MATLAB的图像分割算法研究Word格式文档下载.doc

MATLAB的图像分割算法研究Word格式文档下载.doc

《MATLAB的图像分割算法研究Word格式文档下载.doc》由会员分享，可在线阅读，更多相关《MATLAB的图像分割算法研究Word格式文档下载.doc（21页珍藏版）》请在冰豆网上搜索。

6程序运行结果

1.引言

数字图像处理技术是一个跨学科的领域。

随着计算机科学技术的不断发展，图像处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但却引起各方面人士的广泛关注。

首先，视觉是人类最重要的感知手段，图像又是视觉的基础，因此，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知的有效工具。

其次，图像处理在军事、遥感、气象等大型应用中有不断增长的需求。

基于图论的图像分割技术是近年来国际上图像分割领域的一个新的研究热点。

该方法将图像映射为带权无向图，把像素视作节点。

利用最小剪切准则得到图像的最佳分割该方法本质上将图像分割问题转化为最优化问题。

是一种点对聚类方法。

对数据聚类也具有很好的应用前景。

但由于其涉及的理论知识较多，应用也还处在初级阶段。

因此国内这方面的研究报道并不多见，本文将对图论方法用于图像分割的基本理论进行简要介绍，并对当前图论方法用于图像分割的最新研究进展进行综述，并着重介绍基于等周图割的图像分割的方法。

2.图像目标分割与提取技术综述

图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。

图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。

有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来的信息。

例如，可以对图像的灰度级设置门限的方法分割。

值得提出的是，没有唯一的标准的分割方法。

许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。

分割结果的好坏需要根据具体的场合及要求衡量。

图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。

2.1图像分割方法的发展和现状

分割问题的困难在于图像数据的模糊和噪声的干扰。

前面已经提到，到目前为止，还没有一种或者几种完善的分割方法，可以按照人们的意愿准确的分割任何一种图像。

实际图像中景物情况各异，具体问题具体分析，需要根据实际情况选择适合的方法。

分割结果的好坏或者正确与否，目前还没有一个统一的评价判断准则，分割的好坏必须从分割的效果和实际应用场景来判断。

不过在人类研究图像的历史中，还是积累了许多经典的图像分割方法。

虽然这些分割方法不适合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。

事实上，现代一些分割算法恰恰是从经典的分割方法衍生出来的。

早期的图像研究中，图像的分割方法主要可以分为两大类。

一类是边界方法，这种方法的假设是图像分割结果的某个子区域在原来的图像中一定会有边缘存在；

一类是区域方法，这种方法的假设是图像分割结果的子区域一定会有相同的性质，而不同区域的像素没有共同的性质。

这两种方法都有缺点和优点，有的学者也试图把两者结合起来进行图像分割，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。

所使用的教学工具和实验手段也是不断的扩展，从时域信号到频域信号处理，近来小波变换也应用在图像分割当中。

2.1.1研究背景与意义

数字图像目标分割与提取是数字图像处理和计算机视觉领域中一个备受关注的研究分支。

因为在目标分割与提取过程中可以利用大量的数字图像处理的方法，加上其在计算机视觉、模式识别等领域中的广泛应用，都吸引了众多研究者的注意。

相信对这一问题的深入研究不仅会不断完善对这一问题的解决，而且必将推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。

图像分割和边缘检测的问题在近二十年中得到了广泛的关注和长足的发展，国内外很多研究人士提出了很多方法，在不同的领域取得了一定的成果。

但是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和检测算法，还有很大的探索空间。

边缘提取和分割是图像分析的经典研究课题之一，目前的理论和方法仍存在许多不足之处，仍在不断改进和发展。

需要说明的是：

边缘与物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在与物体之间的边界。

有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；

另外成像的过程中的光照和噪声也是不可避免的重要因素。

正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者们正在试图在边缘提取中加入高层的语义信息。

由于图像的多义性和复杂性，许多分割的工作无法依靠计算机自动完成，而手工分割又存在工作量大，定位不准确的难题，因此，人们提出了一些人工交互和计算机自动定位相结合的方法，利用各自的优势，实现目标轮廓的快速定位。

相信这些交互式方法的应用，必将推动图像目标分割与提取这一既具有广阔的应用前景又具有重要的学术价值的课题的进一步研究，也必将成为一个更为独立和活跃的研究领域。

2.2基于图论的图像分割

基于图论的图像分割技术是近年来国际上图像分割领域的一个新的研究热点，在此，有必要先介绍一下基于图论分割的一些基本知识。

2.2.1基本知识

（1）图的最优划分准则

令图G=（V，E），图G被划分为两部分A、B，且有AB=V，AB=，节点之间的边的连接权为（W（M，V）），则将图G划分为A，B两部分的代价函数为：

cut（A，B）=

（1）

使得上述剪切值最小的划分（A，B）即为图G的最优二元划分．这一划分准则称为最小割集（Minimumcut）准则。

（2）图像的最佳分割

将一幅图像视为一个带权的无向图G=（V，E），像素集被看作节点集.边缘集被看作边集E，像素之间的连接权为W（i,j），则将图像二值划分为两个集合（区域）A，B的代价函数为：

