彩色图像快速分割方法研究开题+综述+设计.docx

彩色图像快速分割方法研究开题+综述+设计.docx

《彩色图像快速分割方法研究开题+综述+设计.docx》由会员分享，可在线阅读，更多相关《彩色图像快速分割方法研究开题+综述+设计.docx（59页珍藏版）》请在冰豆网上搜索。

彩色图像快速分割方法研究开题+综述+设计

开题报告

电子信息工程

彩色图像快速分割方法研究

一、课题研究意义及现状

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

图像分割是我们进行图像理解的基础，是图像处理中的难点之一，也是计算机视觉领域的一个重要研究内容。

把图像划分为若干个有意义的区域的技术就是图像分割技术，被划分开的这些区域相互不相交，而且每个区域也必须满足特定区域的一致性条件。

彩色图像反映了物体的颜色信息，比灰度图像提供的信息更多，因此，彩色图像的分割得到了越来越多人的关注，彩色图像分割方法的研究具有很大的价值。

彩色图像分割一直是彩色图像处理中一个很重要的问题，它可以看作是灰度图像分割技术在各种颜色空间上的应用。

目前，图像分割的主要方法有：

基于区域生长的分割方法、基于边缘检测的分割方法、基于统计学理论的分割方法、基于小波变换法、基于模糊集合理论的方法等多种方法。

其中，JSEG算法是一种基于区域生长的图像分割方法，它同时考虑了图像的颜色和纹理信息，分割结果较为准确，受到了广泛的关注。

但是JSEG算法要在多个尺度下反复进行局部J值计算和区域生长，同时还要进行基于颜色直方图的区域合并，这样，该算法就显得更为繁琐、复杂。

针对这些不足之处，有学者提出了一种结合分水岭与JSEG的图像分割新算法。

这种新算法在计算得到图像J后，通过引入分水岭算法直接对J图进行空域分割，然后通过形态后处理完成分割。

与原JSEG算法比较，新算法能够得到良好的分割效果，有效的降低了JSEG算法的复杂度。

国内外也有很多学者对彩色图像的分割方法进行研究，也提出了许多有价值的彩色图像分割算法及改进的彩色图像分割算法，而多种分割算法的结合使用也改进了单一算法的不足之处，使得彩色图像的分割结果更加理想。

但是从目前对彩色图像的研究来看，由于应用领域的不同、图像质量的好与坏以及图像色彩的分布和结果等一些客观因素引起的差异，我们还没有找到一种能够完全适用于所有彩色图像分割的通用的算法。

因此，彩色图像的分割方法仍是一个尚未解决的难题，还需要图像处理领域的研究人员进一步的研究探索。

本研究是对基于JSEG的改进彩色图像分割算法的研究，该算法能够有效降低原JSEG算法的复杂度，提高图像分割效率，在图像分割领域有很重要的意义。

该算法是在原JSEG算法的基础上，引入了分水岭算法，降低了原算法的计算量，降低了图像分割时间。

二、课题研究的主要内容和预期目标

主要内容：

彩色图像的分割算法。

研究一种能对彩色图像进行分割的快速分割算法。

具体要求：

1、了解图像分割的基本内容。

2、掌握几种常见的彩色图像分割算法。

3、研究出一种彩色图像的快速分割方法。

4、基于VC平台进行实验仿真调试，分析算法性能，给出实验结果。

预期目标：

研究出一种彩色图像的快速分割算法，实验仿真得到正确结果。

三、课题研究的方法及措施

彩色图像快速分割方法的研究是属于理论研究，同时需要进行实验仿真得到实验结果，进而分析这种算法的性能。

在研究之前，我们先要查找图像分割的相关资料，了解图像分割的基本内容，进而掌握几种常见的彩色图像分割算法，提出一种结合分水岭与JSEG的图像分割新算法。

该研究是采用VC软件平台，选择一些彩色图片进行实验仿真，分析该算法的性能。

新的JSEG算法的流程图：

（1）预处理：

基于类图计算得到J图。

（2）区域分割：

基于J图进行，采用改进的分水岭方法。

（3）合并与融合：

分水岭分割后得到的图像会存在过分割现象，要进行区域合并与融合。

（4）后处理：

对合并与融合后的图像进行孤立噪声和边界平滑，采用形态处理的方法。

主要难题：

实验中要进行大量图片的仿真，在仿真时必须对相同图像进行新旧JSEG算法的对比。

四、课题研究进度计划

毕业设计期限：

自2010年10月9日至2011年5月18日。

第一阶段（4周）：

分析任务，收集资料，算法初步设计，完成开题报告、文献综述、外文翻译。

第二阶段（4周）：

算法详细设计与程序实现，撰写设计报告与论文。

第三阶段（2周）：

算法仿真、测试，论文修改。

五、参考文献：

[1]林开颜,徐立鸿,吴军辉.快速模糊C均值聚类彩色图像分割算法[J].中国图像图形学报,2004,9

（2）:

159～163.

