【文章內(nèi)容簡介】 模糊數(shù)學為基礎，利用隸屬度來解決圖像中由于信息不全面、不準確、含糊、矛盾等造成的不確定性問題，也是現(xiàn)在非常新的一種方法。小波變換是一種多尺度多通道分析工具，比較適合對圖像進行多尺度的邊緣檢測。例如，可利用高斯函數(shù)的一階或二階導數(shù)作為小波函數(shù)，利用Mallat算法分解小波，然后基于馬爾算了進行多尺度邊緣檢測。這里小波分解的級數(shù)可以控制觀察距離的“調(diào)焦”，而改變高斯函數(shù)的標準差可選擇所檢測邊緣的細節(jié)程度。小波變換的計算復雜度較低，抗噪聲能力強。理論證明，以零點為對稱點的對稱二進小波適應檢測屋頂狀邊緣，而以零點為反對稱點的反對稱二進小波適合檢測階躍狀邊緣。近年來多進制（MultiBand）小波也開始用于邊緣檢測。另外，利用正交小波基的小波變換也可提取多尺度邊緣，并可通過對圖像奇異度的計算和估計來區(qū)分一些邊緣的類型。基于遺傳算法的分割方法的基本思想是利用遺傳算法具有能是一種迭代式優(yōu)化算法并具有合局搜索能力的優(yōu)點，幫助確定分割闌值。早在上世紀50年代中期計算機視覺理論體系形成之前，人們就開始了圖像分割的研究。因為圖像分割在計算機視覺中起有很重要作用。幾十年來學者們進行了大量的工作，取得了不少研究成果，針對各種具體的圖像，提出了許多不同的圖像分割算法。然而，至今仍無統(tǒng)一的理論，還沒有哪一種分割方法可以對所有的圖像都能進行理想的分割，也不存在所有方法對某一類圖像均可獲得較好分割結(jié)果的情況。尋找一種通用的、可適合所有類型圖像的分割方法一直是人們不斷追求的夢想，并且隨著分割算法的逐漸增多，如何較好地、準確地、客觀地進行圖像分割質(zhì)量評價(圖像分割效果、分割算法性能)也是擺在人們而前的一個重要的}研究究課題。建立一個大家都能接受的對圖像分割結(jié)果好壞的客觀評判標準是這個問題的難點所在。一般認為對于圖像分割方法的評價可以通過分析和實驗2種方式來進行。因此，分割評價方法可分為分析法和實驗法2大類。前者是直接分析分割算法的原理及性能而后者是通過對圖像的分割結(jié)果來評價算法。盡管利用分析法的評估可以免除一些試驗因素的影響，但是并不是所有的性能都能夠通過分析而得到，而且僅僅從算法本身的原理及性能出發(fā)的分析，往往缺乏足夠的說服力。相對而言，實驗評價的方法更具有實際竟義。許多人對圖像分割算法的評價就是一種典型的騙差法，其理想分割圖像是若干個操作人員的分割結(jié)果，以此為標準，比較計算機分割結(jié)果是否與這些標準一致。實際中，由于目標圖像的不可預知性以及手工分割差異的存在和分割專家的稀缺性，可供比較的理想分割圖像樣本很難得到并被統(tǒng)一認定，因此，這類方法在使用上有很大的局限性。實驗優(yōu)度法是在沒有正確分割先驗知識的情況寫，根據(jù)分割圖形計算某種優(yōu)度量值來評價分割算法的好壞，常用的優(yōu)度量值是區(qū)域一致性、區(qū)域?qū)Ρ榷群蛥^(qū)域形狀參數(shù)等?，F(xiàn)在有些學者又引入了叫像模糊度和綜合測度，這些模糊理論的應用是圖像處理領域的一個重要方向。本章首先介紹了圖像的基本屬性，對圖像的基本屬性亮度、對比度、進行了分析，并附圖加以說明。研究學習了顏色各種模型，建立了它們的顏色空間模型。然后介紹了圖像分割的定義，分析了定義中的條件。最后介紹了圖像分割的定義加以說明，介紹了圖像分割方法的分類，并對各種方法加以說明，說明現(xiàn)在研究的成果和狀況?，F(xiàn)在圖像分割技術雖然有了很大的發(fā)展，但是圖像分割現(xiàn)在還沒有一個標準，對圖像分割的評論還不完善，等待我們?nèi)パ芯恳粋€評論的標準，完善圖像分割技術。