【正文】 定量分析、海洋學(xué)研究及石油勘探中都有廣泛的應(yīng)用，因此基于紋理的圖像分割具有重要的理論意義和廣闊的應(yīng)用前景。直到今天，紋理圖像分割是圖像分割中的一個(gè)經(jīng)典難題。盡管人們在紋理圖像分割方面已取得了大量的研究成果，但由于紋理圖像的復(fù)雜性和缺乏一個(gè)統(tǒng)一的圖像分割理論框架，目前尚無提出通用的分割理論，現(xiàn)已提出的算法大都是針對(duì)具體問題。紋理分割問題仍然是圖像處理和機(jī)器視覺領(lǐng)域中一個(gè)非常艱巨的和富有挑戰(zhàn)的課題。綜上所述，采用自適應(yīng)的方法將進(jìn)一步推動(dòng)紋理圖像分割技術(shù)的發(fā)展，提高紋理圖像的分割質(zhì)量和效率。本文選擇基于區(qū)域合并的紋理圖像分割算法—MSRM算法作為研究課題，對(duì)于改進(jìn)圖像分割技術(shù)，豐富圖像分割方案，提高數(shù)字圖像分割系統(tǒng)的性能具有一定的理論價(jià)值和現(xiàn)實(shí)意義。 內(nèi)容與組織結(jié)構(gòu)第一章介紹了數(shù)字圖像分割技術(shù)起源、發(fā)展，給出了其描述性定義；指明了紋理圖像分割技術(shù)是圖像處理和圖像分析關(guān)鍵所在，是本文的研究重點(diǎn)；最后概述了本文的主要內(nèi)容及結(jié)構(gòu)。第二章對(duì)數(shù)字圖像分割技術(shù)重要基礎(chǔ)性概念及相關(guān)的研究進(jìn)行了綜述，分類介紹了閾值分割、間斷檢測分割、區(qū)域分割等圖像分割技術(shù)，重點(diǎn)介紹了與本文研究相關(guān)的區(qū)域分割算法。 第三章首先描述了基于最大相似度的區(qū)域合并算法—MSRM算法的背景和由來，接著進(jìn)一步詳細(xì)闡述該算法，并指明MSRM算法以Mean Shift算法的分割結(jié)果作為基礎(chǔ)；驗(yàn)證了圖像分割算法的收斂性。 第四章根據(jù)提出的MSRM算法，設(shè)計(jì)出一個(gè)自適應(yīng)圖像分割系統(tǒng)，通過實(shí)驗(yàn)和仿真驗(yàn)證的該解決方案具有自適應(yīng)和高效的特點(diǎn)。 2 圖像分割技術(shù)研究綜述 引言雖然圖像分割技術(shù)是隸屬于圖像處理領(lǐng)域的一個(gè)分支學(xué)科， 但是由于圖像分割技術(shù)涉及的學(xué)科領(lǐng)域比較廣泛，更應(yīng)該將其視為一個(gè)交叉性學(xué)科。因此學(xué)者們看待該問題的研究角度和出發(fā)點(diǎn)各不相同，也就給出了較多的模型和相關(guān)的概念。這一章，將按照?qǐng)D像分割技術(shù)的技術(shù)特點(diǎn)和原理，對(duì)三種主要類型圖像分割技術(shù)的相關(guān)概念和典型的解決方案進(jìn)行詳細(xì)的評(píng)述。 圖像分割的概念和分類圖像分割是圖像處理技術(shù)的經(jīng)典難題之一， 也是圖像分析和模式識(shí)別等高級(jí)圖像處理操作的流程中的關(guān)鍵步驟， 圖像的分割結(jié)果直接決定了后期圖像處理的效果和質(zhì)量。所謂圖像分割是指將圖像中具有特殊含義的區(qū)域分割開，且這些區(qū)域互相不重疊， 同時(shí)每個(gè)區(qū)域都滿足特定的區(qū)域一致性條件。 從工程實(shí)現(xiàn)的角度，圖像分割又可以定義為將圖像劃分成互不相交（不重疊）區(qū)域的過程。從集合論的角度出發(fā)，文獻(xiàn)[1]給出了一種較通用的圖像分割描述性定義。定義 1 令表示整個(gè)待分割圖像區(qū)域，從而可以將圖像分割看作將劃分為n個(gè)滿足以下條件的子區(qū)域，…，的過程： (1) ，且是連通的； (2) 對(duì)所有的 和，且，有； (3) 對(duì)于，； (4) 對(duì)于，有。 其中，是定義在區(qū)域內(nèi)所有點(diǎn)上的邏輯謂詞,表示空集。 