【正文】 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。 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)。盡管人們?cè)诩y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(wú)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(wèn)題。紋理是圖像的一個(gè)重要特征。因此，數(shù)字圖像分割技術(shù)為越來(lái)越多學(xué)者所重視，正逐漸成為網(wǎng)絡(luò)信息時(shí)代一個(gè)新的研究熱點(diǎn)[1]。而后者是根據(jù)目標(biāo)的相關(guān)知識(shí)及一些實(shí)現(xiàn)方法，基于低級(jí)階段獲取的圖像特征來(lái)模擬人的視覺(jué)和做決策的過(guò)程，通常包括目標(biāo)識(shí)別、圖像理解、3D視覺(jué)和目標(biāo)運(yùn)動(dòng)分析等。根據(jù)數(shù)據(jù)的組織形式，計(jì)算機(jī)視覺(jué)可劃分為四個(gè)層次。 Region merging。關(guān)鍵詞： MSRM；區(qū)域合并； 交互式圖像分割；算法；紋理圖像AbstractImage segmentation is the important elements of image analysis and puter vision systems ，and it is a fundamentalproblem in image processing。例如，在Mean Shift和Watershed這兩種圖像分割算法中，一方面可以研究各種減少過(guò)分割的改進(jìn)算法。圖像分割是由圖像處理到圖像分析的關(guān)鍵步驟，只有在圖像分割的基礎(chǔ)上才能對(duì)目標(biāo)進(jìn)行特征提取、參數(shù)測(cè)量和識(shí)別，使得更高層的圖像分析和理解成為可能，圖像分割質(zhì)量的好壞直接影響后續(xù)圖像處理的效果。因此，可以說(shuō)圖像分割是圖像處理中最為重要的環(huán)節(jié)。另一方面，也可以采用有效的預(yù)處理，去除噪音，使圖像適宜于Watershed或Mean Shift算法分割。 Image segmentation is a key step that from image processing to the image analysis。 Interactive Image Segmentation。最底層是原始的目標(biāo)或場(chǎng)景，通過(guò)信號(hào)處理和數(shù)字化，得到對(duì)應(yīng)圖像的數(shù)字化表示形式；中間層則借助各種各樣的算法，提取圖像的各種特征，在各層之間建立聯(lián)系；最后頂層通過(guò)模式識(shí)別方法，進(jìn)行圖像理解。隨著信息時(shí)代的來(lái)臨，越來(lái)越多的各種信息充斥著人們的生活，人們渴望利用計(jì)算機(jī)來(lái)處理繁多的信息。 圖像分割[2][3]是圖像分析及視覺(jué)系統(tǒng)中的重要環(huán)節(jié)，是圖像處理研究中的一個(gè)基本難題。以紋理特性為主導(dǎo)的圖像稱為紋理圖像[4]，紋理圖像是圖像的重要組成部分，通常運(yùn)用各種觀測(cè)系統(tǒng)獲得的圖像大多是紋理型的，在航空航天遙測(cè)領(lǐng)域中，各種航空、衛(wèi)星遙感圖像是對(duì)地面宏觀大范圍的考察，這類圖像大多是紋理型的，通過(guò)對(duì)這些圖像的分析可獲得地質(zhì)狀況、土地利用、植被長(zhǎng)勢(shì)等一系列信息。紋理分割問(wèn)題仍然是圖像處理和機(jī)器視覺(jué)領(lǐng)域中一個(gè)非常艱巨的和富有挑戰(zhàn)的課題。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(cè)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。因此學(xué)者們看待該問(wèn)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。 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(guò)程。 條件(1)說(shuō)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(shuō)明各個(gè)分割區(qū)域之間相互不重疊；條件(3)說(shuō)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(shuō)明不同分割區(qū)域 和 對(duì)于謂詞是不同的。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(cè)的分割方法、基于區(qū)域的分割方法。 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(jiǎn)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。 基于間斷檢測(cè)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。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。在生成每個(gè)區(qū)域的過(guò)程中都要設(shè)定一個(gè)用于生長(zhǎng)的種子像素，根據(jù)不同類型的圖像給定生長(zhǎng)準(zhǔn)則，來(lái)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(zhǎng)。(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(guò)程，直到再?zèng)]有滿足條件的像素被包括進(jìn)來(lái)。種子像素的選取?？山柚唧w問(wèn)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。