【正文】 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 基于間斷檢測的圖像分割 4 基于區(qū)域的分割 4 基于區(qū)域生長的分割 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)計及實驗結(jié)果 15 引言 15 圖像分割系統(tǒng) 15 實驗結(jié)果與分析 15 實驗結(jié)果 15 魯棒性分析 16 分割效率分析 19 結(jié)論 20結(jié) 束 語 21參考文獻(xiàn) 22致 謝 241 緒論 研究的背景和意義計算機視覺是通過計算機模擬人類視覺行為的一門學(xué)科，其任務(wù)為對輸入的圖像(序列)數(shù)據(jù)自動進(jìn)行分析和解釋。 Interactive Image Segmentation。Although there is oversegmentation，studing improved algorithm can reduce the oversegmentation or choosing an effective postprocessing algorithms are useful results. For example, in both Mean Shiftt and Watershed image segmentation algorithm, One can study a variety of improved algorithm to reduce oversegmentation, On the other hand, effective pretreatment can also be used to remove noise, and make the image suitable for Mean Shiftt and Watershed segmentation algorithm.MSRM is a algorithm which based on the maximum similarity of the region merging, the proposed algorithm is efficient and effective, it does not require a preset threshold and can successfully extract the single objective and multitarget image from plex scenes . In this design, calculate the similarity of adjacent regions afte the extration of image color features and texture features, under the guidance of interaction information ,a maximal similarity based region merging mechanism was proposed to gradually merged the initial oversegmentation of regions. Then separated the target and background from image.Keywords: MSRM。 Image segmentation is a key step that from image processing to the image analysis。本設(shè)計在提取了圖像的顏色特征和紋理特征之后，計算相鄰區(qū)域的相似度，在人工交互信息的指導(dǎo)下，基于最大相似度準(zhǔn)則逐步對初始過分割區(qū)域進(jìn)行合并，分離出圖像中的目標(biāo)和背景。另一方面，也可以采用有效的預(yù)處理，去除噪音，使圖像適宜于Watershed或Mean Shift算法分割。雖然存在過分割，但是可以通過研究改進(jìn)算法減少過分割或選擇有效的后處理算法得到有用的結(jié)果。因此，可以說圖像分割是圖像處理中最為重要的環(huán)節(jié)。題目：基于區(qū)域合并的紋理圖像分割—MSRM算法的MATLAB實現(xiàn)摘 要圖像分割是圖像分析及計算機視覺系統(tǒng)中的重要環(huán)節(jié)，是圖像處理研究中的一個基本難題。圖像分割是由圖像處理到圖像分析的關(guān)鍵步驟，只有在圖像分割的基礎(chǔ)上才能對目標(biāo)進(jìn)行特征提取、參數(shù)測量和識別，使得更高層的圖像分析和理解成為可能，圖像分割質(zhì)量的好壞直接影響后續(xù)圖像處理的效果。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。例如，在Mean Shift和Watershed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。MSRM是基于最大相似度的區(qū)域合并算法,該算法簡單有效,不需要設(shè)定區(qū)域合并的閾值,且對單目標(biāo)和多目標(biāo)圖像都能正確分割。關(guān)鍵詞： MSRM；區(qū)域合并； 交互式圖像分割；算法；紋理圖像AbstractImage segmentation is the important elements of image analysis and puter vision systems ，and it is a fundamentalproblem in image processing。