條件(1)說明分割必須是完全的（即每個(gè)像素必須屬于一個(gè)子區(qū)域），且子區(qū)域自身必須是連通的；條件(2)說明各個(gè)分割區(qū)域之間相互不重疊；條件(3)說明同一個(gè)分割區(qū)域中的像素具有相同的屬性（如具有相同的灰度值） ；條件(4)說明不同分割區(qū)域 和 對(duì)于謂詞是不同的。 由于圖像分割技術(shù)應(yīng)用廣泛且與其他學(xué)科（如光學(xué)、統(tǒng)計(jì)學(xué)、生物學(xué)等）聯(lián)系緊密，所以圖像分割的解決方案和思路呈現(xiàn)出多樣化的趨勢，并激發(fā)了越來越多學(xué)者的研究興趣， 使得對(duì)圖像分割技術(shù)的研究在圖像處理領(lǐng)域始終保持著熱點(diǎn)地位。在大量關(guān)于圖像分割技術(shù)的科技文獻(xiàn)中，己經(jīng)提出了相當(dāng)豐富的分割方法和系統(tǒng)的解決方案，尤其是近20年來出現(xiàn)的圖像分割方法，不僅包括對(duì)原有方法的繼承和改進(jìn)，還涌現(xiàn)出一些新思路、新方法，如基于馬爾科夫隨機(jī)場模型的圖像分割[5][6]、小波分形的圖像分割[7]、模糊聚類[8][9]、基于人工神經(jīng)網(wǎng)絡(luò)的圖像分割方法[10]等。圖像分割方法一般是基于局部像素點(diǎn)的兩個(gè)基本特性：不連續(xù)性和相似性。按照該特性可以將這些已有的圖像分割方法歸為三類：基于閾值的分割方法、基于間斷檢測的分割方法、基于區(qū)域的分割方法。此外，還有一些比較特殊的圖像分割方法，比如混合幾種基本分割方法的復(fù)合圖像分割方案，引入待分割圖像先驗(yàn)知識(shí)的智能圖像分割方案，用于視頻特征提取的時(shí)域圖像分割方案等等。接下來，本章將按照以上的分類方法對(duì)圖像分割技術(shù)進(jìn)行綜述。由于本文著重于基于區(qū)域合并的紋理圖像分割，故將重點(diǎn)介紹基于區(qū)域合并的圖像分割，以便為下一步的研究工作提供指導(dǎo)。 基于閾值的圖像分割閾值圖像分割又稱為門限圖像分割，其原理簡單、易于實(shí)現(xiàn)，是一類被廣泛應(yīng)用的圖像分割方法， 其歷史可以追溯到上個(gè)世紀(jì)60年代。 早期的閾值分割方法，主要是圍繞灰度圖像展開研究的，后來被部分學(xué)者推廣到彩色圖像分割技術(shù)中，如文獻(xiàn)[11]提出的一種用于彩色圖像分割的多維直方圖閾值方法。近年來，更多的學(xué)者傾向于將閾值分割方法與其他的圖像分割方法結(jié)合起來使用。如文獻(xiàn)[12]中運(yùn)用模糊理論確定最優(yōu)閾值，文獻(xiàn)[13]將神經(jīng)網(wǎng)絡(luò)方法與傳統(tǒng)的閾值分割技術(shù)結(jié)合起來，獲得最優(yōu)閾值，解決了免疫組織化學(xué)中的細(xì)胞分割問題，等等。 基于間斷檢測的圖像分割大部分情況下，對(duì)于自然界中的圖像而言，其目標(biāo)與背景之間邊界部分的色彩、灰度都是不連續(xù)分布的，即邊界兩邊像素的灰度級(jí)存在明顯的跳變。這就是基于間斷檢測的圖像分割技術(shù)的前提假設(shè)， 基于這種不連續(xù)性的假設(shè)所考察對(duì)象的不同，可將該類分割技術(shù)分為三個(gè)主要類型：基于點(diǎn)的檢測、基于線的檢測、基于邊緣的檢測。 基于區(qū)域的圖像分割無論是圖像閾值分割方法還是間斷檢測分割方法，都沒有考慮目標(biāo)或背景內(nèi)部像素間的信息關(guān)聯(lián)性，而這一特性在機(jī)器視覺中卻是尤為重要的?；趨^(qū)域的圖像分割方法正是從目標(biāo)和背景內(nèi)部的像素間相似度角度出發(fā)，面向像素對(duì)圖像進(jìn)行分割的，具有前兩大類方法無法比擬的優(yōu)勢。文獻(xiàn)[14]對(duì)數(shù)字圖像像素的概念及特性進(jìn)行了全面的分析。按照處理圖像的方向性，基于區(qū)域的分割算法可以分為區(qū)域生長和分裂合并兩種類型。此外，還有一些對(duì)這兩類分割方法的推廣和改進(jìn)，如形態(tài)學(xué)分割方法、聚類分割方法等。 基于區(qū)域生長的分割區(qū)域生長分割算法的基本思想：將圖像中具有相似性質(zhì)的像素整合在一起構(gòu)成一個(gè)區(qū)域。