特征图像，图１（ｅ）、（ｆ）、（ｇ）和（ｈ）分别为图１（ａ）、（ｂ）、（ｃ）和（ｄ）图像上的ＵＳＭＭＰＭ分割，图１（ｉ）、（ｊ）、（ｋ）和（ｌ）分别为图１（ｅ）、（ｆ）、（ｇ）和（ｈ）上的分割误差图。图２是一幅两类合成纹理图像的试验结果：图２（ａ）为合成纹理灰度图像原图，图２（ｂ）和（ｃ）分别为图２（ａ）的ＧＬＣＭ角二阶矩纹理特征图像和二阶逆差矩纹理特征图像，图２（ｄ）、（ｅ）和（ｆ）分别为图２（ａ）、（ｂ）、和（ｃ）图像上的ＵＳＭＭＰＭ分割，图２（ｇ）、（ｈ）和（ｉ）分别为图２（ｄ）、（ｅ）和（ｆ）上的分割误差图。表１列出了对图１和图２分割结果比较的量化分析。表１中数据表明：基于ＧＬＣＭ纹理特征所生成图像上的ＵＳＭＭＰＭ分割在分割精度上优于基于灰度图像的同类分割。图３是一幅高分辨ＳＡＲ图像的分割结果：图３（ａ）为原始灰度图像，图３（ｂ）为ＧＬＣＭ相关纹理特征图像，图３（ｃ）和（ｄ）分别为图３（ａ）和（ｂ）图像上的ＵＳＭＭＰＭ分割，从以上各图的分割结果可以看出：基于ＧＬＣＭ纹理特征图像上的

（下转６２页）

波变换与ＤＦＢ方向滤波器相结合，解决了复数小波变换方向选择性不足的缺点。与Ｃｏｎｔｏｕｒｌｅｔ相比较，冗余度要小很多。实验结果表明，该算法能够更加细腻地体现图像纹理细节，而且该方法具有的位移不变及完全重构特性使它非常适合应用于图像编码领域。

参考文献：

［１］ＤｏｎｏｈｏＤＬ，ＶｅｔｔｅｒｌｉＭ，ＤｅＶｏｒｅＲＡ，ｅｔａｌ．Ｄａｔａｃｏｍｐｒｅｓｓｉｏｎａｎｄ

ｈａｒｍｏｎｉｃａｎａｌｙｓｉｓ［Ｊ］．ＩＥＥＥＴｒａｎｓＩｎｆｏｒｍＴｈ，１９９８，４４

（６）：２４３５－２４７６．［２］ＭａｌｌａｔＳ．Ａｗａｖｅｌｅｔｔｏｕｒｏｆｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇ［Ｍ］．２ｎｄｅｄ．［Ｓ．ｌ．］：Ａｃａ－

ｄｅｍｉｃＰｒｅｓｓ，１９９９．

［３］ＳｋｏｄｒａｓＡ，ＣｈｒｉｓｔｏｐｏｕｌｏｓＣ，ＥｂｒａｈｉｍｉＴ．ＴｈｅＪＰＥＧ２０００ｓｔｉｌｌｉｍａｇｅ

ｃｏｍｐｒｅｓｓｉｏｎｓｔａｎｄａｒｄ［Ｊ］．ＩＥＥＥＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇＭａｇａｚｉｎｅ，２００１，１８：３６－５８．

［４］ＦｒｅｅｍａｎＷＴ，ＳｉｍｏｎｃｅｌｌｉＥＰ，ＡｄｅｌｓｏｎＥＨ．Ｔｈｅｄｅｓｉｇｎａｎｄｕｓｅ

ｏｆｓｔｅｅｒａｂｌｅｆｉｌｔｅｒｓ［Ｊ］．ＩＥＥＥＴｒａｎｓＰａｔｔｅｒｎＡｎａｌＭａｃｈｉｎｅＩｎｔｅｌｌ，１９９１，１３

（９）：８９１－９０６．［５］ＰｅｎｎｅｃＥＬ，ＭａｌｌａｔＳ．Ｓｐａｒｓｅｇｅｏｍｅｔｒｉｃｉｍａｇｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｗｉｔｈ

ｂａｎｄｅｌｅｔｓ［Ｊ］．ＩＥＥＥＴｒａｎｓＩｍａｇｅＰｒｏｃ，２００５．

［６］ＣａｎｄｅｓＥＪ．Ｈａｒｍｏｎｉｃａｎａｌｙｓｉｓｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．Ａｐｐｌｉｅｄａｎｄ

ＣｏｍｐｕｔａｔｉｏｎａｌＨａｒｍｏｎｉｃＡｎａｌｙｓｉｓ，１９９９，６

（２）：１９７－２１８．［７］ＳｔａｒｃｋＪＬ，ＣａｎｄｅｓＥＪ，ＤｏｎｏｈｏＤＬ．Ｔｈｅｃｕｒｖｅｌｅｔｔｒａｎｓｆｏｒｍｆｏｒ

ｉｍａｇｅｄｅｎｏｉｓｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓＩｍａｇｅＰｒｏｃ，２００２，１１

