【正文】 分享榮譽(yù)的人的話(huà)，那么你就不愁沒(méi)有朋友。及時(shí)走出失敗高效能人士不會(huì)讓自己永遠(yuǎn)徘徊在失敗的陰影之下。環(huán)境能夠改變我們的思維與行為習(xí)慣，直接影響到我們的工作效能與生活。一名高效能人士的好口才加上禮儀禮節(jié)，往往可以為自己的工作錦上添花，如果我們能夠巧妙運(yùn)用語(yǔ)言藝術(shù)，對(duì)協(xié)調(diào)人際關(guān)系、提高工作效能都將大有裨益。這是每一個(gè)人只要肯做就能做到的，也是一個(gè)人走向成功的必由之路。學(xué)會(huì)正確地應(yīng)對(duì)壓力就成了高效能人士必備的一項(xiàng)習(xí)慣。杜絕壞的生活習(xí)慣習(xí)慣有好有壞。專(zhuān)注目標(biāo)美國(guó)明尼蘇達(dá)礦業(yè)制造公司(3M)的口號(hào)是:,對(duì)個(gè)人工作也有指導(dǎo)作用。他明白在一個(gè)企業(yè)中，只有團(tuán)隊(duì)成功，個(gè)人才能成功。習(xí)慣1向競(jìng)爭(zhēng)對(duì)手學(xué)習(xí)一位知名的企業(yè)家曾經(jīng)說(shuō)過(guò)，“對(duì)手是一面鏡子，可以照見(jiàn)自己的缺陷。因此，在工作中，如果我們不能選擇正確的事情去做，那么唯一正確的事情就是停止手頭上的事情，直到發(fā)現(xiàn)正確的事情為止。蓋茨所説：“通向最高管理層的最迅捷的途徑，是主動(dòng)承擔(dān)別人都不愿意接手的工作，并在其中展示你出眾的創(chuàng)造力和解決問(wèn)題的能力。”現(xiàn)實(shí)中那些頂尖的成功人士不是成功了才設(shè)定目標(biāo)，而是設(shè)定了目標(biāo)才成功。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。（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。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。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(lài)于初始分割的結(jié)果。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。目標(biāo)是提取草原場(chǎng)景中的若干只幼獅。當(dāng)用戶(hù)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。 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。因此，N中所有的區(qū)域全部被標(biāo)記，算法收斂。 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。如果，那么，否則，P與不再合并。 （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。當(dāng)處于最后循環(huán)的區(qū)域合并中，第1階段。如果P和，滿(mǎn)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。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。對(duì)每一個(gè)區(qū)域，確定其鄰域集合。 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。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。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。 (a)初始分割。上標(biāo)u表示直方圖的第u個(gè)箱格。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)。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。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。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。 基于聚類(lèi)的分割圖像的分割問(wèn)題可看成是像素分類(lèi)問(wèn)題， 所以可以通過(guò)使用特征空間聚類(lèi)算法實(shí)現(xiàn)。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。(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。此外，還有一些對(duì)這兩類(lèi)分割方法的推廣和改進(jìn)，如形態(tài)學(xué)分割方法、聚類(lèi)分割方法等。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。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(lèi)[8][9]、基于人工神經(jīng)網(wǎng)絡(luò)的圖像分割方法[10]等。 圖像分割的概念和分類(lèi)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。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。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)。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。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。雖然存在過(guò)分割，但是可以通過(guò)研究改進(jìn)算法減少過(guò)分割或選擇有效的后處理算法得到有用的結(jié)果?；趨^(qū)域的圖像分割方法，將圖像按內(nèi)容劃分成許多區(qū)域。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。視覺(jué)處理方法可分為兩類(lèi)：低級(jí)的圖像處理方法和高層的圖像理解方法。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。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。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(lèi)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。 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(lái)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。 早期的閾值分割方法，主要是圍繞灰度圖像展開(kāi)研究的，后來(lái)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。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(zhǎng)和分裂合并兩種類(lèi)型。在實(shí)際應(yīng)用區(qū)域生長(zhǎng)法時(shí)需要解決三個(gè)問(wèn)題：(1)選擇或確定一組能正確代表所需區(qū)域的種子像素。對(duì)此，文獻(xiàn)[15]提出了一種通過(guò)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(zhǎng)標(biāo)準(zhǔn)參數(shù)的算法。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。那么，模糊均值聚類(lèi)就可以通過(guò)最小化關(guān)于隸屬度矩陣和聚類(lèi)中心集合的目標(biāo)函數(shù)并繁復(fù)迭代來(lái)實(shí)現(xiàn)。盡管采用 LoG，Wavelets 等多尺度方法對(duì)其進(jìn)行改進(jìn)，降低對(duì)噪聲的敏感程度，但卻導(dǎo)致系統(tǒng)的計(jì)算復(fù)雜度大大增加。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。本章的研究對(duì)象是彩色(自然)圖像的分割問(wèn)題。為了度量區(qū)域之間的相似性．選擇Bhatlacha系數(shù)測(cè)量區(qū)域R和Q的相似度： 式中，和分別表示區(qū)域R和Q的直方圖。實(shí)際上，用戶(hù)的必要輸入越少，交互式算法就越方便越強(qiáng)大。 基于最大相似度的區(qū)域合并機(jī)制經(jīng)過(guò)目標(biāo)/背景的標(biāo)記后，準(zhǔn)確地從背景中提的目標(biāo)輪廓仍然是一個(gè)具有挑戰(zhàn)性的問(wèn)題，因?yàn)橛脩?hù)只指示了一小部分目標(biāo)/背景的特征。這個(gè)懶惰的方法提出了對(duì)齊摳出方法[25] ，它結(jié)合了基于分水嶺初始分割的圖形切割，這實(shí)際上是一個(gè)采用最