【文章內(nèi)容簡介】 序 列的目標(biāo)有較好的效果。 論文結(jié)構(gòu) 本論文分為五章 ： 第一章是緒論部分。主要介紹了圖像分割的背景和動機，研究的內(nèi)容和創(chuàng)新點，以及論文的結(jié)構(gòu)。 第二章是圖像分割與人工生命的研究背景介紹部分。主要介紹圖像分割的基本概念和一些經(jīng)典的算法，人工生命的發(fā)展和現(xiàn)狀，相關(guān)概念及思想以及這一學(xué)科的發(fā)展前景和應(yīng)用的情況。 第三章是作者的基于細胞自動機的人工生命模型介紹部分。主要介紹了作者研究的應(yīng)用于單一靜態(tài)圖像上的人工生命模型，系統(tǒng)地介紹了模型的各個模塊及 第 8 頁 共 78 頁 算法，并通過實驗對人工生命模型分割出的圖像做了定量定性的評價，也與其它的 傳統(tǒng)的方法作了一個比較，論證了基于細胞自動機的人工生命模型在靜態(tài)圖像上的良好的性能，分析了該模型的優(yōu)點及缺陷。 第四章是根據(jù)圖像視頻序列的圖像特征，針對目標(biāo)提取的圖像分割而提出的基于多粒度的改進的人工生命模型，完整的介紹了該算法的設(shè)計思想，模型的各個模塊等 ， 并通過實驗來展示了 多粒度人工生命 模型用于 目標(biāo)提取 的性能優(yōu)勢和發(fā)展及應(yīng)用的潛力，并與其他經(jīng)典算法的對比實驗。 第五章是結(jié)論和展望部分，對兩個人工生命模型作了簡短的總結(jié)，并且對于模型的改進的方向和問題發(fā)表了一些看法以及對于圖像處理領(lǐng)域結(jié)合人工生命的方法論的前 景做出了展望。 第 9 頁 共 78 頁 第二章 圖像分割與人工生命 圖像分割的定義 圖像分割是將整個圖像區(qū)域分割成若干個互不交疊的非空子區(qū)域的過程。每個子區(qū)域的內(nèi)部是連通的，同一區(qū)域內(nèi)部具有相同或相似的特性，這里的特性可以是灰度、顏色、紋理等。連通是指在該區(qū)域內(nèi)任 意 兩個像素之間存在一條完全由這個區(qū)域的元素構(gòu)成的連通路徑。有兩種可能的選擇，如果只依據(jù)旁側(cè)相鄰的像素（上、下、左、右）來確定連通，叫做四連通；如果再加上 45度角方向的像素，則稱為八連通的。對于灰度圖像來說，區(qū)域內(nèi)部的像素一般具有灰度相似性，而在區(qū)域邊界上一般具有 灰度不連續(xù)性。圖像分割的數(shù)學(xué)描述如下： 令集合 R 代表整個圖像區(qū)域，對 R 的圖像分割可以看作是將 R 分成 n個滿足如下規(guī)則的非空子集： R1， R2， …..R n： （ 1）1Nii RR? ????????????????????? () （ 2）對于所有的 i 和 j ， ij? , ijRR?? （ 3）對于 1 , 2 , , ( )ii n P R TR U E??有 （ 4） , ( )iji j P R R F A L S E??對于 有 （ 5） 1 , 2 , , , ii n R?對于 是連通的區(qū)域 P(Ri)=TRUE 指出在分割結(jié)果中，每個區(qū)域的像素有著相同的特性。 P（ Ri∪ Rj） =FALSE 表示在分割結(jié)果中，不同的子區(qū)域具有不同的特性。（ ）式表示子區(qū)域的并集是整個圖像，這一點 是 保證圖像的每個象素都被處理的充分條件 第 10 頁 共 78 頁 傳統(tǒng)圖像分割的方法及其局限 閾值法 閾值法是一種最簡單的圖像分割方法 ,是一種最常用的并行區(qū)域技術(shù)。閾值是用于區(qū)分目標(biāo)和背景的灰度門限。如果圖像只有目標(biāo)和背景兩大類 ,那么只需選 取一個閾值稱為單閾值分割，這種方法是將圖像中每個像素的灰度值與閾值相比較，灰度值大于閾值的像素為一類，灰度值小于閾值的像素為另一類。如果圖像中有多個目標(biāo)，就需要選取多個閾值將各個目標(biāo)及背景分開，這種方法稱為多閾值分割。閾值 T一般可寫成： T = T[ x , y , p ( x , y) , q ( x , y) ] 其中 p ( x , y) 代表點 ( x , y) 處的灰度值 , q ( x ,y) 代表該點鄰域的某種局部特性。 常用的選取閾值的方法有灰度直方圖峰谷法、最大類間方差法（ Otsu 法）等等。 灰 度直方圖峰谷法 [7]。若圖像的灰度直方圖呈雙峰狀且有明顯的谷 ,選擇谷點的灰度值作為閾值就可把目標(biāo)從背景中分割出來。選取直方圖的谷點可借助求曲線極小值的方法，該方法對于目標(biāo)和背景有很大灰度差異的圖像能實現(xiàn)簡單而有效的分割。 