（６）：６７０－６８４．［８］ＤｏＭＮ，ＶｅｔｔｅｒｌｉＭ．Ｃｏｎｔｏｕｒｌｅｔ：ａｄｉｒｅｃｔｉｏｎａｌｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎｉｍａｇｅ

ｒｅｐｒｅｓｅｎｔａｔｉｏｎ［Ｃ］／／ＩＥＥＥＩＣＩＰ，２００２．

［９］ＥｓｌａｍｉＲ，ＲａｄｈａＨ．Ｗａｖｅｌｅｔ－ｂａｓｅｄｃｏｎｔｏｕｒｌｅｔｔｒａｎｓｆｏｒｍａｎｄｉｔｓａｐ－

ｐｌｉｃａｔｉｏｎｔｏｉｍａｇｅｃｏｄｉｎｇ［Ｃ］／／ＰｒｏｃｏｆＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒ－ｅｎｃｅｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，Ｓｉｎｇａｐｏｒｅ，２００４．

［１０］ＫｉｎｇｓｂｕｒｙＮ．Ｃｏｍｐｌｅｘｗａｖｅｌｅｔｓｆｏｒｓｈｉｆｔｉｎｖａｒｉａｎｔａｎａｌｙｓｉｓａｎｄｆｉｌ－

ｔｅｒｉｎｇｏｆｓｉｇｎａｌｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＡｐｐｌｉｅｄａｎｄＣｏｍｐｕｔａｔｉｏｎａｌＨａｒ－ｍｏｎｉｃＡｎａｌｙｓｉｓ，２００１，１０

（３）：２３４－２５３．［１１］ＢｕｒｔＰＪ，ＡｄｅｌｓｏｎＥＨ．ＴｈｅＬａｐｌａｃｉａｎｐｙｒａｍｉｄａｓａｃｏｍｐａｃｔｉｍ－

ａｇｅｃｏｄｅ［Ｊ］．ＩＥＥＥＴｒａｎｓＣｏｍｍｕｎ，１９８３，３１

（４）：５３２－５４０．［１２］ＢａｍｂｅｒｇｅｒＲＨ，ＳｍｉｔｈＭＪＴ．Ａｆｉｌｔｅｒｂａｎｋｆｏｒｔｈｅｄｉｒｅｃｔｉｏｎａｌ

ｄｅｃｏｍｐｏｓｉｔｉｏｎｏｆｉｍａｇｅｓ：ｔｈｅｏｒｙａｎｄｄｅｓｉｇｎ［Ｊ］．ＩＥＥＥＴｒａｎｓＳｉｇｎａｌＰｒｏｃ，１９９２，４０

（４）：８８２－８９３．［１３］ＤｏＭＮ．Ｄｉｒｅｃｔｉｏｎａｌｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ［Ｄ］．Ｓｗｉｓｓ

ＦｅｄｅｒａｌＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｌａｕｓａｎｎｅ，Ｓｗｉｔｚｅｒｌａｎｄ，２００１．［１４］ＢｅｌｂａｃｈｉｒＡＮ，ＧｏｅｂｅｌＰＭ．Ｔｈｅｃｏｎｔｏｕｒｌｅｔｔｒａｎｓｆｏｒｍｆｏｒｉｍａｇｅ

ｃｏｍｐｒｅｓｓｉｏｎ［Ｃ］／／ＰｈｙｓｉｃｓｉｎＳｉｇｎａｌａｎｄＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，Ｔｏｕｌｏｕｓｅ，Ｆｒａｎｃｅ，２００５．

［１５］ＰｏＤＤＹ，ＤｏＭＮ．Ｄｉｒｅｃｔｉｏｎａｌｍｕｌｔｉｓｃａｌｅｍｏｄｅｌｉｎｇｏｆｉｍａｇｅｓ

ｕｓｉｎｇｔｈｅｃｏｎｔｏｕｒｌｅｔｔｒａｎｓｆｏｒｍ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，２００３．

［１６］ＫｉｎｇｓｂｕｒｙＮ．Ｓｈｉｆｔｉｎｖａｒｉａｎｔｐｒｏｐｅｒｔｉｅｓｏｆｔｈｅｄｕａｌ－ｔｒｅｅｃｏｍｐｌｅｘ

ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ［Ｃ］／／ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ，ＩＣＡＳＳＰ９９，１９９９：２２１－２２４．

