【正文】 割結(jié)果作為基礎(chǔ)，因此，如果Mean Shift分割不能提供一個(gè)好的初始分割結(jié)果，MSRM算法或許會(huì)失敗，無(wú)法成功提取目標(biāo)。但其用時(shí)最短，表明MSRM算法的效率與目標(biāo)個(gè)數(shù)并無(wú)很大相關(guān)性。表明MSRM算法的效率不僅依賴于初始分割結(jié)果，算法的有效性與目標(biāo)和背景的區(qū)分度有很大關(guān)系。提出的算法簡(jiǎn)單有效，它對(duì)圖像內(nèi)容自適應(yīng)理解。結(jié) 束 語(yǔ)隨著網(wǎng)絡(luò)及多媒體時(shí)代的到來(lái)， 人們對(duì)圖像與視頻分割技術(shù)提出了新的需求——優(yōu)秀的數(shù)字圖像及視頻分割不但要具有精確的分割線， 還應(yīng)具備高自動(dòng)化程度、實(shí)時(shí)性、易于操作等重要特性。本文對(duì)數(shù)字圖像分割技術(shù)進(jìn)行了較為全面的研究，重點(diǎn)分析了MSRM算法在圖像分割中的應(yīng)用，實(shí)現(xiàn)了高效和便捷的自適應(yīng)圖像分割，本文所做的主要工作如下：（1）總結(jié)了圖像與視頻分割技術(shù)的發(fā)展歷程，重點(diǎn)比較分析了各種類型圖像與視頻分割技術(shù)的特點(diǎn)，側(cè)重閾值分割、間斷檢測(cè)、區(qū)域分割三大類分割技術(shù)，深度挖掘了不同類型分割技術(shù)的優(yōu)勢(shì)和需要改進(jìn)之處。同時(shí)，結(jié)合通過(guò) 圖像處理工具箱得到的仿真結(jié)果，驗(yàn)證了本文改進(jìn)思想的可行性，有效性。自撰寫論文以來(lái)，鄭老師細(xì)致而具體指導(dǎo)我們每一個(gè)同學(xué)，并且指導(dǎo)性的提出許多寶貴的意見(jiàn)與建議。在此，我表示誠(chéng)摯的謝意。最后感謝我的母校武漢科技大學(xué)，感謝四年來(lái)的培養(yǎng)，讓我各方面都有了提高！。感謝他們一直以來(lái)無(wú)私地支持我、鼓勵(lì)我，使我能夠安心地學(xué)習(xí)，學(xué)業(yè)得以順利完成。同時(shí)，我還要感謝我的同學(xué)鄭凱、徐海洲等在畢業(yè)設(shè)計(jì)期間給予我的大力支持與幫助。 Applications，2005，25(5)：8287[15] 陸劍鋒，林海，潘志庚．自適應(yīng)區(qū)域生長(zhǎng)算法在醫(yī)學(xué)圖像分割中的應(yīng)用．計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，[16] 張發(fā)存，趙曉紅，王忠等．區(qū)域生長(zhǎng)法圖像分割的數(shù)據(jù)并行方法研究．計(jì)算機(jī)工程，2004，30(17)：1416 [17] Carevic D ， Caelli T ． Regionbased coding of color image using KarhunenLoeve transform．Graphics Models and Image Processing，1997，59(1)：2738[18] 楊暉，曲秀杰．圖像分割方法綜述．電腦開發(fā)與應(yīng)用，2005，18(3)：2123[19] Comaniciu．V．Ramesh and P．Meer．Real—time tracking of nonrigid objects using mean shift．In Proc．IEEE Conf．on Computer Vision and Pattern Recognition，Hilton Hcad，SC，olume II，June，2000。（2）對(duì)基于區(qū)域合并的紋理圖像分割算法進(jìn)行一些研究，交待了區(qū)域的表示和相似性度量，闡述了基于最大相似度的區(qū)域合并機(jī)制，重點(diǎn)分析了區(qū)域合并過(guò)程，最后對(duì)合并算法的收斂性進(jìn)行了證明。 