圖 21 閾值為 81 時的分割效果圖 在眾多的閾值選取方法中 ， Otsu [8]方法被認(rèn)為是最優(yōu)方法之一。其基本思想是用閾值把圖像像素劃分為兩類，通過使劃分后得到的兩類的類間方差最大來確定最佳閾值。設(shè)圖像 f ( x , y) 灰度級范圍為 G = [ 0 , L 1]，各灰度級出現(xiàn)的概 第 11 頁 共 78 頁 率為 Pi，閾值 t 將圖像像素分為兩類 C0 = [0 ， t ]和 C1 = [ t + 1 ,L 1 ]。兩類的概率為0 0tii P? ???和 101???? 。兩類的平均灰度為0 0 00t itiiP ?? ??????和11 1 101L ititiP ??? ?????????? ，其中 10Lii iP?????，0ttii iP? ???。其中準(zhǔn)則定義為兩類的類間方差： 2 2 2 20 0 1 1 0 1 0 1( ) ( ) ( ) ( )t? ? ? ? ? ? ? ? ? ? ?? ? ? ? ? ?????????? () 使 2()t? 取最大值的 t，就是分割目標(biāo)和背景的最佳閾值 T。 如果圖像中含有多個物體，尤其是含有多個灰度值存在差異的物體，顯然不能進行二值化分割。其次，還有許多使用多閾值的閾值化修正方法比如文獻 [9]利用遺傳算法進行多個閾值的選取和文獻 [10]中提到的基于過渡區(qū)域的多閾值分割方法 ，其處理后的結(jié)果圖像不再是二值的，而是一個有限的灰度值集合組成的圖像 。 其中每個 iD 是一個指定的灰度集 。 (, )Gij 1 當(dāng) ? 1F(i,j) D 時 2 當(dāng) ? 2F(i,j) D 時 。 n 當(dāng)? nF(i,j) D 時 。 圖 22 多閾值劃分圖 第 12 頁 共 78 頁 圖 23 原始 peppers 圖像 A 二值分割圖像 B 三值分割圖像 C 四值圖像分割 D 五值圖像分割 第 13 頁 共 78 頁 圖 24 Otsu 法應(yīng)用到多閾值分割的效果圖 Otsu 算法不僅適用于選擇單閾值，也可用于 多閾值的確定 [11]。 要 M1 個閾值 {t1,t2……tm 1}?? .來將圖像分成 M 個子集，這些個子集包含的灰度值范圍分別為： ? ? ? ? ? ? ? ?1 1 2 1 2 1 10 , , 1 , , . . . . . , 1 , , . . . . , 1 , 1i i i M MC t C t t C t t C t L??? ? ? ? ? ? ? ? 最佳閾值 ? ?* * *1 2 1, ,..., mt t t ?的公式為： ? ?* * *1 2 1, ,..., mt t t ? =112 110 ... 1 { ( , , ..., ) }M BMt t LA rg M a x t t t?? ?? ? ? ? ???????? () 其中 221 ()MB k k rk? ? ? ?????，kkiiCP? ??? ，kikiC kiP? ????。 閾值法優(yōu)點是計算簡單，速度快，易于實現(xiàn)。它的缺點是當(dāng)圖像中的目標(biāo)和背景灰度差異不明顯或灰度值范圍有重疊時，全局閾值的分割結(jié)果不理想，而且這種方法只考慮像素本身的灰度值，一般不考慮空間特征，因而對噪聲和灰度不均勻很敏感。 基于區(qū)域的圖像分割方法 基于區(qū)域的分割方法 得到的分割結(jié)果 直接構(gòu)成區(qū)域，基本思想就是將圖像劃分成最大一致性的分區(qū)。一致性是分區(qū)的最大的特征，也是分割的準(zhǔn)則。一致性準(zhǔn)則可以是基于灰度，色彩，紋理等的標(biāo)準(zhǔn)。在基于區(qū)域的分割方法中比較 經(jīng)典的方法有區(qū)域生長和分裂合并法。區(qū)域生長和分裂合并法是兩種典型的串行區(qū)域技術(shù)，其分割過程后續(xù)步驟的處理要根據(jù)前面步驟的結(jié)果進行判斷而確定。 區(qū)域生長的基本思想 [12,13,14]是將具有相似特性的像素集合起來構(gòu)成區(qū)域。首先為每個需要分割的區(qū)域確定一個種子像素作為生長起點，然后按一定的生長準(zhǔn)則把它周圍與其特性相同或相似的像素合并到種子像素所在的區(qū)域中。把這些新像素作為種子繼續(xù)生長，直到?jīng)]有滿足條件的像素可被包括，這時生長停止，一個區(qū)域就形成了。 區(qū)域生長法要解決的主要問題是區(qū)域生長準(zhǔn)則的設(shè)計和算法的高效性。 生長準(zhǔn)則往往和具體問題有關(guān)，直接影響最后形成的區(qū)域，如果選取不當(dāng)，就會造成過分割和欠分割的現(xiàn)象。區(qū)域生長法的優(yōu)點是計算簡單，對于較均勻的連通目標(biāo)有較好的分割效果。