Only on the basis of image segmentation to object feature extraction, parameter measurement and recognition，which make it possible to analysis and understanding of the higherlevel image, and the quality of image segmentation directly affects the effect ofsubsequent image processing. Therefore, we conclude that image segmentation is the most important part of image processing.Regionbased image segmentation method is divided into many regions according to the contents of the image。 Region merging。 Algorithm。根據(jù)數(shù)據(jù)的組織形式，計算機視覺可劃分為四個層次。視覺處理方法可分為兩類：低級的圖像處理方法和高層的圖像理解方法。而后者是根據(jù)目標(biāo)的相關(guān)知識及一些實現(xiàn)方法，基于低級階段獲取的圖像特征來模擬人的視覺和做決策的過程，通常包括目標(biāo)識別、圖像理解、3D視覺和目標(biāo)運動分析等。而科學(xué)研究表明，人類獲取的信息中有 75％左右來自于自身的視覺，即大部分信息為圖像圖形信息。因此，數(shù)字圖像分割技術(shù)為越來越多學(xué)者所重視，正逐漸成為網(wǎng)絡(luò)信息時代一個新的研究熱點[1]。圖像分割是由圖像處理到圖像分析的關(guān)鍵步驟，只有在圖像分割的基礎(chǔ)上才能對目標(biāo)進(jìn)行特征提取、參數(shù)測量和識別，使得更高層的圖像分析和理解成為可能，圖像分割質(zhì)量的好壞直接影響后續(xù)圖像處理的效果。紋理是圖像的一個重要特征。紋理分析在材料科學(xué)的微結(jié)構(gòu)定量分析、海洋學(xué)研究及石油勘探中都有廣泛的應(yīng)用，因此基于紋理的圖像分割具有重要的理論意義和廣闊的應(yīng)用前景。盡管人們在紋理圖像分割方面已取得了大量的研究成果，但由于紋理圖像的復(fù)雜性和缺乏一個統(tǒng)一的圖像分割理論框架，目前尚無提出通用的分割理論，現(xiàn)已提出的算法大都是針對具體問題。綜上所述，采用自適應(yīng)的方法將進(jìn)一步推動紋理圖像分割技術(shù)的發(fā)展，提高紋理圖像的分割質(zhì)量和效率。 內(nèi)容與組織結(jié)構(gòu)第一章介紹了數(shù)字圖像分割技術(shù)起源、發(fā)展，給出了其描述性定義；指明了紋理圖像分割技術(shù)是圖像處理和圖像分析關(guān)鍵所在，是本文的研究重點；最后概述了本文的主要內(nèi)容及結(jié)構(gòu)。 第三章首先描述了基于最大相似度的區(qū)域合并算法—MSRM算法的背景和由來，接著進(jìn)一步詳細(xì)闡述該算法，并指明MSRM算法以Mean Shift算法的分割結(jié)果作為基礎(chǔ)；驗證了圖像分割算法的收斂性。 2 圖像分割技術(shù)研究綜述 引言雖然圖像分割技術(shù)是隸屬于圖像處理領(lǐng)域的一個分支學(xué)科， 但是由于圖像分割技術(shù)涉及的學(xué)科領(lǐng)域比較廣泛，更應(yīng)該將其視為一個交叉性學(xué)科。這一章，將按照圖像分割技術(shù)的技術(shù)特點和原理，對三種主要類型圖像分割技術(shù)的相關(guān)概念和典型的解決方案進(jìn)行詳細(xì)的評述。所謂圖像分割是指將圖像中具有特殊含義的區(qū)域分割開，且這些區(qū)域互相不重疊， 同時每個區(qū)域都滿足特定的區(qū)域一致性條件。從集合論的角度出發(fā)，文獻(xiàn)[1]給出了一種較通用的圖像分割描述性定義。 其中，是定義在區(qū)域內(nèi)所有點上的邏輯謂詞,表示空集。 由于圖像分割技術(shù)應(yīng)用廣泛且與其他學(xué)科（如光學(xué)、統(tǒng)計學(xué)、生物學(xué)等）聯(lián)系緊密，所以圖像分割的解決方案和思路呈現(xiàn)出多樣化的趨勢，并激發(fā)了越來越多學(xué)者的研究興趣， 使得對圖像分割技術(shù)的研究在圖像處理領(lǐng)域始終保持著熱點地位。圖像分割方法一般是基于局部像素點的兩個基本特性：不連續(xù)性和相似性。此外，還有一些比較特殊的圖像分割方法，比如混合幾種基本分割方法的復(fù)合圖像分割方案，引入待分割圖像先驗知識的智能圖像分割方案，用于視頻特征提取的時域圖像分割方案等等。由于本文著重于基于區(qū)域合并的紋理圖像分割，故將重點介紹基于區(qū)域合并的圖像分割，以便為下一步的研究工作提供指導(dǎo)。 早期的閾值分割方法，主要是圍繞灰度圖像展開研究的，后來被部分學(xué)者推廣到彩色圖像分割技術(shù)中，如文獻(xiàn)[11]提出的一種用于彩色圖像分割的多維直方圖閾值方法。如文獻(xiàn)[12]中運用模糊理論確定最優(yōu)閾值，文獻(xiàn)[13]將神經(jīng)網(wǎng)絡(luò)方法與傳統(tǒng)的閾值分割技術(shù)結(jié)合起來，獲得最優(yōu)閾值，解決了免疫組織化學(xué)中的細(xì)胞分割問題，等等。這就是基于間斷檢測的圖像分割技術(shù)的前提假設(shè)， 基于這種不連續(xù)性的假設(shè)所考察對象的不同，可將該類分割技術(shù)分為三個主要類型：基于點的檢測、基于線的檢測、基于邊緣的檢測?；趨^(qū)域的圖像分割方法正是從目標(biāo)和背景內(nèi)部的像素間相似度角度出發(fā)，面向像素對圖像進(jìn)行分割的，具有前兩大類方法無法比擬的優(yōu)勢。按照處理圖像的方向性，基于區(qū)域的分割算法可以分為區(qū)域生長和分裂合并兩種類型。 基于區(qū)域生長的分割區(qū)域生長分割算法的基本思想：將圖像中具有相似性質(zhì)的像素整合在一起構(gòu)成一個區(qū)域。如果可生長，則把該像素加入到區(qū)域中，并置其為新的種子像素，進(jìn)行迭代。(2)將種子像素周圍鄰域中與種子像素具有相同或相似性質(zhì)的像素合并到這一區(qū)域中。在實際應(yīng)用區(qū)域生長法時需要解決三個問題：(1)選擇或確