在生成每個(gè)區(qū)域的過程中都要設(shè)定一個(gè)用于生長的種子像素，根據(jù)不同類型的圖像給定生長準(zhǔn)則，來判斷種子周圍的像素點(diǎn)是否與種子像素之間具有相似性，即是否可生長。如果可生長，則把該像素加入到區(qū)域中，并置其為新的種子像素，進(jìn)行迭代。具體步驟如下：(1)對(duì)每個(gè)需要分割的區(qū)域找一個(gè)種子像素作為生長的起點(diǎn)。(2)將種子像素周圍鄰域中與種子像素具有相同或相似性質(zhì)的像素合并到這一區(qū)域中。(3)將這些新像素當(dāng)作新的種子像素繼續(xù)進(jìn)行上面的過程，直到再?zèng)]有滿足條件的像素被包括進(jìn)來。在實(shí)際應(yīng)用區(qū)域生長法時(shí)需要解決三個(gè)問題：(1)選擇或確定一組能正確代表所需區(qū)域的種子像素。(2)確定在生長過程中能將相鄰像素包括進(jìn)來的準(zhǔn)則。(3)制定讓生長過程停止的條件或規(guī)則。種子像素的選取?？山柚唧w問題的特點(diǎn)進(jìn)行，利用迭代的方法從大到小逐步收縮是一種典型的方法。生長準(zhǔn)則的選取不僅依賴于具體問題本身，也和所用圖像數(shù)據(jù)的種類有關(guān)。一般生長過程在進(jìn)行到再?zèng)]有滿足生長準(zhǔn)則需要的像素時(shí)停止。由于相似性通常是用統(tǒng)計(jì)的方法確定的，所以基于區(qū)域生長的分割算法對(duì)噪聲不敏感。但是，區(qū)域生長分割算法的問題在于：種子像素點(diǎn)需要由操作人員按照分割需求來設(shè)定，對(duì)于復(fù)雜圖像的處理，區(qū)域生長分割算法的效率會(huì)大大降低；而且分割效果依賴于種子點(diǎn)的選擇及生長順序。對(duì)此，文獻(xiàn)[15]提出了一種通過計(jì)算種子點(diǎn)附近鄰域統(tǒng)計(jì)信息，自適應(yīng)改變生長標(biāo)準(zhǔn)參數(shù)的算法。導(dǎo)致基于區(qū)域生長的分割算法效率較低的另一個(gè)原因是算法的串行性。對(duì)此，文獻(xiàn)[16]研究并提出了并行性區(qū)域生長分割算法。 基于分裂合并的分割分裂合并算法的基本思想：對(duì)整個(gè)圖像分裂得到所有的分割區(qū)域，然后按照一定的規(guī)則對(duì)這些區(qū)域進(jìn)行合并。該方法的重點(diǎn)是指定分裂、合并的準(zhǔn)則，并考慮處理的精度。通常的作法是用網(wǎng)格簡單地對(duì)原圖像進(jìn)行分裂操作，網(wǎng)格的多少取決于希望獲得的分割精度； 通過比較各個(gè)分裂區(qū)域的灰度值均值和方差等統(tǒng)計(jì)量，來確定分裂區(qū)域的一致性。 整個(gè)分裂合并的過程如下： (1)對(duì)謂詞，如果，就把區(qū)域 分裂成4個(gè)象限子區(qū)域； (2)如果相鄰區(qū)域和滿足，則對(duì)這兩個(gè)區(qū)域進(jìn)行合并； (3)如果無法進(jìn)行分裂或合并操作時(shí)，結(jié)束。 基于分裂合并的分割算法同樣是基于統(tǒng)計(jì)學(xué)方法的，所以對(duì)噪聲也不敏感。但是區(qū)域分裂技術(shù)的固有缺點(diǎn)是可能會(huì)使邊界被破壞，且算法在精度與時(shí)間復(fù)雜度上存在沖突，需要找到一個(gè)均衡點(diǎn)，但這往往是很難的。 基于聚類的分割圖像的分割問題可看成是像素分類問題， 所以可以通過使用特征空間聚類算法實(shí)現(xiàn)。特征空間聚類分割將圖像的所有像素都一一映射在特征空間的每個(gè)點(diǎn)上，對(duì)特征空間進(jìn)行分割， 最后再次通過映射關(guān)系將分割結(jié)果定位在原始圖像上，從而實(shí)現(xiàn)了圖像目標(biāo)的分割。該過程不需要訓(xùn)練樣本，是一種無監(jiān)督、迭代式的統(tǒng)計(jì)分割過程。在基于特征空間聚類的算法中，K均值聚類[17]、模糊C均值聚類(FCM)等算法是