它的缺點是需要人為確定種子點，對噪聲敏感，可能導(dǎo)致區(qū) 第 14 頁 共 78 頁 域內(nèi)有空洞。另外，它是一種串行算法，當(dāng)目標(biāo)較大時，分割速度較慢，因此在設(shè)計算法時要盡量提高效率。 分裂合并法的基本思想 [12， 15， 16]是從整幅圖像開始通過不斷分裂合并得到各個區(qū)域。一種利用四叉樹表達方法的分割算法如下： R代表整個正方形圖像區(qū)域， P代表檢驗準(zhǔn)則。 1） 對任意區(qū)域 Ri，如果 P（ Ri ） =FAlSE就將其分裂為不重疊的四等分。 2）對相鄰的兩個區(qū)域 Ri 和 Rj ，如果 P（ Ri U Rj） =TRUE 則將它們合并為一個區(qū)域。 3）如果進一步的分裂和合并都不可能時則停止。 圖 25 分列合并法演示圖 分裂合并法的關(guān)鍵是分裂合并準(zhǔn)則的設(shè)計。這種方法對復(fù)雜圖像的分割效果較好，但算法較復(fù)雜，計算量大，分裂還可能破壞區(qū)域的邊界。 基于邊界的圖像分割方法 基于邊界的分割方法是利用不同區(qū)域間象素灰度不連續(xù)的特點檢測出區(qū)域間的邊緣，從而實 現(xiàn)圖像分割。圖像中相鄰的不同區(qū)域間總存在邊緣，邊緣處 像素的灰度值不連續(xù)，這種不連續(xù)性可通過求導(dǎo)數(shù)來檢測到。對于階躍狀邊緣，其位置對應(yīng)一階導(dǎo)數(shù)的極值點，對應(yīng)二階導(dǎo)數(shù)的過零點（零交叉點）。因此常用微分算子進行邊緣檢測，它是一種并行邊界技術(shù)。常用的一階微分算子有 Roberts、1R 2R 3R 41R 42R 43R 44R R 1R 2R 3R 4R 41R 42R 43R 44R 第 15 頁 共 78 頁 Prewitt和 Sobel算子、二階微分算子有 Laplace和 Kirsh算子等。在實際中各種微分算子常用小區(qū)域模板來表示，微分運算是利用模板與圖像卷積來實現(xiàn)。下面介紹幾種經(jīng)典的邊緣檢測算子。 Sobel算子 [12]是實際應(yīng)用中效果比較好的邊 緣算子。由于差分算子的抗干擾性很差，噪音會使得使用差分算子的時候在噪音邊緣產(chǎn)生沖擊， Sobel算子通過先求加權(quán)平均然后再求差分的方法來增強抑制噪音干擾的能力： 39。 [ ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 ) ] [ ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 ) ]xf f i j f i j f i j f i j f i j f i j? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?39。 [ ( 1 , 1 ) 2 ( 1 , ) ( 1 , 1 ) ] [ ( 1 , 1 ) 2 ( 1 , ) ( 1 , 1 ) ]yf f i j f i j f i j f i j f i j f i j? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 上述的 Sobel算子不是各向同性的，沿不同方向的梯度幅值不一樣，因此通常使用改進的各向同性的 Sobel算子，它的加權(quán)系數(shù)是 2 不是 2。 1 0 1 2 1 0 0 2 1 1 1 2 0 0 0 1 2 1 圖 26 Sobel 算子卷積模板 第 16 頁 共 78 頁 拉普拉斯 (Laplacian)算子，定義如下： 22222( , ) ( , )( , ) ( ) ( )f x y f x yf x y xy??? ? ???????????? () 拉普拉斯算子是一個標(biāo)量，它沒有邊緣方向的信息，對噪音非常敏感，具有旋轉(zhuǎn)不變性即各向同性的性質(zhì)。由于拉普拉斯算子沒有邊緣方向的信息，并且對噪音非常敏感，因此實際應(yīng)用中往往不直接用來獲取邊緣，而是先做圖像濾波后再使用拉普拉斯算子，這種方法就是拉普拉斯一高斯 (Laplacian of Gaussian)算子，此處不做過多介紹 。 0 1 01 4 10 1 0???????1111 8 1111??????? 圖 28 拉普拉斯算子卷積模板 Roberts 算子是數(shù)字圖像處理中最古老的邊緣檢測算子之一。它也是最簡單的一種邊緣檢測算子。它的卷積模 板 如下： 1001???????0110??????? 圖 29 Roberts 算子卷積模板 卷積邊緣檢測算子的主要缺點是它們依賴于尺度且對噪聲敏感。很少有合適的理由來解