基于最大相似度区域合并的交互式图像分割.docx

基于最大相似度区域合并的交互式图像分割.docx

《基于最大相似度区域合并的交互式图像分割.docx》由会员分享，可在线阅读，更多相关《基于最大相似度区域合并的交互式图像分割.docx（9页珍藏版）》请在冰豆网上搜索。

基于最大相似度区域合并的交互式图像分割

基于最大相似度区域合并的交互式图像分割

一．实验目的

实现一种可以将初步分割过后的图片进行目标与背景分离的算法，即基于最大相似度区域合并的交互式图像分割算法。

图像分割是图像分析及计算机视觉系统中的重要环节。

只有在图像分割的基础上才能对目标进行特征提取、参数测量和识别，使得更高层的图像分析和理解成为可能，图像分割质量的好坏直接影响后续图像处理的效果。

因此，可以说图像分割是图像处理中最为重要的环节。

本次实验中提出的算法可以很好地实现图像分割的目的。

二．实验背景知识及原理

1、Meanshift算法初始分割图片

区域合并的前提是输入图片为已被其他方法分割为小区域的图片，本文主要使用了均值漂移分割法（meanshift）。

经过分割后的图像如下图所示：

2、区域表示和相似性度量

本文采用RGB颜色空间估计的颜色直方图表示图像中的每个区域，当然，其它颜色空间，如HSI和Lab等，也可用于对区域建模。

将RGB颜色空间量子化为16x16x16=4096箱格，然后计算每个区域的归一化直方图。

为了度量区域之间的相似性．选择巴氏系数测量区域R和Q的相似度：

上式中，和分别表示区域R和Q的直方图。

上标u表示直方图的第u个箱格。

两个区域的内容相似度越大，直方图越相似，巴氏系数就越高。

由此，可以通过计算巴氏系数来比较不同区域之间的相似度。

3、目标和背景的标记

用户只用做一小部分的标记：

绿色标记目标，蓝色标记背景。

用以下符号来表示相关区域：

MB：

标记为背景的区域；MO：

标记为目标的区域；N：

未标记区域。

4、基于最大相似度的区域合并准则

（1）Q是R的邻近区域，用表示Q的邻近区域，显然。

（2）计算Q与所有邻近区域之间的相似度。

（3）当时，R与Q合并。

5、合并过程

整个合并过程共分为两个阶段，这两个阶段循环进行。

主要算法：

while上次循环中有区域被合并

阶段一;

阶段二;

end;

其中：

阶段一：

（将N中的区域和MB中的区域合并）

（1-1）对每个MB中的区域B，它的邻近区域的集合为。

（1-2）对每个不在MB中的区域Ai，它的邻近区域的集合，因此有。

（1-3）如果，则表示B和Ai具有最大相似度，可以合并为同一个区域，否则不合并。

（1-4）相应地更新MB和N。

（1-5）如果MB找不到新的合并区域，则阶段一结束。

否则，返回到（1-1）。

阶段二：

（将N中的区域与N中的区域合并）

（2-1）对每个N中的区域P，它的邻近区域的集合为。

（2-2）对每个N中的区域Hi，它的邻近区域的集合为因此有。

（2-3）如果则表示P和Hi具有最大相似度，可以合并为同一个区域，否则不合并。

（2-4）相应地更新N。

（2-5）如果N区域中没有还能合并的区域，阶段二结束。

否则返回到（2-1）。

循环停止条件：

在整个算法中，设未标记区域（N）中的区域个数为n，n会随着一些未被标记区域与背景（MB）或与其他区域合并而减少，当n停止减少的时候，算法停止。

剩余的未被标记的区域将会被标记为目标（MO），由此实现了目标与背景的分割。

三．实验结果及分析：

1、实验结果：

第一回合第一阶段的合并：

第一回合第二阶段的合并:

第二回合第一阶段的合并：

合并完成后的结果：

2、实验分析：

（1）MSRM方法分割图像的结果与GCP和GCR分割方法结果的比较：

初始分割GCPGCRMSRM

从上述分割结果我们可以很明显地看出：

MSRM方法的分割效果是明显优于其他方法的。

（2）在分别使用不同的颜色空间（如HSI）、不同的距离度量（如Euclidean）、不同的初始分割方法（如super-pixel）时，分割结果分别如下：

HSI颜色空间

Euclidean距离

super-pixel

由上述结果可以得知：

颜色空间、距离度量、初始分割方法对分割结果基本无影响。

（3）只要标记覆盖了主要的特征区，合并的结果都是一样的。

左边图中的2次不同的标记，它们都包含了花的黄色部分和白色部分，因此合并的结果都是右边的图片。

（4）标记的越多，MSRM算法效果越好。

（5）图像质量的好坏影响最终的分割结果：

由分割结果可知：

有阴影、边缘对比度低、区域模糊时，分割效果不好。

（6）当对目标或背景所做的标记不同时，可能会对合并结果产生影响：

由图像分割结果可知：

上下两幅图在鸟嘴处的差别是比较明显的。

（7）由于区域合并等所需计算量较大，算法运行需要较长时间。

四、实验总结

该论文提出了一种基于区域合并的交互式图像分割算法MSRM，它用MeanShift算法对图像作初步分割，分割结果的区域作为算法处理的基本单位。

然后，用户输入交互式信息，指定目标和背景的大致位置和特征信息，提出的算法将自动从各种背景中分割目标。

算法在目标标记和背景标记的指导下，基于最大相似度机制进行区域合并，并提取目标。

提出的算法简单有效，避免了在传统的一些方法中阈值设置困难的问题。

但是，算法受用户输入的信息影响，并且由于需要大量计算而使得运行速度较慢。

提出的方法提供了一种通用的区域合并框架，它本身并不依赖于MeanShift分割，其它算法（如Watershed、SuperPixel）的分割结果同样可适用于这个框架。