［１７］ＫｉｎｇｓｂｕｒｙＮ．Ｃｏｍｐｌｅｘｗａｖｅｌｅｔｓｆｏｒｉｎｖａｒｉａｎｔａｎａｌｙｓｉｓａｎｄｆｉｌｔｅｒｉｎｇ

ｏｆｓｉｇｎａｌｓ［Ｊ］．ＡｐｐｌｉｅｄａｎｄＣｏｍｐｕｔａｔｉｏｎａｌＨａｍｏｎｉｃＡｎａｌｙｓｉｓ，２００２，１０

（３）：２３４－２５３．（ａ）灰度图像上的分割（ｃ）灰度图像上的分割

（ｂ）ＧＬＣＭ熵纹理特征图像上的分割（ｄ）ＧＬＣＭ相关纹理特征图像上的分割（ａ）灰度图像上的分割

（ｂ）ＧＬＣＭ角二阶矩纹理特征图像上的分割

（ｃ）ＧＬＣＭ二阶逆差矩纹理特征图像上的分割

误分像素点个数

８０５２２６１２１４９２１３５２５３２１２０４３２３９９

误分率

／％１２．３４．０２．２２．１８．１３．１３．７

图１

分析

图２图像类型

表１

合成纹理图像ＵＳＭＭＰＭ分割误差比较

ＵＳＭＭＰＭ分割结果，无论在分割精度以及分割边缘的光滑度

上都不同程度地优于基于灰度图像的同类分割。

６结束语

为了提高分割精度，本文尝试在多分辨双Ｍａｒｋｏｖ－ＧＡＲ模

型框架下，同时考虑ＳＡＲ图像局部灰度均值和方差及像素间空间分布特征等统计量，在由ＧＬＣＭ产生的纹理统计特征量所生成的图像之上，采用ＵＳＭＭＰＭ算法对ＳＡＲ图像进行纹理分割，试验表明文中提出的方法增强了ＳＡＲ图像纹理分割性能，

改进了图像分割精度和分割边缘的平滑度。

参考文献：

［１］ＵｌａｂｙＦＴ，ＫｏｕｙａｔｅＦ，ＢｒｉｓｃｏＢ，ｅｔａｌ．ＴｅｘｔｕｒｅｉｎｆｏｒｍａｔｉｏｎｉｎＳＡＲ

ｉｍａｇｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９８６，２４

（２）：２３５－２４５．［２］ＳｃｈｉｓｔａｄＳＡＨ，ＪａｉｎＡＫ．Ｔｅｘｔｕｒｅｆｕｎｃｔｉｏｎａｎｄｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎ

ａｐｐｌｉｅｄｔｏＳＡＲｉｍａｇｅｒｙ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９９７，３５

（２）：４７５－４７９．［３］ＳｏｈＬＫ，ＴｓａｔｓｏｕｌｉｓＣ．ＴｅｘｔｕｒｅａｎａｌｙｓｉｓｏｆＳＡＲｓｅａｉｃｅｉｍａｇｅｒｙ

ｕｓｉｎｇｇｒａｙｌｅｖｅｌｃｏ－ｏｃｃｕｒｒｅｎｃｅｍａｔｒｉｃｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９９９，３７

（２）：７８０－７８４．［４］ＫａｎｄａｓｗａｍｙＵ，ＡｄｊｅｒｏｈＤＡ，ＬｅｅＭＣ．Ｅｆｆｉｃｉｅｎｔｔｅｘｔｕｒｅａｎａｌｙｓｉｓｏｆ

ＳＡＲｉｍａｇｅｒｙ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓ－ｉｎｇ，２００５，４３

（９）：２０７５－２０８３．［５］ＳｏｌｂｅｒｇＡＨＳ，ＪａｉｎＡＫ．Ａｓｔｕｄｙｏｆｔｈｅｉｎｖａｒｉａｎｃｅｐｒｏｐｅｒｔｉｅｓｏｆ

ｔｅｘｔｕｒａｌｆｅａｔｕｒｅｓｉｎＳＡＲｉｍａｇｅｓ［Ｃ］／／ＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓ－ｉｎｇＳｙｍｐｏｓｉｕｍ，１９９５，１

（１）：６７０－６７２．［６］ＣｌａｕｓｉＤＡ，ＹｕｅＢ．Ｃｏｍｐａｒｉｎｇｃｏ－ｏｃｃｕｒｒｅｎｃｅｐｒｏｂａｂｉｌｉｔｉｅｓａｎｄＭａｒｋｏｖ

ｒａｎｄｏｍｆｉｅｌｄｓｆｏｒｔｅｘｔｕｒｅａｎａｌｙｓｉｓｏｆＳＡＲｉｃｅｉｍａｇｅｒｙ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００４，４２

（１）：２１５－２２８．［７］ＣｏｍｅｒＭＬ，ＤｅｌｐＥＪ．Ｓｅｇｍｅｎｔａｔｉｏｎｏｆｔｅｘｔｕｒｅｄｉｍａｇｅｓｕｓｉｎｇａ

ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎＧａｕｓｓｉａｎａｕｔｏｒｅｇｒｅｓｓｉｖｅｍｏｄｅｌ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，１９９９，８