但是，區(qū)域生長(zhǎng)分割算法的問(wèn)題在于：種子像素點(diǎn)需要由操作人員按照分割需求來(lái)設(shè)定，對(duì)于復(fù)雜圖像的處理，區(qū)域生長(zhǎng)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(zhǎng)順序。 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。 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。該過(guò)程不需要訓(xùn)練樣本，是一種無(wú)監(jiān)督、迭代式的統(tǒng)計(jì)分割過(guò)程。其基本的思路為： 將由個(gè)維數(shù)為的樣本組成的數(shù)據(jù)集分為c類，則模糊隸屬度矩陣表示，并滿足以下條件：（1）；（2）；（3）。它的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。 基于間斷檢測(cè)的分割技術(shù)比較適用于對(duì)紋理圖像的分割，但是需要根據(jù)不同的圖像設(shè)置不同的檢測(cè)模板，且該類算法普遍對(duì)噪聲敏感。所以，在圖像信息向著高清晰度發(fā)展的趨勢(shì)下，選MSRM分割算法對(duì)圖像進(jìn)行分割處理是非常適合的。例如，在Mean Shift[19]和Watershed[20]這兩種圖像分割算法中，一方面可以研究各種減少過(guò)分割的改進(jìn)算法。因此，一些結(jié)合用戶輸入或先驗(yàn)信息的半自動(dòng)圖像分割方法，即交互式圖像處理[21]，成為近年來(lái)研究的熱點(diǎn)。但是，因?yàn)槟繕?biāo)和背景通常呈現(xiàn)復(fù)雜的特征，傳統(tǒng)的基于固定閾值的合并方法很難得到有效的結(jié)果，因此需要研究新的算法解決復(fù)雜條件下的區(qū)域合并。將RGB顏色空間量化為16x16x16=4096箱格，然后計(jì)算每個(gè)區(qū)域的規(guī)范化直方圖。用戶可以在圖像上通過(guò)繪制標(biāo)記，如直線，曲線和筆劃等來(lái)輸入上互動(dòng)信息。請(qǐng)注意，通常只有一小部分的目標(biāo)區(qū)域和背景區(qū)域會(huì)被用戶標(biāo)記。綠線是目標(biāo)標(biāo)記和紅線是背景標(biāo)記。為了方便的后續(xù)討論，我們分別用和表示目標(biāo)標(biāo)記區(qū)域集和背景標(biāo)記區(qū)域集，用表示未標(biāo)記區(qū)域集。一個(gè)過(guò)大的閾值將導(dǎo)致目標(biāo)的區(qū)域的不完全合并，而過(guò)小的閾值可以很容易造成過(guò)合并，即一些目標(biāo)區(qū)域被合并為背景區(qū)域。類似的，提出的區(qū)域合并方法也將從初始標(biāo)記區(qū)域開(kāi)始，然后所有未標(biāo)記區(qū)域?qū)⒅饾u標(biāo)識(shí)為目標(biāo)區(qū)域或背景區(qū)域。所以與它所有鄰域相似性表示為，顯然。（2）一個(gè)重要的優(yōu)點(diǎn)是它避免了合并控制中相似性閾值的預(yù)置。總的來(lái)說(shuō)，標(biāo)記區(qū)域包含了相應(yīng)的主要特征，因此，未標(biāo)記的目標(biāo)區(qū)域與目標(biāo)標(biāo)記區(qū)域，以及未標(biāo)記的背景區(qū)域與背景標(biāo)記區(qū)域有著更高的自相似度。合并策略是盡可能合并背景區(qū)域，而保持前景區(qū)域不被合并。然后計(jì)算和中的每一個(gè)區(qū)域的相似度。當(dāng)所有背景標(biāo)記找不到新的合并對(duì)象時(shí)，迭代結(jié)束?？梢钥闯觯?jīng)過(guò)第一階段后，大多數(shù)屬于背景的區(qū)域己被合并，但仍有一些未標(biāo)記的背景區(qū)域未和背景標(biāo)記區(qū)域合并。那么。（b）表明，經(jīng)過(guò)第二階段的合并之后，一些未標(biāo)記目標(biāo)區(qū)域和未標(biāo)記背景區(qū)域分別互相融合。 區(qū)域合并過(guò)程（a）第一回合第一階段(b)第一回合第二階段(c)第二回合第一階段(d)第二回合第二階段MSRM算法 輸入：初始均值漂移分割結(jié)果。輸入：初始分割結(jié)果或第二個(gè)階段的合并結(jié)果。否則B和不合并。 第2階段。（22）對(duì)于每個(gè)，且，構(gòu)成其鄰域集合，顯然。（25）如果在區(qū)域N無(wú)法找到新的區(qū)域合并，第二階段停止。可以很容易地看出該方法收斂。如果和P有最大相似度的區(qū)域B在目標(biāo)標(biāo)記區(qū)域中，那么P將保留。從上面過(guò)程可以看出，隨著合并的進(jìn)行，來(lái)標(biāo)記區(qū)域中的一部分與目標(biāo)標(biāo)記區(qū)域合并，一部分將與背景標(biāo)記區(qū)域臺(tái)并，因此未標(biāo)記區(qū)域N的個(gè)數(shù)將會(huì)逐漸減少。接著對(duì)MSRM算法的背景知識(shí)做了介紹，即區(qū)域的表示和相似度的度量，以及標(biāo)記的劃分等。最后本章指出了算法的收斂性，并進(jìn)行了證明。由于本文著重于區(qū)域合并算法，這里采用EDISON System[23]，它基于邊緣信息對(duì)Mean Shift方法進(jìn)行了擴(kuò)展，區(qū)域性更好，可以識(shí)別微弱邊緣。 實(shí)驗(yàn)結(jié)果與分析通過(guò)一些有代表性的例子測(cè)試提出的算法，然后進(jìn)行魯棒性分析以及介紹可能失敗的情況，最后分析了提出算法的局限性。算法效率很高，只需很少的標(biāo)記，經(jīng)過(guò)兩階段的區(qū)域合并之后，（d）顯示，目標(biāo)被成功地提取。（b）顯示，MSRM算法仍成功地從背景中提取目標(biāo)。 （a）到(d)顯示了圖像分割的過(guò)程 一個(gè)多目標(biāo)提取例子 魯棒性分析和失敗情況MSRM算法是一種交互式的圖像分割方法，需要由用戶輸入標(biāo)記。（b）顯示，用更少的標(biāo)記，仍可以提取天鵝的基本輪廓。其次，提出的算法以Mean Shift算法的分