【正文】 經(jīng)過若干迭代會被標(biāo)記為目標(biāo)或著背景?？梢院苋菀椎乜闯鲈摲椒ㄊ諗俊? 結(jié)束 收斂性分析該MSRM算法是一個迭代的方法。（25）如果在區(qū)域N無法找到新的區(qū)域合并，第二階段停止。如果，那么，否則，P與不再合并。（22）對于每個，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)無法找到新的合并對象，第一階段合并結(jié)束。否則B和不合并。（12）對于每個且，構(gòu)成其鄰域集合。輸入：初始分割結(jié)果或第二個階段的合并結(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)域因為彼此間具有更大的相似度．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象時，迭代結(jié)束。以上的過程迭代進(jìn)行。然后計算和中的每一個區(qū)域的相似度。對每一個區(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)域同樣不會與目標(biāo)區(qū)域相合并?？偟膩碚f，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。 這主要是因為，直方圖是對本地區(qū)全局描述，它具有很強的噪音和很小的變化。（2）一個重要的優(yōu)點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)域開始，然后所有未標(biāo)記區(qū)域?qū)⒅饾u標(biāo)識為目標(biāo)區(qū)域或背景區(qū)域。 目標(biāo)和背景的標(biāo)記分別提供了對象和背景一些關(guān)鍵特征。一個過大的閾值將導(dǎo)致目標(biāo)的區(qū)域的不完全合并，而過小的閾值可以很容易造成過合并，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)域的相似性超過預(yù)設(shè)的閾值[24]才將兩個區(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。請注意，通常只有一小部分的目標(biāo)區(qū)域和背景區(qū)域會被用戶標(biāo)記。（b）顯示了用簡單的線條標(biāo)記目標(biāo)和背景的例子。用戶可以在圖像上通過繪制標(biāo)記，如直線，曲線和筆劃等來輸入上互動信息。上標(biāo)u表示直方圖的第u個箱格。將RGB顏色空間量化為16x16x16=4096箱格，然后計算每個區(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算法一般將圖像分割成一些區(qū)域，每個區(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)域臺并算法，來提取自然圖像中的目標(biāo)。但是，因為目標(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)合用戶輸入或先驗信息的半自動圖像分割方法，即交互式圖像處理[21]，成為近年來研究的熱點。雖然有很多圖像分割方法致力于解決圖像分割問題，它們在一些特定的對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)展的趨勢下，選MSRM分割算法對圖像進(jìn)行分割處理是非常適合的。而且，由于邊緣檢測分割的結(jié)果是非閉合的，還需額外考慮多尺度分割結(jié)果的融合問題。 基于間斷檢測的分割技術(shù)比較適用于對紋理圖像的分割，但是需要根據(jù)不同的圖像設(shè)置不同的檢測模板，且該類算法普遍對噪聲敏感。腐蝕和膨脹對于灰度變化較明顯的邊緣作用很大，可用來構(gòu)造基本的形態(tài)學(xué)邊緣檢測算子(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應(yīng)形狀以達(dá)到對圖像分析和識別的目的。但是，該方法沒有考慮圖像各個像素之間的空間幾何分布特征，對噪聲和不均勻灰度敏感。其基本的思路為： 將由個維數(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個初始類均值，然后將每個像素歸入均值離它最近的類，并計算新的類均值，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。該過程不需要訓(xùn)練樣本，是一種無監(jiān)督、迭代式的統(tǒng)計分割過程。 基于聚類的分割圖像的分割問題可看成是像素分類問題， 所以可以通過使用特征空間聚類算法實現(xiàn)。 基于分裂合并的分割算法同樣是基于統(tǒng)計學(xué)方法的，所以對噪聲也不敏感。通常的作法是用網(wǎng)格簡單地對原圖像進(jìn)行分裂操作，網(wǎng)格的多少取決于希望獲得的分割精度； 通過比較各個分裂區(qū)域的灰度值均值和方差等統(tǒng)計量，來確定分裂區(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：對整個圖像分裂得到所有的分割區(qū)域，然后按照一定的規(guī)則對這些區(qū)域進(jìn)行合并。導(dǎo)致基于區(qū)域生長的分割算法效率較低的另一個原因是算法的串行性。但是，區(qū)域生長分割算法的問題在于：種子像素點需要由操作人員按照分割需求來設(shè)定，對于復(fù)雜圖像的處理，區(qū)域生長分割算法的效率會大大降低；而且分割效果依賴于種子點的選擇及生長順序。一般生長過程在進(jìn)行到再沒有滿足生長準(zhǔn)則需要的像素時停止。種子像素的選取?？山柚唧w問題的特點進(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)確定在生長過程中能將相鄰像素包括進(jìn)來的準(zhǔn)則。(3)將這些新像素當(dāng)作新的種子像素繼續(xù)進(jìn)行上面的過程，直到再沒有滿足條件的像素被包括進(jìn)來。具體步驟如下：(1)對每個需要分割的區(qū)域找一個種子像素作為生長的起點。在生成每個區(qū)域的過程中都要設(shè)定一個用于生長的種子像素，根據(jù)不同類型的圖像給定生長準(zhǔn)則，來判斷種子周圍的像素點是否與種子像素之間具有相似性，即是否可生長。此外，還有一些對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)域的圖像分割無論是圖像閾值分割方法還是間斷檢測分割方法，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。 基于間斷檢測的圖像分割大部分情況下，對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存在明顯的跳變。近年來，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，其原理簡單、易于實現(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世紀(jì)60年代。接下來，本章將按照以上的分類方法對圖像分割技術(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年來出現(xiàn)的圖像分割方法，不僅包括對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)說明分割必須是完全的（即每個像素必須屬于一個子區(qū)域），且子區(qū)域自身必須是連通的；條件(2)說明各個分割區(qū)域之間相互不重疊；條件(3)說明同一個分割區(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)說明不同分割區(qū)域 和 對于謂詞是不同的。定義 1 令表示整個待分割圖像區(qū)域，從而可以將圖像分割看作將劃分為n個滿足以下條件的子區(qū)域，…，的過程： (1) ，且是連通的； (2) 對所有的 和，且，有； (3) 對于，； (4) 對于，有。 從工程實現(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別等高級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)者們看待該問題的研究角度和出發(fā)點各不相同，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)計出一個自適應(yīng)圖像分割系統(tǒng)，通過實驗和仿真驗證的該解決方案具有自適應(yīng)和高效的特點。第二章對數(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、間斷檢測分割、區(qū)域分割等圖像分割技術(shù)，重點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值和現(xiàn)實意義。紋理分割問題仍然是圖像處理和機(jī)器視覺領(lǐng)域中一個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，通常運用各種觀測系統(tǒng)獲得的圖像大多是紋理型的，在航空航天遙測領(lǐng)域中，各種航空、衛(wèi)星遙感圖像是對地面宏觀大范圍的考察，這類圖像大多是紋理型的，通過對這些圖像的分析可獲得地質(zhì)狀況、土地利用、植被長勢等一系列信息。因此，可以說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基本難題。圖像信息相對于其他類型的信息來說，最大的優(yōu)勢在于信息量大、直觀、形象、易于理解等特點。隨著信息時代的來臨，越來越多的各種信息充斥著人們的生活，人們渴望利用計算機(jī)來處理繁多的信息。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)或場景，通過信號處理和數(shù)字化，得到對應(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；最后頂層通過模式識別方法，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