【正文】 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。在此，我表示誠(chéng)摯的謝意。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。自撰寫(xiě)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。 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。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。（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。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。 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。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。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。提出的算法簡(jiǎn)單有效，它對(duì)圖像內(nèi)容自適應(yīng)理解。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)。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。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。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。 a、b兩組不同標(biāo)記提取背景中的天鵝 分割效率分析—。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)。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。（b）顯示，用更少的標(biāo)記，仍可以提取天鵝的基本輪廓。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）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，需要由用戶輸入標(biāo)記。目標(biāo)是提取草原場(chǎng)景中的若干只幼獅。（b）顯示，MSRM算法仍成功地從背景中提取目標(biāo)。（a）顯示，Mean Shift分割存在嚴(yán)重的過(guò)分割。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。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。 實(shí)驗(yàn)結(jié)果與分析通過(guò)一些有代表性的例子測(cè)試提出的算法，然后進(jìn)行魯棒性分析以及介紹可能失敗的情況，最后分析了提出算法的局限性。其中目標(biāo)標(biāo)記為綠色，背景標(biāo)記為紅色。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。 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。最后本章指出了算法的收斂性，并進(jìn)行了證明。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。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。因此，N中所有的區(qū)域全部被標(biāo)記，算法收斂。從上面過(guò)程可以看出，隨著合并的進(jìn)行，來(lái)標(biāo)記區(qū)域中的一部分與目標(biāo)標(biāo)記區(qū)域合并，一部分將與背景標(biāo)記區(qū)域臺(tái)并，因此未標(biāo)記區(qū)域N的個(gè)數(shù)將會(huì)逐漸減少。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。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。 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?？梢院苋菀椎乜闯鲈摲椒ㄊ諗?。 結(jié)束 收斂性分析該MSRM算法是一個(gè)迭代的方法。（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。如果，那么，否則，P與不再合并。（22）對(duì)于每個(gè)，且，構(gòu)成其鄰域集合，顯然。輸入：第一階段合并的結(jié)果。 第2階段。 （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。否則B和不合并。（12）對(duì)于每個(gè)且，構(gòu)成其鄰域集合。輸入：初始分割結(jié)果或第二個(gè)階段的合并結(jié)果。當(dāng)處于最后循環(huán)的區(qū)域合并中，第1階段。 區(qū)域合并過(guò)程（a）第一回合第一階段(b)第一回合第二階段(c)第二回合第一階段(d)第二回合第二階段MSRM算法 輸入：初始均值漂移分割結(jié)果。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)。（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。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。那么。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?？梢钥闯觯?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。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。當(dāng)所有背景標(biāo)記找不到新的合并對(duì)象時(shí)，迭代結(jié)束。以上的過(guò)程迭代進(jìn)行。然后計(jì)算和中的每一個(gè)區(qū)域的相似度。對(duì)每一個(gè)區(qū)域，確定其鄰域集合。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。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?？偟膩?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。 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。（2）一個(gè)重要的優(yōu)點(diǎn)是它避免了合并控制中相似性閾值的預(yù)置。合并規(guī)則定義如下： 若，則合并與。所以與它所有鄰域相似性表示為，顯然。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。類似的，提出的區(qū)域合并方法也將從初始標(biāo)記區(qū)域開(kāi)始，然后所有未標(biāo)記區(qū)域?qū)⒅饾u標(biāo)識(shí)為目標(biāo)區(qū)域或背景區(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。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。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。為了方便的后續(xù)討論，我們分別用和表示目標(biāo)標(biāo)記區(qū)域集和背景標(biāo)記區(qū)域集，用表示未標(biāo)記區(qū)域集。 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。綠線是目標(biāo)標(biāo)記和紅線是背景標(biāo)記。 (a)初始分割。請(qǐng)注意，通常只有一小部分的目標(biāo)區(qū)域和背景區(qū)域會(huì)被用戶標(biāo)記。（b）顯示了用簡(jiǎn)單的線條標(biāo)記目標(biāo)和背景的例子。用戶可以在圖像上通過(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。上標(biāo)u表示直方圖的第u個(gè)箱格。將RGB顏色空間量化為16x16x16=4096箱格，然后計(jì)算每個(gè)區(qū)域的規(guī)范化直方圖。 System分割的例子 區(qū)域的表示和相似性度量Mean Shift