[2]王祥科,郑志强.Otsu多阈值快速分割算法及其在彩色图像中的应用[J].计算机应用,2006,26:

14～15.

[3]徐秋平,郭敏,王亚荣.基于分水岭变换和图割的彩色图像快速分割[J].计算机工程,2009,35（19）:

210～212.

[4]JamesBruce,TuckerBalch,ManuelaVeloso.FastandInexpensiveColorImageSegmentationforInteractiveRobots[J].Proceedingsofthe2000IEEE,2000:

2061～2066.

[5]费峥峰,赵雁南.一种快速彩色图像颜色分割算法[J].微计算机信息,2007,23（10）:

185～187.

[6]汤红虐,肖业伟等.基于PCA矢量形态学的彩色图像分割方法[J].计算机工程.2009,35（12）:

201～203.

[7]杨臻,朱雷.基于RGB颜色空间的彩色图像分割方法[J].计算机与现代化,2010,3（8）:

147～149.

[8]王慧,申石磊.基于改进的K均值聚类彩色图像分割方法[J].电脑知识与技术,2010,6（4）:

962～964.

[9]冉玉梅,王洪国等.基于自适应局部阈值的彩色图像分割[J].计算机与现代化,2010,

（1）:

109～112.

[10]杜海顺,汪凤泉.一种快速的模糊C均值聚类彩色图像分割方法[J].计算机工程与应用2009,45（33）:

138～140.

[11]陈骥思,余艳梅等.自适应快速FCM彩色图像分割研究[J].计算机工程与应用,2010,46（7）:

178～180.

[12]孙卫芳,段智勇,朱仲杰.结合JSEG与分水岭方法的彩色图像分割[J].计算机工程与应用,2010，46（21）:

185～187.

[13]TuSheng-xian,ZhangSuetal.ABintreeEnergyApproachforColourImageSegmentationUsingAdaptiveChannelSelection[J].J．ShanghaiJiaotongUniv．（Sci．）,2008,13

（1）:

52～59.

毕业论文文献综述

电子信息工程

彩色图像分割方法综述

摘要：

彩色图像分割一直是彩色图像处理中一个很重要的问题，现在的彩色图像分割技术可以粗略的分为3类：

基于直方图的分割技术（阈值分割、聚类等）、基于邻域的分割技术（边缘检测、区域增长等）、基于物理性质的分割技术（利用光照特性和物体表面特征等）。

本文主要是对部分彩色图像分割方法的综述，简单介绍了基于3D直方图的彩色图像分割方法、矢量形态学的彩色图像分割方法、基于RGB颜色空间的彩色图像分割方法、K值聚类彩色图像分割方法、快速FCM彩色图像分割方法以及自适应局部阈值的彩色图像分割方法。