（３）：４０８－４２０．［８］ＨａｒａｌｉｃｋＲＭ，ＳｈａｎｍｕｇａｍＫ，ＤｉｎｓｔｅｉｎＩ．Ｔｅｘｔｕｒａｌｆｅａｔｕｒｅｓｆｏｒｉｍａｇｅ

ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｙｓｔｅｍｓ，ＭａｎａｎｄＣｙｂｅｒｎｅｔｉｃｓ，１９７３，３

（６）：６１０－６２１．［９］ＭｅｌａｓＤＥ，ＷｉｌｓｏｎＳＰ．ＤｏｕｂｌｅＭａｒｋｏｖｒａｎｄｏｍｆｉｅｌｄｓａｎｄＢａｙｅｓｉａｎ

ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，２００２，５０

（２）：３５７－３６５．（上接６页）

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

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

纹理分割

纹理分割课程设计报告 一，实验要求： 利用纹理特征，对图像中不同的纹理区域进行分割。纹理区域的数目根据具体图像设定。 二，实验背景： 人们处在社会生产生活中，就需要认识和了解外部世界，而视觉感受正是了解和认识外部世界的主要方式。物体的视觉信息主要包括：颜色、形状、纹理，其中纹理尤为重要。在自然界的各种类型的图像中随处可以看到纹理的影子，如人的皮肤上有纹理，眼睛的虹膜也是纹理信息，舌头上的舌苔也是纹理。提取纹理特征之后，就可以对物体进行相关描述。对纹理的分析和把握是人类视觉找到目标区域的重要感知功能之一。随着计算机技术、电子技术的快速发展和信息技术在人类社会生产、生活中的渗透，纹理分析在许多领域都有着重要的作用。 作为图像特征之一的纹理的分析在机器视觉系统中有着举足轻重的地位，通过纹理分析可以得到一些特征值或特征向量，对图像中物体进行简单、高效、实用的纹理量化描述。在图像处理的初级阶段，可以根据每个区域的纹理特征将图像分割成若干有意义的各个连续的区域；在特征提取和分类阶段，根据纹理特征的不同可以辨别不同的物体目标。草地，砖墙，天空，水波纹，多光谱遥感图像，海边的鹅卵石，细胞组织成像等，在这些图像中随处可见纹理特征。虽然人们对纹理已经经历了很长时间的研究，纹理特征仍然不容易描述，对于自然纹理图像来说，要想描述它的复杂的纹理特征更是难上加难。这是因为人类关于自身大脑对图像的形成模式方面知之甚少，而人类对纹理图形图像的感受，多半存在心理效应，并且纹理本身结构非常复杂。随着图像在生活中的普及，纹理分析技术在计算机视觉、目标识别与自动监测、图像合成与分割、图像检索、遥感测量中起到越来越重要的作用。而且提取的纹理特征的结果是后续对图像进行分割、分类的必要前提，这些问题非常重要的一个关键就是纹理特征的提取，因此纹理分析是图像分析的重要手段之一。 三，理论基础： 本实验采用K-均值聚类算法进行纹理分割 K均值算法先选K个初始类均值，然后将每个像素归入均值离它最近的类并计算新的类均值。迭代执行前面的步骤直到新旧类均值之差小于某一阈值。 将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。聚类分析又称群分析，它是研究（样品或指标）

灰度共生矩阵算法

图像理解与分析中灰度共生矩阵算法1 作者：冰封蓝羽 2006-04-11 16:49:54 标签： 图像理解与分析中 灰度共生矩阵算法 周一早上图像理解与分析课上，朱启疆老师讲了灰度共生矩阵算法，回去后我编程实现了这个算法。 内容如下： 共有matrix.cpp d_matrix.h d_exept.h mat.txt四个文件 //matrix.cpp /* Visual C++ 6.0 matrix designed by bfly */ #include #include #include #include #include #include "d_matrix.h" template void outputmat(const matrix& mat); template int classifymat(const matrix& mat); template void transformmat(const matrix& formermat, matrix& lattermat); template void probablitymat(const matrix& mat,matrix& probmat);

template void typicalarguement(const matrix& mat,const matrix& probmat); using namespace std; int main() { //input matrix matrix initMat; int numRows, numCols; int i, j; ifstream fin("mat.txt"); if(!fin) { cerr << "Cannot open 'mat.txt'" << endl; exit(1); } fin >> numRows >> numCols; initMat.resize(numRows, numCols); for(i = 0; i < numRows; i++) { for(j = 0; j < numCols; j++) { fin >> initMat[i][j]; } } //transform matrix to tempMat int counter=classifymat(initMat); matrix tempMat; tempMat.resize(counter, counter); transformmat(initMat, tempMat); outputmat(tempMat); //transform matrix to probMat matrix probMat; probMat.resize(counter, counter); probablitymat(tempMat, probMat); outputmat(probMat); cout << endl; //output the typicalarguements typicalarguement(tempMat, probMat);

