【正文】 M)等算法是最常用的聚類算法。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。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。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。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)。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。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。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。這就是基于間斷檢測(cè)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(cè)、基于線的檢測(cè)、基于邊緣的檢測(cè)。 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。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。 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(shì)，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。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。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。 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。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。紋理分析在材料科學(xué)的微結(jié)構(gòu)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。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。而科學(xué)研究表明，人類獲取的信息中有 75％左右來自于自身的視覺，即大部分信息為圖像圖形信息。視覺處理方法可分為兩類：低級(jí)的圖像處理方法和高層的圖像理解方法。 Algorithm。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 higherlevel 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.Regionbased image segmentation method is divided into many regions according to the contents of the image。MSRM是基于最大相似度的區(qū)域合并算法,該算法簡單有效,不需要設(shè)定區(qū)域合并的閾值,且對(duì)單目標(biāo)和多目標(biāo)圖像都能正確分割。基于區(qū)域的圖像分割方法，將圖像按內(nèi)容劃分成許多區(qū)域。題目：基于區(qū)域合并的紋理圖像分割—MSRM算法的MATLAB實(shí)現(xiàn)摘 要圖像分割是圖像分析及計(jì)算機(jī)視覺系統(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。雖然存在過分割，但是可以通過研究改進(jìn)算法減少過分割或選擇有效的后處理算法得到有用的結(jié)果。本設(shè)計(jì)在提取了圖像的顏色特征和紋理特征之后，計(jì)算相鄰區(qū)域的相似度，在人工交互信息的指導(dǎo)下，基于最大相似度準(zhǔn)則逐步對(duì)初始過分割區(qū)域進(jìn)行合并，分離出圖像中的目標(biāo)和背景。Although there is oversegmentation，studing improved algorithm can reduce the oversegmentation or choosing an effective postprocessing 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 oversegmentation, 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 multitarget image from plex 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 oversegmentation of regions. Then separated the target and background from image.Keywords: MSRM。 Texture image目 錄1 緒論 1 研究的背景和意義 1 內(nèi)容與組織結(jié)構(gòu) 12 圖像分割技術(shù)研究綜述 3 引言 3 圖像分割的概念和分類 3 基于閾值的圖像分割 4 基于間斷檢測(cè)的圖像分割 4 基于區(qū)域的分割 4 基于區(qū)域生長的分割 5 基于分裂合并的分割 6 基于聚類的分割 7 基于形態(tài)學(xué)的分割 7 本章小結(jié) 73 基于最大相似度的交互式區(qū)域合并算法的研究 8 引言 8 區(qū)域表示和相似性度量 9 目標(biāo)和背景標(biāo)記 9 基于最大相似度的區(qū)域合并機(jī)制 10 區(qū)域合并算法 11 收斂性分析 13 本章小結(jié) 144 圖像分割系統(tǒng)設(shè)計(jì)及實(shí)驗(yàn)結(jié)果 15 引言 15 圖像分割系統(tǒng) 15 實(shí)驗(yàn)結(jié)果與分析 15 實(shí)驗(yàn)結(jié)果 15 魯棒性分析 16 分割效率分析 19 結(jié)論 20結(jié) 束 語 21參考文獻(xiàn) 22致 謝 241 緒論 研究的背景和意義計(jì)算機(jī)視覺是通過計(jì)算機(jī)模擬人類視覺行為的一門學(xué)科，其任務(wù)為對(duì)輸入的圖像(序列)數(shù)據(jù)自動(dòng)進(jìn)行分析和解釋。前者不需要預(yù)先知道圖像的內(nèi)容，通常包括圖像壓縮、圖像恢復(fù)、圖像分割、邊界檢測(cè)等方法，為高層的圖像理解提供支持。圖像信息相對(duì)于其他類型的信息來說，最大的優(yōu)勢(shì)在于信息量大、直觀、形象、易于理解等特點(diǎn)。因此，可以說圖像分割是圖像處理中最為重要的環(huán)節(jié)。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。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。 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)。 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。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。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(chǎng)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。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。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。 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(cè)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。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。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)確定在生長過程中能將相鄰像素包括進(jìn)來的準(zhǔn)則。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。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。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。 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)。 K均值聚類算法先選取K個(gè)初始類均值，然后將每個(gè)像素歸入均值離它最近的類，并計(jì)算新的類均值，迭代執(zhí)行