这些方法是目前比较常用的彩色图像分割处理方法，各自都有各自的优点，也有一些不足之处。

关键词：

彩色图像分割；彩色图像处理；阈值；颜色空间；聚类

1引言

图像分割是进行图像理解的基础，是计算机视觉领域的一个重要研究内容，也是图像处理中的难点之一。

所谓图像分割是指将图像中具有特殊意义的不同区域分开来，并使这些区域相互不相交，且每个区域应满足特定区域的一致性条件[1]。

它是我们进行图像分析的关键步骤。

因为彩色图像能够比灰度图像提供更多的信息，故而彩色图像的分割也得到了越来越多人的关注，彩色图像的分割方法就有很高的研究意义了。

彩色图像分割算法的关键是在于如何利用丰富的彩色信息来达到分割的目的。

同时，彩色图像分割也可以看作是灰度图像分割技术在各种颜色空间上的应用。

2彩色图像分割方法

目前，彩色图像的分割方法有多种分类，大致可以分为3类：

基于直方图的分割技术（阈值分割、聚类等）、基于邻域的分割技术（边缘检测、区域增长等）、基于物理性质的分割技术（利用光照特性和物体表面特征等）。

每种类型中有也有很多图像分割方法。

以下对部分彩色图像分割方法做一些简单的介绍。

2.1基于3D直方图的彩色图像分割方法

人可以通过图形，从一堆杂乱的离散数据中观察数据间的内在关系，感受由图形所传递的内在本质。

人的视觉角度可以很容易的观察到3D直方图中像素的聚类情况。

但是这一人类视觉处理的理论基础还不明了，人类的视觉感知的模式还很难应用于机器视觉。

近年来，随着神经生理学的发展和计算机辅助解剖学的研究，提出了几个相当精确地初级视觉系统的计算模型[2]。

真彩色图像的3D直方图是一种可视化数据图，我们从中可以观察到像素在3D颜色空间的聚类特性。

基于3D直方图生长法和尺度空间聚类法是以阈值分割技术为基础，利用真彩色图像像素在3D空间呈现的聚类特性，通过多维阈值分割（MDT）法与3D直方图生长法和尺度空间聚类法有机结合，能够克服过度分割现象，来取得理想的分割效果。

2.2矢量形态学的彩色图像分割方法

数学形态学图像处理是一种以集合论和积分几何学为基础的非线性图像处理方法，最初的数学形态学研究以二值图像为研究对象，也就是二值形态学[3]。

然而，二值形态学与灰度形态学并不能够直接应用到彩色图像处理中。

而最简单的彩色形态学处理方法是将RGB空间中的彩色图像的每个像素的RGB值作为3个独立分量来进行考虑，从而忽略了各个分量之间的联系，因此，图像的彩色信息会大量丢失。

因此，有学者提出了一种色彩保护方案，利用HSV模型中V分量进行灰度形态学处理，而IV与S分量保持不变。

将彩色图像描述为矢量空间，那么把像素点作为矢量处理，根据相应的彩色矢量对主量轴的投影值进行排序。

该算法具有出色的矢量保持能力。

颜色空间是对颜色进行量化的空间坐标，色彩空间的转换主要是为了更好的分离出目标和背景，它的选择直接影响着彩色图像的分割结果。

HSI空间比较接近于人眼视觉感知，并且I分量与彩色信息无关，H与S分量与人感受色彩方式紧密相连，特别适用于光照条件不均与场合，能够将前景色与背景色分布的重叠区域降到最低[3]。