图像的灰度共生矩阵

圖像的灰度共生矩陣 Gray-level co-occurrence matrix from an image 圖像的灰度共生矩陣 灰度共生矩陣是像素距離和角度的矩陣函數，它通過計算圖像中一定距離和一定方向的兩點灰度之間的相關性，來反映圖像在方向、間隔、變化幅度及快慢上的綜合信息。 使用方法： glcm = graycomatrix(I) glcms = graycomatrix(I,param1,val1,param2,val2,...) [glcms,SI] = graycomatrix(...) 描述： glcms = graycomatrix(I) 產生圖像I的灰度共生矩陣GLCM。它是通過計算兩灰度值在圖像I 中水平相鄰的次數而得到的(也不必是水平相鄰的次數，這一參數是可調的，可能通過Offsets來進行調整，比如[0 D]代表是水平方向，[-D D]代表是右上角45度方向，[-D 0]代表是豎直方向，即90度方向，而[-D -D]則代表是左上角，即135度方向），GLCM中的每一個元素（i,j）代表灰度i與灰度j在圖像中水平相鄰的次數。 因為動態地求取圖像的GLCM區間代價過高，我們便首先將灰度值轉換到I的灰度區間裡。如果I是一個二值圖像，那麼灰度共生矩陣就將圖像轉換到兩級。如果I是一個灰度圖像，那將轉換到8級。灰度的級數決定了GLCM的大小尺寸。你可以通過設定參數「NumLevels」來指定灰度的級數，還可以通過設置「GrayLimits"參數來設置灰度共生矩陣的轉換方式。 下圖顯示了如何求解灰度共生矩陣，以（1，1）點為例，GLCM（1，1）值為1說明只有一對灰度為1的像素水平相鄰。GLCM（1，2）值為2，是因為有兩對灰度為1和2的像素水平相鄰。

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

基于阈值的灰度图像分割

对以CPT算法为主的灰度阈值化方法的研究 目录： 第一章：绪论 第二章：图像的预处理 第三章：图像分割概述 第四章：灰度阈值化图像分割方法 第五章：CPT算法及其对它的改进 第六章：编程环境及用PhotoStar对改进的CPT算法和其他算法的实现 第七章：实验结果与分析 第一章：绪论 1.1数字图像处理技术的发展 人类传递信息的主要媒介是语音和图像。据统计，在人类接受的信息中，听觉信息占20％，视觉占60％，其他如味觉、触觉、嗅觉总的加起来不过占20％。所以，作为传递信息的重要媒体和手段——图像信息是十分重要的。【5】对于图像信息的处理，即图像处理当然对信息的传递产生很大影响。 数字图像处理技术起源于20世纪20年代，当时通过海底电缆从伦敦到纽约传输了一幅图片，它采用了数字压缩技术。1964年美国的喷气处理实验室处理了太空船“徘徊者七号”发回的月球照片，这标志着第三代计算机问世后数字图像处理概念得到应用。其后，数字图像处理技术发展迅速，目前已成为工程学、计算机科学、生物学、医学等领域各学科之间学习和研究的对象。 经过人们几十年的努力，数字图像处理这一学科已逐渐成熟起来。人们总是试图把各个学科应用到数字图像处理中去，并且每产生一种新方法，人们也会尝试它在数字图像处理中的应用。同时，数字图像处理也在很多学科中发挥着它越来越大的作用。 1.2图像分割概述和本论文的主要工作 图像分割的目的是把图像空间分成一些有意义的区域，是数字图像处理中的重要问题，是计算机视觉领域低层次视觉问题中的重要问题，同时它也是一个经典的难题。几十年来，很多图像分割的方法被人们提出来，但至今它尚无一个统一的理论。 图像分割的方法很多，有早先的阈值化方法、最新的基于形态学方法和基于神经网络的方法。 阈值化方法是一种古老的方法，但确是一种十分简单而有效的方法，近几十年人们对阈值化方法不断完善和探索，取得了显著的成就，使得阈值化方法在实际应用中占有很重要的地位。 本文将主要对图像分割的阈值化方法进行探讨。在对阈值化方法的研究过程中，本人首先将集中精力对效果比较好的阈值化方法进行探讨，并对其存在的不足加以改进，从而作出性能优良的计算机算法；由于目前很多方法各有其特点，所以将对具有不同特点的图像用不同的方法处理进行研究。在论文正文部分还将其应用到实践中去，并对其加以评价。 第二章：图像的预处理 2.1图像预处理的概述 由于切片染色和输入光照条件及采集过程电信号的影响，所采集的医学图

使用纹理滤波器分割图像(1)