第3章 Mean shift 算法分析第3章 Mean shift算法分析 Mean Shift算法是一種特征空間聚類算法，它的一個突出優(yōu)點是不須人為地設定過多參數(shù)，而可以得到較為客觀的分割結(jié)果。聚類分析是由若干模式組成的，通常，模式是一個度量的向量，或者是多維空間中的一個點。聚類分析以相似性為基礎，在一個聚類中的模式之間比不在同一聚類中的模式之間具有更多的相似性。設= 1 ... .. n是在d維歐幾里得空間的n個任意設置路意見來自一個未知的概率密度函數(shù)f根據(jù)先驗知識在F估計的概率密度函數(shù)f可以構(gòu)建基于兩個戰(zhàn)略，參數(shù)和非參數(shù)。如果數(shù)據(jù)被假定為從某家樣本分布參數(shù)，例如敵人的正常密度，估計被稱為參數(shù)。樣本數(shù)據(jù)來估計模型，平均向量和協(xié)方差矩陣的例子在正常的參數(shù)，那么，f是由密度公式代入估計數(shù)確定。有限混合模型也可以被視為一個參數(shù)密度模型。它可以表示為 （）其中是一家集，科幻密度有一個先驗概率和迭代參數(shù)的估計。一般而言，參數(shù)模型是最復雜和最簡單的估計，但在表現(xiàn)力不足。他們建議在哪些情況下的假定模型具有很強的物理驗證或在關鍵時刻有一個低估計的復雜性。一個密度模型有一個自由，隨著樣本數(shù)據(jù)的基數(shù)不同程度的被稱為非參數(shù)一大批。最近鄰法和核估計是兩種技術，在數(shù)據(jù)非參數(shù)描述的結(jié)果。非參數(shù)模型通常需要對樣本數(shù)據(jù)表現(xiàn)良好，并有大量增加的復雜性。然而，他們的感覺是非常靈活，他們可以近似一個真正的密度大類。多變量柱狀圖也可以被看作是一個非參數(shù)模型。不幸的是，高維特征空間，多元直方圖是那么有用，因為它們的垃圾桶數(shù)量成倍增長的空間維度，以及由于引入了量化的文物。相較于非參數(shù)的參數(shù)被認為是二分法，與兩者之間的平穩(wěn)過渡：“將會走向更加嚴格的非參數(shù)假設在少代會有關的”觀測數(shù)據(jù)的分布的。又見就這個議題進行討論。該功能位低視力水平的任務是最經(jīng)常被采用非常不規(guī)則的數(shù)據(jù)簇的數(shù)量和形狀都沒有的特點。這有力地表明，非參數(shù)的做法，提供了當?shù)氐幕久芏葮O大可靠的檢測，該模式應為分析就業(yè)。最近的鄰居是，但是，這個任務不推薦，容易被當?shù)氐脑胍?，使人們難以準確的模式檢測。此外，所得到的估計是不是因為它的概率密度集成到無窮大。對于低到中等規(guī)模的數(shù)據(jù)，核估計是一個很好的現(xiàn)實選擇：它是簡單和內(nèi)核服從條件溫和的估計是漸近無偏，在均方意義上的一致和統(tǒng)一的概率是一致的。多變量核密度估計所得與核k(x)和窗口半徑h時，在計算點x被定義為： ()在核K（x）是一個標量函數(shù)，它必須滿足以下條件: ()當密度估計被視為一個標準的點與未知參數(shù)，該預算的質(zhì)量表示為均方誤差，等于方差和偏差平方的總和估計問題 （），給出了偏差，在假定模型的僵化，而差額指的是不可靠的估計。重要的是要注意，偏置{f(x)}只依賴于內(nèi)核和窗口半徑類型，但不得由樣本大小直接影響。因此，在樣本量的增加將不會孤單減少偏見。密度的估計計算的全球性質(zhì)的L按功能規(guī)范： （）也經(jīng)常用在理論分析。