cut（A,B）=

（2）

对于一幅图像，使得上述代价函数最小的划分即为图像的最佳分割。

（3）权函数

权函数一般定义为两个节点之间的相似度。

在基于图论的图像分割方法中．常见的权函数有如下形式：

上式权函数中，对于灰度图像，Fi的值为像素的灰度值，Xi为像素的空间坐标，为灰度高斯函数的标准方差，为空间距离高斯函数的标准方差。

r为两像素之间的有效距离。

若超过这一距离，则认为两像素之间的相似度为0。

此相似度函数认为，两像素之间的灰度值越接近，则两像素之间的相似度越大，两像素之间的距离越近则其相似度也越大。

另外，文献[16]定义了如下两个权函数为：

=exp（-）（4）

=（5）

上述权函数仅考虑了像素之间的灰度关系，没有考虑其空间关系。

（4）相似度矩阵、度矩阵及拉普拉斯矩阵

图论分割算法常把所定义的最优割集准则转化为求解相似度矩阵或拉普拉斯矩阵的特征值及特征矢量问题。

相似度常用W或A表示，有时也称亲和力（affinity）矩阵。

将原图像中的像素从左到有单行排列并作为相似度矩阵的行序列及列序列,相似度矩阵中每一个元素的值为使用相似度函数计算所得到的值,因此若一幅图像尺寸为，则其相似度矩阵元素个数将。

将相似度矩阵的每行元素相加。

即得到该节点的度，以所有度值为对角元素构成的对角矩阵即为度矩阵，度矩阵常用D表示。

拉普拉斯矩阵为L=D—W，在图论分割算法中拉普拉斯为常用的标准矩阵。

（5）势函数、Fiedler矢量及谱

势函数为代表某像素划分归属的指示矢量（indicatorvector）。

其定义为：

若最终势函数中某像素对应的值为1．则该像素属于集合A，若为0则属于集合B。

但实际划分求解得到的结果常为0到1之间的实数值，此时可用k均值聚类等方法进一步决定像素的归属。

许多图论分割算法将图划分问题转化为求解下述方程的第二小特征矢量问题：

x=x（7）

这里的第二小特征矢量为第二个最小特征值对应的特征矢量，它代表了最佳图划分的一个解（即势函数），把这一特征矢量称为Fiedler矢量。

与特征矢量（不一定是Fiedler矢量）对应的特征值称为谱。

目前，基于图论的图像分割方法的研究主要集中在以下几个方面：

（1）最优剪切准则的设计；

（2）谱方法用于分割；

（3）快速算法的设计；

（4）其他图论分割方法。

通过对以上图论的研究与比较，我们现在应该找出一种较好的图像分割的方法，或是得到这种方法的途径。

3.1割集准则

由式

（2）的最优分割准则及式（3）的相似度函数可知，基于图论的最优分割基本原则就是使划分成的两个子图（区域）内部相似度最大．子图之间的相似度最小．同时应使得划分的区域尽量避免出现歪斜（即偏向小区域）分割。

割集准则的好坏直接影响到分割结果的优劣。

常见的割集准则有Minimumcut，Averagecut，Normalizecut，Min-maxCut，Ratiocut，Foreground-cut，Bcut，Isoperimetricratio，Nestedcut。

表1列出了几种常见的割集准则。

其中Norma1izecut是一种较规范的形式，可以将准则转化为求解矩阵的特征矢量问题Isoperimetricratio是一种较新颖的图论分割算法，且运算速度较快，不需要对相似度矩阵进行重构。

最优准则的实现有两种方式：

一种是将最优准则转化为求解矩阵方程，另一种方法是使用所定义的准则直接进行图缩减。

前三种准则的较详细的性能对比参见文献[17]。

表1几种常见准则的比较

准则

准则形式

准则实现方式

特点

MinimumCut

Cut（A,B）=

树图缩减

易倾向于较小的分割

AverageCut

Avcut（A,B）=+

求方程（D-W）x=x

易倾向于较大的分割

NormalizeCut

Ncut=

Assoc（A,V）=

求方程

（D-W）x=Dx

当类间重叠较大时易出现歪斜划分

Min-MaxCut

Mcut=

求方程（D-W）x=Dx

后置处理需要花费大量时间

RatioCut

Rcut（A,B）=

速度较慢，可避免划分向短边偏移

IsoperimetricRatio

h=

表示区域S的体积,||为区域S的边界所包含的面积

=

速度较快

3.2谱方法

谱方法在本质上与图论方法相一致．此类算法直接对原图像构造亲和力矩阵（即相似度矩阵）W或拉普拉斯矩阵L，然后求解矩阵的特征矢量并以此为基础直接或进一步构造特征矢量指导分割

目前常见的几种谱分割方法见表2。

其中文献[l8]是一种较规范、较常用的谱分割方法。

表2几种常见的谱分割方法

所用方程

主要求解步骤

Wx=

求解最大特征值对应的特征矢量用于指导分割，递归运算

（D-W）x=

求解方程的Fiedler矢量指导分割，递归运算

求解前k个特征值对应的特征矢量并合并成矢量V，将V按行归一化等到矢量X，计算，通过Q矩阵指导分割，即=1的象素将被分为一类

Nx=,其中

特征矢量合并成矩阵V，将V按行矢量归一化得到X，然后使