【正文】 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。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)。但是，因?yàn)槟繕?biāo)和背景通常呈現(xiàn)復(fù)雜的特征，傳統(tǒng)的基于固定閾值的合并方法很難得到有效的結(jié)果，因此需要研究新的算法解決復(fù)雜條件下的區(qū)域合并。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。因此，一些結(jié)合用戶輸入或先驗(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)。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。例如，在Mean Shift[19]和Watershed[20]這兩種圖像分割算法中，一方面可以研究各種減少過(guò)分割的改進(jìn)算法。 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。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。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。 基于間斷檢測(cè)的分割技術(shù)比較適用于對(duì)紋理圖像的分割，但是需要根據(jù)不同的圖像設(shè)置不同的檢測(cè)模板，且該類算法普遍對(duì)噪聲敏感。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]。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。但是，該方法沒有考慮圖像各個(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。其基本的思路為： 將由個(gè)維數(shù)為的樣本組成的數(shù)據(jù)集分為c類，則模糊隸屬度矩陣表示，并滿足以下條件：（1）；（2）；（3）。 K均值聚類算法先選取K個(gè)初始類均值，然后將每個(gè)像素歸入均值離它最近的類，并計(jì)算新的類均值，迭代執(zhí)行前面的步驟直到新舊類均值之差小于某一閾值。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。 基于聚類的分割圖像的分割問(wèn)題可看成是像素分類問(wèn)題， 所以可以通過(guò)使用特征空間聚類算法實(shí)現(xiàn)。 基于分裂合并的分割算法同樣是基于統(tǒng)計(jì)學(xué)方法的，所以對(duì)噪聲也不敏感。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。 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。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。但是，區(qū)域生長(zhǎng)分割算法的問(wèn)題在于：種子像素點(diǎn)需要由操作人員按照分割需求來(lái)設(shè)定，對(duì)于復(fù)雜圖像的處理，區(qū)域生長(zhǎng)分割算法的效率會(huì)大大降低；而且分割效果依賴于種子點(diǎn)的選擇及生長(zhǎng)順序。一般生長(zhǎng)過(guò)程在進(jìn)行到再?zèng)]有滿足生長(zhǎng)準(zhǔn)則需要的像素時(shí)停止。種子像素的選取常可借助具體問(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。(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。(3)將這些新像素當(dāng)作新的種子像素繼續(xù)進(jìn)行上面的過(guò)程，直到再?zèng)]有滿足條件的像素被包括進(jìn)來(lái)。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)。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)不同類型的圖像給定生長(zhǎng)準(zhǔn)則，來(lái)判斷種子周圍的像素點(diǎn)是否與種子像素之間具有相似性，即是否可生長(zhǎng)。此外，還有一些對(duì)這兩類分割方法的推廣和改進(jìn)，如形態(tài)學(xué)分割方法、聚類分割方法等。文獻(xiàn)[14]對(duì)數(shù)字圖像像素的概念及特性進(jìn)行了全面的分析。 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)器視覺中卻是尤為重要的。 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。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。 基于閾值的圖像分割閾值圖像分割又稱為門限圖像分割，其原理簡(jiǎn)單、易于實(shí)現(xiàn)，是一類被廣泛應(yīng)用的圖像分割方法， 其歷史可以追溯到上個(gè)世紀(jì)60年代。接下來(lái)，本章將按照以上的分類方法對(duì)圖像分割技術(shù)進(jìn)行綜述。按照該特性可以將這些已有的圖像分割方法歸為三類：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。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[8][9]、基于人工神經(jīng)網(wǎng)絡(luò)的圖像分割方法[10]等。 條件(1)說(shuō)明分割必須是完全的（即每個(gè)像素必須屬于一個(gè)子區(qū)域），且子區(qū)域自身必須是連通的；條件(2)說(shuō)明各個(gè)分割區(qū)域之間相互不重疊；條件(3)說(shuō)明同一個(gè)分割區(qū)域中的像素具有相同的屬性（如具有相同的灰度值） ；條件(4)說(shuō)明不同分割區(qū)域 和 對(duì)于謂詞是不同的。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。 從工程實(shí)現(xiàn)的角度，圖像分割又可以定義為將圖像劃分成互不相交（不重疊）區(qū)域的過(guò)程。 圖像分割的概念和分類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。因此學(xué)者們看待該問(wèn)題的研究角度和出發(fā)點(diǎn)各不相同，也就給出了較多的模型和相關(guān)的概念。 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)。第二章對(duì)數(shù)字圖像分割技術(shù)重要基礎(chǔ)性概念及相關(guān)的研究進(jìn)行了綜述，分類介紹了閾值分割、間斷檢測(cè)分割、區(qū)域分割等圖像分割技術(shù)，重點(diǎn)介紹了與本文研究相關(guān)的區(qū)域分割算法。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。紋理分割問(wèn)題仍然是圖像處理和機(jī)器視覺領(lǐng)域中一個(gè)非常艱巨的和富有挑戰(zhàn)的課題。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。以紋理特性為主導(dǎo)的圖像稱為紋理圖像[4]，紋理圖像是圖像的重要組成部分，通常運(yùn)用各種觀測(cè)系統(tǒng)獲得的圖像大多是紋理型的，在航空航天遙測(cè)領(lǐng)域中，各種航空、衛(wèi)星遙感圖像是對(duì)地面宏觀大范圍的考察，這類圖像大多是紋理型的，通過(guò)對(duì)這些圖像的分析可獲得地質(zhì)狀況、土地利用、植被長(zhǎng)勢(shì)等一系列信息。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)。 圖像分割[2][3]是圖像分析及視覺系統(tǒng)中的重要環(huán)節(jié)，是圖像處理研究中的一個(gè)基本難題。圖像信息相對(duì)于其他類型的信息來(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)。隨著信息時(shí)代的來(lái)臨，越來(lái)越多的各種信息充斥著人們的生活，人們渴望利用計(jì)算機(jī)來(lái)處理繁多的信息。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。最底層是原始的目標(biāo)或場(chǎng)景，通過(guò)信號(hào)處理和數(shù)字化，得到對(duì)應(yīng)圖像的數(shù)字化表示形式；中間層則借助各種各樣的算法，提取圖像的各種特征，在各層之間建立聯(lián)系；最后頂層通過(guò)模式識(shí)別方法，進(jìn)行圖像理解。 Texture image目 錄1 緒論 1 研究的背景和意義 1 內(nèi)容與組織結(jié)構(gòu) 12 圖像分割技術(shù)研究綜述 3 引言 3 圖像分割的概念和分類 3 基于閾值的圖像分割 4 基于間斷檢測(cè)的圖像分割 4 基于區(qū)域的分割 4 基于區(qū)域生長(zhǎng)的分割 5 基于分裂合并的分割 6 基于聚類的分割 7 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)視覺是通過(guò)計(jì)算機(jī)模擬人類視覺行為的一門學(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。 Interactive Image Segmentation。Although there is oversegmentation，studing improved