17.6 使用纹理滤波器分割图像（1） 17.6 使用纹理滤波器分割图像（1） 使用纹理滤波器分割图像的基本步骤如下： 读取图像； 创建纹理图像； 显示图像不同部分的纹理； 使用合适的滤波器进行分割。 下面通过一个例子来看一下如何使用纹理滤波器对图像进行分割。 例17-7 利用纹理滤波器进行图像分割。 使用纹理滤波器进行分割就是利用图像中不同区域的纹理来对图像的区域进行划分。纹理是指一个物体上的颜色模式或者指物体表面的光滑程度。纹理描述图像中的区域特征，试图直观地定量描述诸如光滑、质地等参数。在遥感、医学图像处理和自动化侦查中，纹理分割图像有着很多的应用。利用纹理可以用来检测图像的边界，从而对图像进行分割。 【本例要点】在本例中首先求取图像不同部分的纹理，然后使用entropyfilt、stdfilt、rangefilt三个不同的滤波函数对图像进行滤波。 本例的基本步骤如下： 读取图像。 代码如下： 1.I = imread('bag.png');%读取图像 2.figure; imshow(I);%显示原图像 在这个程序中，首先读取一幅图像bag，这个图像的顶部和底部的纹理有明显的差异，如图17-29所示。 创建纹理图像。 代码如下： 1. E = entropyfilt(I);%创建纹理图像 2.Eim = mat2gray(E);%转化为灰度图像

3.figure; subplot(121) 4.imshow(Eim);%显示灰度图像 5.BW1 = im2bw(Eim, .8);%转化为二值图像 6.subplot(122); imshow(BW1);%显示二值图像 使用函数entropyfilt创建一幅纹理图像，这个函数返回的图像与输入图像大小相同，每个像素值是输入图像相应像素值邻域的熵值。 使用函数mat2gray将矩阵转化为灰度图像，如图17-30左边图像所示。使用纹理边界处的值0.8作为阈值将灰度图像转化为二值图像，如图17-30右边图像所示。 分别显示图像的底部纹理和顶部纹理。 代码如下： 1.BWao = bwareaopen(BW1,2000);%提取底部纹理 2.figure; subplot(121) 3.imshow(BWao);%显示底部纹理图像 4.nhood = true(9); 5.closeBWao = imclose(BWao,nhood);%形态学关操作 6.subplot(122); imshow(closeBWao)%显示边缘光滑后的图像

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 )

数字图像灰度阈值的图像分割技术matlab

1．课程设计的目的 (1)使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各 种因素对分割效果的影响 (2)使用Matlab软件进行图像的分割 (3)能够进行自行评价各主要算子在无噪声条件下和噪声条件下的分割 性能 (4)能够掌握分割条件（阈值等）的选择 (5)完成规定图像的处理并要求正确评价处理结果，能够从理论上做出合 理的解释 2．课程设计的要求 （1）能对图像文件（bmp,jpg,tiff,gif）进行打开，保存，退出等功能操作 （2）包含功能模块：图像的边缘检测（使用不同梯度算子和拉普拉斯算子）（3）封闭轮廓边界 （4）区域分割算法：阈值分割，区域生长等

3．前言 3.1图像阈值分割技术基本原理 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。简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提。同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准]5[。 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分称为目标或前景(其他部分称为背景)，他们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需要将他们分离提取出来，在此基础上才有可能对目标进一步利用。图像分割就是指把图像分成格局特性的区域并提取出感兴趣目标的技术和过程。这里特性可以是象素的灰度、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。现有的图像分割算法有：阈值分割、边缘检测和区域提取法。本文着重研究基于阈值法的图像分割技术。 若图像中目标和背景具有不同的灰度集合：目标灰度集合与背景灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割。这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域，这种方法称为灰度阈值分割方法。 在物体与背景有较强的对比度的图像中，此种方法应用特别有效。比如说物体内部灰度分布均匀一致，背景在另一个灰度级上也分布均匀，这时利用阈值可以将目标与背景分割得很好。如果目标和背景的差别是某些其他特征而不是灰度特征时，那么先将这些特征差别转化为灰度差别，然后再应用阈值分割方法进行处理，这样使用阈值分割技术也可能是有效的