2.3RGB颜色空间的彩色图像分割方法

传统的图像阈值分割算法是把彩色图像转换为灰度图像进行分割。

而通过分析RGB颜色空间的特点提出的基于RGB颜色空间的阈值分割算法，采用了新的判定准则，在颜色空间中以立方体取代原来的四面体，直接对彩色图像进行分割[4]。

这种改进的判断准则能够克服灰度转换造成的颜色信息丢失从而引起的误判，并且在保证原有阈值分割算法快速简单的前提下，能够更为准确的分割彩色图像。

要分割一幅彩色图像，首先要选择合适的颜色空间，其次要采用适合于此空间的分割策略和方法。

常用的颜色空间模型有RGB、HIS、HSV等[4,5]。

数字图像大多是以RGB方式存储，如果使用HIS、HSV等空间模型，需要根据模型间的变换关系进行转换再进行相应的算法处理[4]。

基于RGB颜色空间的算法不需要进行颜色空间的转换，运算速度最快，因此该方法较为普遍。

对图像处理来说，RGB是最为重要和常见的颜色模型，俗称三基色模式，它建立在笛卡尔坐标系中，以红、绿、蓝三种基本色为基础，进行不同程度的叠加，产生多种颜色。

RGB颜色空间是以一个单位长度的立方体来表示颜色，黑、蓝、绿、青、红、紫、黄、白等8种常见颜色分别位于立方体的8个顶点[4]。

传统的阈值分割算法是对图像颜色进行灰度转换后进行分割，还原到彩色空间中，相当于是取了靠近坐标原点的一个四面体所包含的颜色为前景。

而此四面体中远离原点的四个角部分的色彩已经较大的偏离了黑色，这造成对图像分割的不准确。

而基于RGB颜色空间的阈值分割算法是在RGB色彩空间中取靠近原点的一个立方体，其中所包含的颜色为前景，其余的颜色为背景。

2.4K值聚类彩色图像分割方法

1967年，MacQuen首次提出K均值聚类算法。

该算法是解决聚类问题的一种经典算法。

K均值算法的基本思想：

对于给定的聚类数目k，首先随机选择k个对象，每个对象初始的代表一个聚类的平均值或中心。

对剩余的每个对象，根据其与各个聚类中心的距离，将它赋给最近的聚类。

然后重新计算每个聚类的平均值，对数据库中的每个对象与每个聚类的平均值相比较，把对象赋给最相似的某个聚类。

重复执行该过程，直到准则函数收敛使平方误差函数值最小[6,7]。

K均值聚类算法中最重要的一步是初始聚类中心的选取，一般是随机选取待聚类样本集的k个样本，聚类的性能与初始聚类中心的选取有关，聚类的结果与样本的位置有极大的关系。

如果k个样本选取不合理，将会增加运算的复杂性，误导聚类过程，得到不合理的聚类结果[6]。

以往的一些K均值聚类和模糊K均值聚类图像分割算法直接针对图像的像素集合进行聚类，聚类规模很大，随之而来的是巨大的计算量。

为了解决这一问题，人们提出将灰度图像像素空间映射到其灰度直方图特征空间中，从而把针对像素集合进行的聚类映射成针对灰度集合进行的聚类，大大提高了对灰度图像的分割速度。

在实际的应用中，许多图像处理的对象是彩色图像，彩色像素为RGB三个分量，不能直接应用K均值或模糊K均值聚类图像分割算法来处理彩色图像。

日本学者Ohta等人通过对大量的彩色图像区域分割实验，得到一个适合进行彩色图像分割的彩色特征集：

（2-1）

实验证明，仅使用I1分量就可以进行彩色图像分割[6]。

改进后的K均值聚类算法计算量小，运算速度快，可以有效的提高图像分割质量。

2.5自适应局部阈值的彩色图像分割方法

不同彩色图像需要设置不同的阈值，很多学者将分水岭变换和最小树生存方法结合，降低了最小生成树的运算复杂度。

2.5.1分水岭变换

Vincent与Solill提出的分水岭变换借助地形学概念，将图像中每个像素值看成海拔高度，在这个模型中，存在很多的盆地和山脊，在每个盆地的最低点打一个洞，模型慢慢浸入水中，盆地就会成为积水盆地，涨高的水渐渐漫过盆地，当两个盆地的水汇合时，在盆地间筑起堤坝，最终在图像上形成一些轮廓线，将图像中像素值相似的部分包围起来，形成分割图像的效果[8,9]。

使用分水岭变换后的图像被分割成多个区域，将这些区域作为顶点，可以减少顶点及顶点之间的边的树目，降低运算的复杂度，较好的保持图像的边界信息。

2.5.2最小生成树方法

最小生成树算法根据区域差异在每个子图中形成最小生成树。

在含有多个目标的图像中，最终形成多棵最小生成树，每棵生成树对应图像中的一个同质区域[8]。

我们在计算区域差异的时候，如果直接使用RGB颜色空间，同时计算red、green、blue3个颜色分量的差异值，计算量就会很大，而且图像中的目标阴影会严重影响图像分割质量，因此我们要先把RGB颜色空间转换为HSV颜色空间。

在将所有区域构造成一棵最小生成树时，每个区域会有多次合并，记录一个区域每次合并的亮度方差变化，得到波浪状曲线，其中波峰对应局部极大值，选出第一个明显峰值，对n个区域就有n个选出的明显峰值，将n个明显峰值所对应的区域合并次数转换成所有区域总共合并次数中的对应值，转换后的最小合并次数所对应的权值作为局部阈值[8]。

2.6快速FCM彩色图像分割方法

模糊C均值聚类算法（FCM）广泛应用于彩色图像分割，具有简单直观、易于实现的特点，但是该算法需要先指定聚类数目、计算量大、耗时长且易陷入局部最优等缺点。

为此，提出了一种快速模糊C均值彩色图像分割方法[10-12]。

自适应快速FCM算法内容[11]主要包括：

（1）以特征距离作为表征待聚类样本间差异的测度；

（2）将彩色空间转换为I1I2I3空间；（3）利用蚁群算法得到初始聚类中心和聚类数目；（4）对基于梯度的分水岭预分割结果进行快速模糊聚类。

该算法不需要事先确定聚类数目，并且在优化聚类性能不变的前提下，大大提高了聚类速度，实现了图像的快速分割。

3结束语

随着技术的发展以及各种新技术的应用，出现了更多的彩色图像分割算法及改进的彩色图像分割算法，多种分割算法的结合使用改进了单一算法的不足之处，使得彩色图像分割结果更加理想，大大提高了彩色图像的分割质量。

但是到目前为止，还没有一种能够完全适用于所有彩色图像分割的算法，因为彩色图像分割问题具有相当大的复杂性，所以还需要研究人员的不懈努力来解决这个难题。

参考文献

[1]林开颜,吴军辉等.彩色图像分割方法综述[J].中国图象图形学报,2005,10

（1）:

1~10.