特別感興趣，因為它的數(shù)學可追蹤性，是指整合方誤差準則（MISE）規(guī)范為基礎的： ()根據(jù)方程（）中，MISE的標準可以解釋為平均估計的數(shù)字與真正的全球密度測量誤差均，而當積累點明智的錯誤。該MISE的是一個有用的標準時，f是已知或可以合理地假設，或在收斂性和漸近性質(zhì)要求相似. 這種偏見，方差和近似MISE的可以計算的密度函數(shù)為徑向?qū)ΨQ單因素和多因素的情況。結(jié)果表明，漸近無偏性，均方的一致性和均勻的概率密度估計的一到保證，如果窗口的內(nèi)核半徑?滿足下列條件的，如下公式所示： ()此外，該近似MISE的產(chǎn)量減少了多元葉帕涅奇尼科夫內(nèi)核： （）其中C是單位體積的d維空間。另一種常用的內(nèi)核是多元的正常 （）兩個顯著的結(jié)論可以得出關于窗口半徑小時第一個是有關一個密度估計根本的問題：偏差和方差不能減少調(diào)整窗口同時半徑小時如果一個非常小的H值時，則是消除偏見，但綜合變異會增加，反之亦然。因此，選擇意味著在H之間的隨機和系統(tǒng)誤差的權(quán)衡。第二個結(jié)論是關系到作為一個窗口的半徑函數(shù)近似MISE的最小化。因為該值的H從最小化，導致對未知的密度取決于所估計的，唯一合理的方法是選擇參照一些分配標準家庭的H值。例如，當單位多元正常密度為參考，在最佳窗口半徑的近似MISE的意識，是給予： () 在葉帕涅奇尼科夫內(nèi)核的情況下，和 （）為多元正常的內(nèi)核。該參考規(guī)則，但是，只提供從一個單峰分布接近正常來樣一個有用的窗口半徑。當樣本數(shù)據(jù)是多式聯(lián)運的參考規(guī)則暗示了平滑。阿一些解決方法已被提出來獲得更準確的H值的基礎上，引導和技術，如交叉驗證。不幸的是，單變量算法療效尚在調(diào)查之中，而多元的算法是一個開放的研究課題。由于計算機視覺應用的典型樣本數(shù)據(jù)結(jié)果遠未正常的，上面只能用來為半徑的窗口選擇合理的初步討論了理論推導。 h的值是最常見的任務，并在實際設置依賴其選擇應包括一個自上而下，知識驅(qū)動的部件。這一結(jié)論是支持的事實，即“形成一個探索性的觀點來看，所有的帶寬?導致選擇使用。平均轉(zhuǎn)移載體的構(gòu)建及其關系的正?；芏忍荻裙烙嫿榻B如下。通過采用微內(nèi)核，估計 （）關于核K（條件x）和窗口半徑h保證漸近無偏性，均方和統(tǒng)一的一致性估計是根據(jù)英寸。對于葉帕涅奇尼科夫成為內(nèi)核的密度梯度估計： （）凡本地區(qū)S是一個半徑超球面?具有體積凱康，集中在含有X和NX的數(shù)據(jù)點，統(tǒng)一內(nèi)核。上一得： （）被稱為樣本均值漂移。. 運用為導葉帕涅奇尼科夫內(nèi)核密度不同的加權(quán)平均計算的梯度估計結(jié)果。數(shù)量Y是核密度估計函數(shù)f（x）與超球秒（數(shù)字X），因此，我們可以寫為： （）其中產(chǎn)量 （）首先表達推導比1的標準化梯度估計，可以通過計算樣本的平均值在X上的集中統(tǒng)一內(nèi)核的轉(zhuǎn)變平均轉(zhuǎn)移載體具有密度的梯度估計在x方向時，這一估計是與Epanechnukov內(nèi)核獲得。由于均值漂移向量始終朝向在密度最高增幅指明了方向，它可以定義一個路徑導致局部密度最高的密度為1模式。歸一化梯度引入了一個理想的適應性行為：均值漂移的步驟是為低密度區(qū)域，對應有山谷，跌幅為x辦法一大模式。本章介紹了密度估計方法分類，通過對引進后核估計。從內(nèi)核的方法和最佳的理論帶寬是討論未來的概算的質(zhì)量。介紹了移動平均作為歸密度梯度估計。