图像纹理分析的方法与应用

万方数据

图像纹理分析的方法与应用 作者：张学军， 郭建 作者单位：张学军(西北师范大学教育技术与传播学院,甘肃,兰州,730070)， 郭建(西北师范大学教育技术与传播学院,甘肃,兰州,730070;盘锦市经济技术学校,辽宁,盘锦,124201) 刊名： 黑龙江科技信息 英文刊名：HEILONGJIANG SCIENCE AND TECHNOLOGY INFORMATION 年，卷(期)：2009(16) 参考文献(9条) 1.占杰;陈阳;陈武凡一种新的基于大尺寸信息的MRF先验模型[期刊论文]-计算机工程与科学 2009(01) 2.方恒;吴怀宇基于MRF和颜色空间的立体图像匹配算法[期刊论文]-计算机技术与发展 2008(12) 3.刘杰;张艳宁;许星;王志印一种基于灰度颁布马尔可夫模型的图像分割[期刊论文]-计算机应用 2008(03) 4.谢磊;李梅;高智勇一种基于小波变换的马尔可夫随机场的视频对象分割[期刊论文]-计算机工程与应用 2008(07) 5.林生佑;叶福军基于MRF的复杂图像抠图[期刊论文]-中国图象图形学报A 2008(03) 6.刘琼;周慧灿;王耀南基于极坐标Log Gabor小波的纹理分析方法[期刊论文]-计算机应用与软件 2008(08) 7.王媛媛基于小波域纹理分析的图像自适应信息隐藏 2008 8.张璐璐;范海玲分形理论在图像信息提取中的应用[期刊论文]-光盘技术 2008(03) 9.褚标小波理论在图像去噪与纹理分析中的应用研究 2008 本文链接：https://www.wendangku.net/doc/eb15271320.html,/Periodical_hljkjxx200916052.aspx

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

灰度共生矩阵

灰度共生矩阵(GLCM) 共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。 一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。 设f(x,y)为一幅二维数字图象，其大小为M× N ,灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为 P(i,j)=# {(x1,y1),(x2,y2) ∈M×N ∣ f(x1,y1)=i,f(x2,y2)=j } 其中#(x)表示集合X中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与 (x2,y2)间距离为d,两者与坐标横轴的夹角为θ,则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,。) 纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的，因为图像中相距(ΔχΔy的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。若将图像的灰度级定为N级，那么共生矩阵为NXN矩阵，可表示为M(?X' Δy)(h,k)，其中位于(h,k)的元素mhk的值表示一个灰度为h而另一个灰度为k的两个相距为(ΔχΔy的像素对出现的次数。 对粗纹理的区域，其灰度共生矩阵的mhk值较集中于主对角线附近。因为对于粗纹理，像素对趋于具有相同的灰度。而对于细纹理的区域，其灰度共生矩阵中的mhk值则散布在各处。 为了能更直观地以共生矩阵描述纹理状况，从共生矩阵导出一些反映矩阵状况的参数，典型的有以下几种： (1)能量：是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则ASM值小；相反，

基于灰度直方图的图像分割阈值自适应选取方法

中北大学 毕业设计（论文）任务书 学院、系： 专业： 学生姓名：车永健学号： 设计(论文)题目：基于灰度直方图的图像分割阈值自适应选取方法 起迄日期: 2015年3月9日~2015年6月20日设计(论文)地点: 指导教师:郭晨霞 系主任: 发任务书日期:2015年 2 月25 日

任务书填写要求 1．毕业设计（论文）任务书由指导教师根据各课题的具体情况填写，经学生所在系的负责人审查、系领导签字后生效。此任务书应在毕业设计（论文）开始前一周内填好并发给学生； 2．任务书内容必须用黑墨水笔工整书写或按教务处统一设计的电子文档标准格式（可从教务处网页上下载）打印，不得随便涂改或潦草书写，禁止打印在其它纸上后剪贴； 3．任务书内填写的内容，必须和学生毕业设计（论文）完成的情况相一致，若有变更，应当经过所在专业及系主管领导审批后方可重新填写； 4．任务书内有关“学院、系”、“专业”等名称的填写，应写中文全称，不能写数字代码。学生的“学号”要写全号（如020*******,为10位数），不能只写最后2位或1位数字； 5．有关年月日等日期的填写，应当按照国标GB/T 7408—94《数据元和交换格式、信息交换、日期和时间表示法》规定的要求，一律用阿拉伯数字书写。如“2004年3月15日”或“2004-03-15”。

毕业设计（论文）任务书

毕业设计（论文）任务书 3．对毕业设计（论文）课题成果的要求〔包括毕业设计(论文)、图纸、实物样品等)： 1、论文一份； 2、程序代码及图像结果； 3、英文翻译一份。 4．毕业设计（论文）课题工作进度计划： 起迄日期工作内容 2015年 3月 9 日~ 3 月20日 4 月 1 日~ 4月 20 日 4 月 21 日~ 5月 10 日 5 月 11 日~ 6月 15 日 6 月 16 日~ 6月 19 日查找资料，完成开题报告； 学习有关知识，方案确定，完成中期报告；完善算法并仿真验证； 撰写、修改、评阅毕业论文； 论文答辩 学生所在系审查意见： 系主任： 年月日

基于纹理的图像分割方法.