所以針對(duì)數(shù)字圖像分割系統(tǒng)的自動(dòng)化程度及實(shí)時(shí)性的改進(jìn)正逐漸成為學(xué)者們關(guān)注的熱點(diǎn)問(wèn)題，尤其是在視頻特征提取、機(jī)器視覺(jué)等應(yīng)用上，更加側(cè)重于對(duì)圖像分割技術(shù)實(shí)時(shí)性、自動(dòng)化的需求。但是．當(dāng)初始分割結(jié)集的區(qū)域數(shù)比較多時(shí)，提出的算法的實(shí)時(shí)性將受到一定的影啊。然后，用戶輸入交互式信息，指定目標(biāo)和背景的大致位置和特征信息，提出的算法將自動(dòng)從各種背景中分割目標(biāo)。而且背景復(fù)雜，雖然得到較好的分割結(jié)果，但是效率不如前三者，表明MSRM算法效率的非常依賴于初始分割的結(jié)果。 a、b兩組不同標(biāo)記提取背景中的天鵝 分割效率分析—。但是，當(dāng)陰影出現(xiàn)、目標(biāo)和背景間存在著模糊區(qū)域或?qū)Ρ榷容^低時(shí)，MSRM算法分割性能會(huì)有所下降。根據(jù)大量的實(shí)驗(yàn)，發(fā)現(xiàn)只要標(biāo)記能夠覆蓋目標(biāo)的主要特征， MSRM通常能夠可靠地提取目標(biāo)。目標(biāo)是提取草原場(chǎng)景中的若干只幼獅。（a）顯示，Mean Shift分割存在嚴(yán)重的過(guò)分割。當(dāng)用戶輸入交互式信息之后，算法將自動(dòng)地進(jìn)行區(qū)域合并，將區(qū)域標(biāo)記為目標(biāo)或背景區(qū)域。其中目標(biāo)標(biāo)記為綠色，背景標(biāo)記為紅色。 圖像分割系統(tǒng)為了驗(yàn)證本文的算法，本文設(shè)計(jì)了一個(gè)自適應(yīng)圖像分割系統(tǒng)，該系統(tǒng)由3個(gè)模塊組成，預(yù)處理模塊、標(biāo)記模塊、和區(qū)域合并模塊。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。因此，N中所有的區(qū)域全部被標(biāo)記，算法收斂。根據(jù)以上分析，在迭代的下一個(gè)回合，P將與或其與另一個(gè)未標(biāo)記區(qū)域P’合并，或仍保持不變。 定理1 ，即所有的N區(qū)域經(jīng)過(guò)若干迭代會(huì)被標(biāo)記為目標(biāo)或著背景。 結(jié)束 收斂性分析該MSRM算法是一個(gè)迭代的方法。如果，那么，否則，P與不再合并。輸入：第一階段合并的結(jié)果。 （15）如果的地區(qū)無(wú)法找到新的合并對(duì)象，第一階段合并結(jié)束。（12）對(duì)于每個(gè)且，構(gòu)成其鄰域集合。當(dāng)處于最后循環(huán)的區(qū)域合并中，第1階段。最后，每個(gè)區(qū)域被標(biāo)記成兩類：目標(biāo)或背景，（d）顯示了最終提取的目標(biāo)。如果P和，滿足下式：那么將P與H，合并成一個(gè)區(qū)域否則，它們不能合并。未標(biāo)記區(qū)域在最大相似度規(guī)則的指導(dǎo)下互相融合，即目標(biāo)部分互相融合，背景部分互相融合。但是，仍有一些背景區(qū)域因?yàn)楸舜碎g具有更大的相似度．因此它們不能和背景標(biāo)記區(qū)域合并。以上的過(guò)程迭代進(jìn)行。對(duì)每一個(gè)區(qū)域，確定其鄰域集合。類似地，未標(biāo)記的背景區(qū)域同樣不會(huì)與目標(biāo)區(qū)域相合并。 這主要是因?yàn)?，直方圖是對(duì)本地區(qū)全局描述，它具有很強(qiáng)的噪音和很小的變化。合并規(guī)則定義如下： 若，則合并與。在本論文中，我們提出了一種自適應(yīng)地基于極大的相似性的合并機(jī)制，以辨別在目標(biāo)和背景標(biāo)記指導(dǎo)下所有未標(biāo)記區(qū)域。 目標(biāo)和背景的標(biāo)記分別提供了對(duì)象和背景一些關(guān)鍵特征。傳統(tǒng)的方法中，只有鄰近區(qū)域的相似性超過(guò)預(yù)設(shè)的閾值[24]才將兩個(gè)區(qū)域合并。 