基于邊緣和區(qū)域的彩色圖像若干分割方法研究.pdf

1、隨著多媒體技術(shù)和互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，我們?cè)诿刻斓墓ぷ骱蜕钪卸紩?huì)接觸到大量的多媒體信息。彩色圖像能夠表示現(xiàn)實(shí)世界中豐富的內(nèi)容，因此，彩色圖像無(wú)疑是多媒體信息中極為重要的一種表現(xiàn)形式。隨著信息技術(shù)的發(fā)展，彩色圖像處理技術(shù)已經(jīng)深入到我們生活當(dāng)中，各行各業(yè)對(duì)彩色圖像處理技術(shù)的需求越來(lái)越大。彩色圖像分割技術(shù)作為彩色圖像處理技術(shù)中的一個(gè)關(guān)鍵問(wèn)題，為基于圖像處理的人工智能、模式識(shí)別等應(yīng)用提供了最基本的數(shù)據(jù)特征信息，它對(duì)這些應(yīng)用起著至關(guān)重要的作用。

2、而它也是影響機(jī)器視覺(jué)學(xué)科發(fā)展的瓶頸問(wèn)題，因此對(duì)它的研究具有重要的意義和實(shí)用價(jià)值。 彩色圖像分割技術(shù)包含的內(nèi)容非常廣，我們不可能面面俱到。本文在回顧分析了眾多彩色圖像分割方法的基礎(chǔ)上，主要針對(duì)基于區(qū)域和邊緣的分割方法進(jìn)行了研究。其中針對(duì)基于區(qū)域的分割方法，又從基于局部和全局特征兩個(gè)角度分別進(jìn)行了算法設(shè)計(jì)。這些算法已經(jīng)被應(yīng)用于不同領(lǐng)域。 具體來(lái)說(shuō)，本文的主要?jiǎng)?chuàng)新工作如下： (1)本文分割算法在處理顏色相似性時(shí)，均采取

3、非線性度量方式，分別采用了高斯混合模型和FCM算法來(lái)對(duì)進(jìn)行顏色分布描述和分類。高斯混合模型和基于FCM算法分類的類別數(shù)在實(shí)際工程應(yīng)用中往往根據(jù)顏色直方圖的可靠峰值來(lái)確定，基于此提出了采用自適應(yīng)Mean-Shift過(guò)程來(lái)預(yù)測(cè)用以擬合高斯混合模型的EM算法和FCM算法初始值的策略。 (2)基于JSEG算法框架，提出了SJSEG算法，利用高斯混合模型來(lái)提供顏色的相似性度量，由于使用了自適應(yīng)．Mean-Shift過(guò)程來(lái)自適應(yīng)預(yù)測(cè)類別數(shù)，

4、因此往往可以得到的合適類別數(shù)，在混合模型基礎(chǔ)上提出了基于Fisher線性判據(jù)的軟J值概念，初始分割完成后，利用區(qū)域的隸屬度直方圖之間的相似性進(jìn)行區(qū)域合并，得到了比JSEG更加魯棒的分割結(jié)果，并把SJSEG成功用于舌診客觀化中舌面苔質(zhì)同質(zhì)區(qū)域的劃分。 (3)分析了兩種傳統(tǒng)經(jīng)典彩色梯度計(jì)算方法，并討論了適于采用動(dòng)態(tài)輪廓線模型進(jìn)行分割的彩色圖像的特點(diǎn)，指出了傳統(tǒng)基于線性度量的彩色梯度計(jì)算方法與動(dòng)態(tài)輪廓線模型結(jié)本論文的研究工作曾得到以下

5、基金項(xiàng)目的資助：國(guó)家自然科學(xué)基金項(xiàng)目(30170274)、上海市科委人臉識(shí)別項(xiàng)目(03DZl4015)、上海市科委重點(diǎn)項(xiàng)目“中醫(yī)四診客觀化研究”。 合的不利之處，進(jìn)而提出了適合動(dòng)態(tài)輪廓線模型應(yīng)用的基于顏色高斯混合模型的非線性度量方法計(jì)算彩色梯度，并將其應(yīng)用于梯度矢量流輪廓線模型。此方法有良好的分割性能和抗噪性?；诖朔椒?，提出了一種舌圖像中舌體的自動(dòng)提取算法，并成功應(yīng)用于舌診客觀化系統(tǒng)。 (4)分析了基于圖論的Norma

6、lized Cuts方法中建立節(jié)點(diǎn)間相似性度量的方法，提出了基于數(shù)據(jù)驅(qū)動(dòng)的相似性度量方法中指數(shù)函數(shù)下降率參數(shù)的自適應(yīng)求取方法，大大提高了NormalizedCuts方法的自適應(yīng)能力；提出了依據(jù)分水嶺變換分割結(jié)果的獨(dú)立區(qū)域作為節(jié)點(diǎn)，利用顏色高斯混合模型建立每個(gè)節(jié)點(diǎn)的歸一化隸屬度直方圖，進(jìn)而采用歸一化直方圖間的Bhattacharyya系數(shù)建立節(jié)點(diǎn)間相似性度量，利用改進(jìn)的Normalized Cuts方法進(jìn)行區(qū)域合并，不但提高了分割質(zhì)量并大

7、大縮短了分割時(shí)間。 (5)在(4)的框架下，顏色采用基于AMS預(yù)測(cè)初始條件的FCM算法進(jìn)行模糊聚類提供顏色的非線性度量，融合了采用DOOG濾波器組進(jìn)行圖像局部空間結(jié)構(gòu)特征來(lái)提高算法的適用度(可有效對(duì)隨機(jī)紋理和規(guī)則紋理圖像進(jìn)行分割)，并提出了基于Mean-Shift濾波原理的局部最優(yōu)特征點(diǎn)重定位，這可以更加有效地提取處于同質(zhì)邊緣區(qū)域的分水嶺區(qū)域的特征信息，使分割結(jié)果的邊緣定位更加精確，克服了基于局部統(tǒng)計(jì)信息進(jìn)行分割所帶來(lái)的邊緣定