彩色图像分割技术研究--本科毕业论文文档格式.docx
《彩色图像分割技术研究--本科毕业论文文档格式.docx》由会员分享,可在线阅读,更多相关《彩色图像分割技术研究--本科毕业论文文档格式.docx(27页珍藏版)》请在冰豆网上搜索。
边缘检测;
区域生长与合并
Abstract
Withtheincreasingincomputerprocessingcapabilities,thecolorimagesegmentationtechniquesmoreandmoreareconcernedwithbyresearchers.Manyresearchershavepaidahugeeffortinthisregard,andobtainedthecorrespondingresults.Onthebasisofthecurrentcolorsegmentationmethod,anunsupervisedcolorimagesegmentationalgorithmshavebeenproposedinthispaper,combiningofedgedetection,regiongrowingandregionmergingmethodtoachievethesegmentationofcolorimages.Theexperimentalresultsshowthatagoodsegmentationresultscanbeobtainedandreal
timeperformancecanbeimplemented.
Keywords
ColorImageSegmentation;EdgeDetection;RegionalGrowthandMerging
目 录
1.引言 1
1.1.课题的研究背景和意义 1
1.2.彩色图像分割的现状 2
1.3.本文的内容安排 5
2.彩色图像分割研究 6
2.1.数字图像处理概述 6
2.2.常用的颜色空间 7
2.3.彩色图像分割方法 9
2.3.1.阈值化方法 10
2.3.2.基于边缘的分割方法 10
2.3.3.基于区域的分割方法 12
3.无监督彩色图像分割 13
3.1.概述 13
3.2.颜色空间的转换 14
3.3.Sobel算子边缘提取 15
3.4.种子的选取 16
3.5.区域生长与合并 17
4.实验结果与分析 18
5.结论 20
参考文献 21
谢 辞 23
1.引言
1.1.课题的研究背景和意义
在人类所接收的信息中,有80%是来自视觉的图形信息,对获得的这些信息进行一定的加工处理也是目前一种广泛的需求,图像分割就是将图像中感兴趣的部分分割出来的技术。
在图像分割的基础上,才能对目标进行特征提取和参数测量,使得更高层的图像分析和理解成为可能。
因此,对图像分割的研究在图像处理领域具有非常重要的意义。
图像分割作为图像分析的基础,是图像分析过程中的关键步骤。
图像分割,顾名思义是将图像按照一定的方法划分成不同的区域,使得同一区域内像素之间具有一致性,不同区域间不具有这种一致性。
因为人眼对亮度具有适应性,即在一幅复杂图像的任何一点上只能识别几十种灰度级,但可以识别成千上万种颜色,所以许多情况下,单纯利用灰度信息无法从背景中提取出目标,还必须借助于色彩信息。
由于彩色图像提供了比灰度图像更加丰富多彩的信息,因此随着计算机处理能力的提高,彩色图像处理正受到人们越来越多的关注。
自数字图像处理问世不久就开始了图像分割的研究,吸引了很多研究者为之付出了巨大的努力,在不同的领域也取得了很大的进展和成就,现在人们还一直在努力发展新的、更有潜力的算法,希望实现更通用、更完美的分割结果。
目前,针对各种具体问题已经提出了许多不同的图像分割算法,对图像分割的效果也有很好的分析结论。
但是,由于图像分割问题所面向领域的特殊性,而且问题本身具有一定的难度和复杂性,到目前为止还不存在一个通用的分割方法,也不存在一个判断分割是否成功的客观标准。
对于寻找一种能够普遍适用于各种复杂情况的准确率很高的分割算法,还有很大的探索空间。
对图像分割的深入研究不仅会不断完善对自身问题的解决,而且有助于推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。
早期由于设备的限制,主要处理的是灰度图像。
因此针对灰色图像的分割算法比较多,也比较成熟。
随着彩色图像的需求和应用以及人们生活水平的提高,人们越来越关注彩色图像分割,也提出了一些分割方法,但这些方法大部分是灰色图像分割方
法扩展出来的,因此还不能满足人们的要求。
在彩色图像分割这个领域,由于缺少理论和评估系统的支持,必须经过大量的实验来验证一种分割算法。
虽然研究者已经提出了一些有意义的算法,但还没有一种能适应大部分图片的算法,所以进一步研究专门用于彩色图像分割的方法,并且使它具有通用性和更好的分割效果是人们努力的方向。
1.2.彩色图像分割的现状
事实上,人们对灰度图像进行的研究较早,算法也相对成熟。
随着计算机处理速度的提高和对图像处理技术的进步,彩色图像使用越来越多,彩色图像分割在最近几年越来越引起了人们的重视,与灰度图像相比,彩色图像不仅包括亮度信息,而且还有更多的有效信息,如色调、饱和度,实际上同样景物的灰度图像所包含的信息量与彩色图像难以相比,人类对色彩的感知更敏感,一幅质量较差的彩色图像似乎比一幅完美的灰度图像更具有吸引力。