這章中我主要研究學習mean shift 算法的原理,掌握mean shift 算法.第4章 實驗與分析第4章 實驗與分析 編程環(huán)境介紹MATLAB 是MathWorks公司開發(fā)的一套高性能的用于數(shù)值計算和可視化圖形處理的工程語言，是一門計算機編程語言,是 matrix laboratory（矩陣實驗室）的縮寫,專門以矩陣的方式來處理計算機數(shù)據(jù),它把數(shù)值計算和可視化環(huán)境集成到一起，非常直觀。它將數(shù)值分析、矩陣運算、圖形圖像處理、信號處理和仿真等集成于一體,構(gòu)成了一個方便、界面友好的用戶環(huán)境。MATLAB語言是一種簡單、高效、功能極強的編程語言,它可用于數(shù)學、計算機、電子工程、信息工程、機械工程等專業(yè)。MATLAB都是標準的計算工具。在中補充了許多針對特定應用的工MATLAB具箱,圖像處理工具箱是一個函數(shù)（稱為MATLAB[1]P3M函數(shù)或文件）集，它擴展了解決圖MATLAB像處理問題的能力，目前還推出了信號處理工具箱小波工具箱神經(jīng)網(wǎng)絡工具箱以及通信工具箱、等多個學科的專用工具箱，極大地方便了不同學科的研究工作在數(shù)字圖象處理中，圖象處理技術基礎圖象變換圖象增強圖象分割圖象壓縮圖象恢復等都可以在中找到相應的函數(shù)或函MATLAB數(shù)的組合加以求解。MATLAB 軟件具有強大的函數(shù)庫，為圖像的分割提供了方便，例如： (1). imhist 函數(shù)，功能：計算和顯示圖像的色彩直方圖；(2). imcontour 函數(shù)，功能：顯示圖像的等灰度值圖；(3) imadjust 函數(shù)，功能：通過直方圖變換調(diào)整對比度；(4) histeq 函數(shù),功能：直方圖均衡化。本次課程設計程序運行硬件配置：華碩筆記本一臺；電腦配置為屏幕尺寸：14英寸；處理器型：Intel 酷睿2雙核 T6670；顯卡芯片：NVIDIA GeForce G 1G；標配內(nèi)存：2GB；硬盤容量：320GB。 相關圖像實驗 灰度變換就是對圖像像素灰度值進行修正，使圖像灰度值動態(tài)范圍加大，對比度擴展，成像均勻清晰，達到改善圖像質(zhì)量的目的圖像處。MATLAB理工具箱提供了灰度調(diào)整函數(shù) ，可以將imadjust()圖像的灰度值調(diào)整到一個指定的范圍。程序代碼如下：f=imread(39。39。)。g1=imadjust(f,[0 1],[1 0])。g2=imadjust(f,[ ],[0 ])。imshow(f),figure,imshow(g1),figure,imshow(g2)程序運行如下圖：圖41：同一幅圖像不同灰度的對照Figure 41: the same image with different grayscale contrast彩色圖像是由R、G、B這3種顏色按不同的比例混合而成，也稱真彩色模式，是PS中最為常見的一種色彩模式。在PS中，紅、綠、藍三原色的取值范圍都是0～255，把這3種原色進行各種比例的調(diào)和就可產(chǎn)生16777216（256*256*256）種顏色，可以達到很好的模擬自然界顏色效果。一般圖像大都為RGB模式。彩色圖像基色分解程序如下：RGB=imread(39。39。)。subplot(2,2,1),imshow(RGB)。 subplot(2,2,2),imshow(RGB(:,:,1))。subplot(2,2,3),imshow(RGB(:,:,2))。 subplot(2,2,4),imshow(RGB(:,:,3))。程序運行如下圖：