【正文】 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(yǔ) 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(jué)是通過(guò)計(jì)算機(jī)模擬人類(lèi)視覺(jué)行為的一門(mén)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。圖像信息相對(duì)于其他類(lèi)型的信息來(lái)說(shuō)，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)。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。 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(guò)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)。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(mǎn)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。接下來(lái)，本章將按照以上的分類(lèi)方法對(duì)圖像分割技術(shù)進(jìn)行綜述。 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。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)。一般生長(zhǎng)過(guò)程在進(jìn)行到再?zèng)]有滿(mǎn)足生長(zhǎng)準(zhǔn)則需要的像素時(shí)停止。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。 K均值聚類(lèi)算法先選取K個(gè)初始類(lèi)均值，然后將每個(gè)像素歸入均值離它最近的類(lèi)，并計(jì)算新的類(lèi)均值，迭代執(zhí)行前面的步驟直到新舊類(lèi)均值之差小于某一閾值。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]。 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。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。 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。（b）顯示了用簡(jiǎn)單的線條標(biāo)記目標(biāo)和背景的例子。 目標(biāo)標(biāo)記完后，每個(gè)區(qū)域?qū)⒈粯?biāo)記為三種類(lèi)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。 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。合并規(guī)則定義如下： 若，則合并與。類(lèi)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。以上的過(guò)程迭代進(jìn)行。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。最后，每個(gè)區(qū)域被標(biāo)記成兩類(lèi)：目標(biāo)或背景，（d）顯示了最終提取的目標(biāo)。（12）對(duì)于每個(gè)且，構(gòu)成其鄰域集合。輸入：第一階段合并的結(jié)果。 結(jié)束 收斂性分析該MSRM算法是一個(gè)迭代的方法。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。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。其中目標(biāo)標(biāo)記為綠色，背景標(biāo)記為紅色。（a）顯示，Mean Shift分割存在嚴(yán)重的過(guò)分割。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)。 a、b兩組不同標(biāo)記提取背景中的天鵝 分割效率分析—。然后，用戶(hù)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)。 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。 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(kāi)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。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。在此，我表示誠(chéng)摯的謝意。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。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。表明MSRM算法的效率不僅依賴(lài)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。其次，提出的算法以Mean Shift算法的分割結(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)。 （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(hù)輸入標(biāo)記。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。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。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。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。（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。 第2階段。輸入：初始分割結(jié)果或第二個(gè)階段的合并結(jié)果。（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?？梢钥闯?，經(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。然后計(jì)算和中的每一個(gè)區(qū)域的相似度。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。所以與它所有鄰域相似性表示為，顯然。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。綠線是目標(biāo)標(biāo)記和紅線是背景標(biāo)記。用戶(hù)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。因此，一些結(jié)合用戶(hù)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)。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。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。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。 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。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。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(lèi)型的圖像給定生長(zhǎng)準(zhǔn)則，來(lái)判斷種子周?chē)南袼攸c(diǎn)是否與種子像素之間具有相似性，即是否可生長(zhǎng)。 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。按照該特性可以將這些已有的圖像分割方法歸為三類(lèi)：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。 從工程實(shí)現(xiàn)的角度，圖像分割又可以定義