因此,对彩色图像分割方法的研究有利于克服传统的灰度图像分割方式的不足,是一个更加广阔的研究领域。
图像分割的难点在于如何消除噪声和图像本身模糊的干扰。
前面已经讲到目前还没有一种或者几种完善的分割方法可以按照人们的想法分割任何一幅图像。
所有现存分割方法只能针对某一类型的图像,分割的质量必须靠效果和实际的应用场景来判断。
幸运的是人类已经积累了很多经典的图像分割方法,虽然不适用所有类型的图像分割,但是这些方法却是图像分割方法进一步发展的基础。
正是因为我们站在巨人的肩膀上,从而产生了新的更有效率更准确的图像分割算法。
在早期的图像处理的研究中,图像分割的方法一般被分为2类:
一类是边界法,这种方法是假设图像一定有边缘存在;
另一类是区域法,这种方法认为被分割后的图像区域一定会具有某些相同的特性,不同的区域的像素则会有不同的特性。
图像分割的技术主要有4种:
并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。
如下图1
1所示:
所谓的串行图像分割是指对图像的每一个像素上所做的运算或者处理不依赖图像中其他像素点处理的结果。
而在并行算法中,对图像每一个像素的处理依赖其他像素处理后的结果。
图像分割
不连续的分割
灰度相似性
边界分割
孤立点孤立线组成边界
边界跟踪
区域分割
阈值分割
区域分裂合并区域生长
自适应
并行边界分
割技术
串行边界分
并行区域分
串行区域分
图1
1 经典图像分割方法框架
对普通的电脑处理器来说,串行分割方法当然比并行分割有明显的优势,因为并行分割必须在每个图像点完成相同的计算以后再决定是否继续处理或者放弃处理这个像素点或者区域。
这种技术明显导致了时间复杂度,但理论上它更可靠更准确。
而串行分割则简单,方便一些。
目前对彩色图像的分割已经提出了很多算法,最简单的彩色图像分割方法是直接将彩色图像的各个分量进行适当的组合转化为灰度图像,然后利用灰度图像的分割方法进行分割,该方法由于忽略了颜色信息和亮度信息之间的关联,因而分割效果并不十分理想。
因此后来人们专门针对彩色图像又提出了很多分割方法,如直方图阈值法、基于区域的提取方法、边缘检测的分割方法、基于主动轮廓模型方法、神经网络方法等等。
而且分割的图像的种类也各有不同,分割中用到的图像的模型不同(有物理模型和随机模型),分割的目的不同等,这些图像分割方法的分类也不尽相同。
把图像分割方法的发展划分为两个阶段:
灰度图像分割方法阶段和彩色图像分割方法阶段。
对于灰度图像的分割方法,人们从不同的角度提出了如直方图阈值法,区域生长
法,边缘检测法,基于分水岭的方法和神经网络的方法等等。
其中直方图法和区域生长法处理的对象是像素;
边缘检测和分水岭方法则是对图像纹理基元进行处理;
神经网络的方法是利用分类的思想对图像分割的方法。
无论是基于哪种分割方法,灰度图像的分割方法都发展得比较成熟了。
对于彩色图像的分割方法总的来说可以分为以下三类:
基于颜色特征空间的分割方法,基于纹理特征空间的分割方法和基于混合特征的分割方法。
基于颜色特征空间的分割方法即是在某一种颜色空间,如RGB颜色空间或者CIE颜色空间通过颜色距离标准来融合像素,这种方法只适合于结构简单并且颜色不多的图像;
基于纹理特征空间的分割方法是通过提取图像的像素问颜色差异,将原图像转换为纹理特征图像然后将具有相似纹理特征的像素合并起来,达到分割的效果,这种方法不能直接使用在彩色纹理图像中,因而提出了基于混合特征的分割方法,这种方法融合了前面两种方法的思想,达到对图像的最佳分割效果。
彩色图像分割与灰度图像分割的算法相比,大部分算法在分割思想上是一致的,都是基于像素值的相似性和空间的接近性,只是对像素属性的考察以及特征提取等技术由一维转向了多维。
这是由于灰度图像和彩色图像存在一个主要的区别,即对于每一个像素的描述,前者是在一维亮度空间上,而后者是在三维颜色空间上。
大部分彩色图像的分割方法或思想都是从灰度图像分割方法继承的,因此彩色图像的一部分方法与灰度图像基本相同。
但经过试验证明这些直接继承下来的方法不太适合于大部分彩色图像,所以人们对这些方法作了一些改进。
总的来说彩色图像分割方法发展到目前阶段,主要采用的分割方法有:
(1)基于阈值的分割方法
由于彩色图像不仅有灰度这一个属性,所以使用直方图阈值法会出现很大的不同。
大多数方法都是对彩色图像的每个分量分别采用直方图阈值法。
由于彩色信息通常由R、G、B或它们的线性或非线性组合来表示,所以用三维数组来表示彩色图像的直方图并在其中选出合适的阈值,并不是一件简单的工作,另一方面确定图像中目标的数目计算量也很大。
但这种分割方法不需要先验信息,分割简单。
目前,人们通过研究提出了很多新方法:
文献[5]从目标和背景的类间差异性出发,提出通过贝叶斯公式估计背景和目标的概率,寻找这两类概率兼得最大交叉熵的方法;
文献[6]提出了基于量化直方图的最大熵阈值的方法。
(2)基于边缘的分割方法
边缘检测是灰度图像分割广泛使用的一种技术,它是基于在区域边缘上的像素灰度变化较剧烈,试图通过检测不同区域的边缘来解决图像分割问题。
在灰度图像中,边缘的定义是基于灰度级的突变,而且两个区域的边缘当亮度变化明显时才能被检测出来。
在彩色图像中,用于边缘检测的信息更加丰富,如具有相同亮度、不同色调的边缘同样可以被检测出来,相应地,彩色图像边缘的定义也是基于