基于纹理的图像分割方法 全部作者： 蔡振江王渝 第1作者单位： 河北农业大学机电工程学院 论文摘要： 采用平稳离散小波变换对纹理图像进行分解，利用各层小波系数中能量为特征相向量，采用模糊c-均值聚类(FCMC)对图像分割，并对分割方法进行了改进，提出先对图像进行粗分割，再对边缘部分进行细分的两步分割法。试验结果表明该方法大大提高了分割速度和精度。 关键词： 平稳小波；纹理；分割；模糊聚类 (浏览全文) 发表日期： 2006年11月28日 同行评议： 论文在前人基于小波变换的图像分割的基础上，进行了1下小的改进（主要是分割迭代速度的提高），结合模糊聚类方法FCM来进行图像分割。论文的理论创新不是明显，改进后的方法没有在分割质量上与前人方法进行对比，仅仅是时间上做了1些对比。因此，本文工作的科学意义不是很突出。建议作者进行如下方面的改进: （1）、纹理分割的方法很多，基于小波变换来进行分割的论文也不少，建议作者对前人的工作总结分析方面要充分些；（2）、论文工作在分割效果（精度）上要与前人工作做1些实验对比；否则，如何看出本文方法的分割精度比前人方法明显提高？（3）、实验数据能否更充分些？(因为图3所示的图片可能用许多传统方法也能得到不错的分割效果）。表1要做1点简单说明。（4）、为什么要采用FCM来进行聚类？聚类方法很多，例如用最基本的K-Means是否就可以取得不错的结果？（5）、英文摘要需要改写，个别词汇用法及语句表达不是很流畅。 综合评价： 修改稿：

注：同行评议是由特聘的同行专家给出的评审意见，综合评价是综合专家对论文各要素的评议得出的数值，以1至5颗星显示。

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法、基于人工智能的图像分割方法三个由低到高的阶段对图像分割进行全面的论述。 2 传统的图像分割方法 2.1 基于阀值的图像分割方法 阀值分割法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阀值分割法的基本原理是通过设定不同的特征阀值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图，目前在图像处理领域被广泛应用，其中阀值的选取是图像阀值分割中的关键技术。 灰度阀值分割方法是一种最常用的并行区域技术，是图像分割中应用数量最多的一类。图像若只用目标和背景两大类，那么只需要选取一个阀值，此分割方法称为单阀值分割。单阀值分割实际上是输入图像f到输出图像g的如下变换：

-基于区域合并的纹理图像分割—MSRM算法

毕业设计 题目：基于区域合并的纹理图像分割—MSRM算法的MATLAB实现

摘要 图像分割是图像分析及计算机视觉系统中的重要环节，是图像处理研究中的一个基本难题。图像分割是由图像处理到图像分析的关键步骤，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。 基于区域的图像分割方法，将图像按内容划分成许多区域。虽然存在过分割，但是可以通过研究改进算法减少过分割或选择有效的后处理算法得到有用的结果。例如，在Mean Shift和Watershed这两种图像分割算法中，一方面可以研究各种减少过分割的改进算法。另一方面，也可以采用有效的预处理，去除噪音，使图像适宜于Watershed或Mean Shift算法分割。 MSRM是基于最大相似度的区域合并算法,该算法简单有效,不需要设定区域合并的阈值,且对单目标和多目标图像都能正确分割。本设计在提取了图像的颜色特征和纹理特征之后，计算相邻区域的相似度，在人工交互信息的指导下，基于最大相似度准则逐步对初始过分割区域进行合并，分离出图像中的目标和背景。 关键词：MSRM；区域合并；交互式图像分割；算法；纹理图像

Abstract Image segmentation is the important elements of image analysis and computer vision systems ，and it is a fundamentalproblem in image processing。Image segmentation is a key step that from image processing to the image analysis。Only on the basis of image segmentation to object feature extraction, parameter measurement and recognition，which make it possible to analysis and understanding of the higher-level image, and the quality of image segmentation directly affects the effect ofsubsequent image processing. Therefore, we conclude that image segmentation is the most important part of image processing. Region-based image segmentation method is divided into many regions according to the contents of the image。Although there is over-segmentation，studing improved algorithm can reduce the over-segmentation or choosing an effective post-processing algorithms are useful results. For example, in both Mean Shiftt and Watershed image segmentation algorithm, One can study a variety of improved algorithm to reduce over-segmentation, On the other hand, effective pretreatment can also be used to remove noise, and make the image suitable for Mean Shiftt and Watershed segmentation algorithm. MSRM is a algorithm which based on the maximum similarity of the region merging, the proposed algorithm is efficient and effective, it does not require a preset threshold and can successfully extract the single objective and multi-target image from complex scenes . In this design, calculate the similarity of adjacent regions afte the extration of image color features and texture features, under the guidance of interaction information ,a maximal similarity based region merging mechanism was proposed to gradually merged the initial over-segmentation of regions. Then separated the target and background from image. Keywords:MSRM; Region merging; Interactive Image Segmentation; Algorithm; Texture image