目標(biāo)標(biāo)記完后，每個(gè)區(qū)域?qū)⒈粯?biāo)記為三種類型的地區(qū)之一：目標(biāo)標(biāo)記區(qū)域，背景標(biāo)記區(qū)域和未標(biāo)記的區(qū)域。 (a)初始分割。（b）顯示了用簡(jiǎn)單的線條標(biāo)記目標(biāo)和背景的例子。上標(biāo)u表示直方圖的第u個(gè)箱格。 System分割的例子 區(qū)域的表示和相似性度量Mean Shift算法一般將圖像分割成一些區(qū)域，每個(gè)區(qū)域具有一定的特征。將以Mean Shilt算法的分割結(jié)果作為基礎(chǔ)，提出一種新的交互式區(qū)域臺(tái)并算法，來(lái)提取自然圖像中的目標(biāo)。這些交互式圖像分割算法通常是以像素為處理單位，但是，它們的一些基本思想顯然也適用于基于區(qū)域的處理，從而能夠改進(jìn)分割結(jié)果。雖然有很多圖像分割方法致力于解決圖像分割問(wèn)題，它們?cè)谝恍┨囟ǖ膶?duì)象中能取得較好的結(jié)果。 3 基于區(qū)域合并的紋理圖像分割算法的研究 引言基于區(qū)域的圖像分割方法，將圖像按內(nèi)容劃分成許多區(qū)域。而且，由于邊緣檢測(cè)分割的結(jié)果是非閉合的，還需額外考慮多尺度分割結(jié)果的融合問(wèn)題。腐蝕和膨脹對(duì)于灰度變化較明顯的邊緣作用很大，可用來(lái)構(gòu)造基本的形態(tài)學(xué)邊緣檢測(cè)算子(形態(tài)學(xué)梯度)[18]。但是，該方法沒(méi)有考慮圖像各個(gè)像素之間的空間幾何分布特征，對(duì)噪聲和不均勻灰度敏感。 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)行前面的步驟直到新舊類均值之差小于某一閾值。 基于聚類的分割圖像的分割問(wèn)題可看成是像素分類問(wèn)題， 所以可以通過(guò)使用特征空間聚類算法實(shí)現(xiàn)。通常的作法是用網(wǎng)格簡(jiǎn)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(guò)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(lái)確定分裂區(qū)域的一致性。導(dǎo)致基于區(qū)域生長(zhǎng)的分割算法效率較低的另一個(gè)原因是算法的串行性。一般生長(zhǎng)過(guò)程在進(jìn)行到再?zèng)]有滿足生長(zhǎng)準(zhǔn)則需要的像素時(shí)停止。(2)確定在生長(zhǎng)過(guò)程中能將相鄰像素包括進(jìn)來(lái)的準(zhǔn)則。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(zhǎng)的起點(diǎn)。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)域的圖像分割無(wú)論是圖像閾值分割方法還是間斷檢測(cè)分割方法，都沒(méi)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(jué)中卻是尤為重要的。近年來(lái)，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(lái)使用。接下來(lái)，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。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(lái)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。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(guò)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。 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