[2]潘晨,顾峰.基于3D直方图的彩色图像分割方法[J].中国图象图形学报,2002,7（8）:

801~805.

[3]汤红虐,肖业伟等.基于PCA矢量形态学的彩色图像分割方法[J].计算机工程.2009,35（12）:

201~203.

[4]杨臻,朱雷.基于RGB颜色空间的彩色图像分割方法[J].计算机与现代化,2010,3（8）:

147~149.

[5]JinhuiLanandKaiShen.Robustcolorsegmentationalgorithmsinilluminationvariationconditions[J].CHINESEOPTICSLETTERS,2010,8（3）:

286~289.

[6]王慧,申石磊.基于改进的K均值聚类彩色图像分割方法[J].电脑知识与技术,2010,6（4）:

962~964.

[7]TUSheng-xian,ZHANGSuetal.ABintreeEnergyApproachforColourImageSegmentationUsingAdaptiveChannelSelection[J].J．ShanghaiJiaotongUniv．（Sci．）,2008,13

（1）：

52~59

[8]冉玉梅,王洪国等.基于自适应局部阈值的彩色图像分割[J].计算机与现代化,2010,

（1）:

109~112.

[9]徐秋平,郭敏等.基于分水岭变换和图割的彩色图像快速分割[J].计算机工程,2009,35（19）:

210~212

[10]林开颜,徐立鸿等.快速模糊C均值聚类彩色图像分割方法[J].中国图象图形学报,2004,9

（2）:

159~163.

[11]陈骥思,余艳梅等.自适应快速FCM彩色图像分割研究[J].计算机工程与应用,2010,46（7）:

178~180.

[12]杜海顺,汪凤泉.一种快速的模糊C均值聚类彩色图像分割方法[J].计算机工程与应用2009,45（33）:

138~140.

本科毕业设计

（20届）

彩色图像快速分割方法研究

摘要

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

图像分割是我们进行图像理解的基础，是图像处理中的难点之一，也是计算机视觉领域的一个重要研究内容。

目前，图像分割的主要方法有：

基于区域生长的图像分割方法、基于边缘检测的图像分割算法、基于统计学理论的图像分割方法、基于模糊集合理论的图像分割方法以及基于小波变换法等多种方法。

其中，基于JSEG的彩色图像分割算法受到了广泛的关注，该算法是一种基于区域生长的图像分割算法。

它同时考虑了图像的颜色信息和纹理信息，分割结果较为准确。

但是，JSEG算法要在多个尺度下反复进行局部J值计算和区域生长，同时还要进行基于颜色直方图的区域合并，这样，该算法就显得更为繁琐、复杂。

本文主要研究一种基于JSEG的改进彩色图像分割算法。

这种算法在计算得到J图后，引入了分水岭算法直接对J图进行空域分割，然后通过形态后处理完成分割过程。

通过实验证明，基于JSEG的改进彩色图像分割算法与原JSEG算法相比，能够得到良好的分割效果，并且有效的降低了JSEG算法的复杂度,提高了彩色图像的分割效率。

关键词：

图像分割；JSEG算法；局部J值；区域生长；区域合并；分水岭算法

Abstract

Imagesegmentationisanimportantimagetechnology,whetherintheoryorinpracticalapplicationhavebeenpeople’sextensiveattention.Imagesegmentationisthefoundationofourunderstandingofimage,alsoisoneofthedifficultiesinimageprocessing,andisanimportantpartofcomputervision.

Atpresent,themainmethodsofimagesegmentationhave:

amethodbasedonregionalgrowth,amethodbasedonedgedetection,amethodbasedonstatisticstheory,amethodbasedonwavelettransform,amethodbasedonfuzzysettheoryandsoon.Amongthese,JSEGalgorithmisamethodofimagesegmentationbasedonregionalgrowth.Itconsidersthecoloroftheimageandthetextureinformation,withmoreaccuratesegmentationresult.Soithasreceivedwidespreadconcern.ButJSEGalgorithmhastocalculatethelocalJvalueindifferentmeasures,regionalgrowth,regionalmergerbasedonthecolorhistogram.Therefore,thismethodbecomesmorecomplicatedandcomplex.

Inthispaper,wemainlystudyacolorimagesegmentationalgorithmbasedonimprovedJSEG.ThenewalgorithmsegmentstheairspaceaftercalculatingimageJbymeansofintroducingthewatershedalgorithm,andthenfinishesthesegmentationbyformprocessing.Theexperimentshowsthat,comparedwiththeoriginalJSEGalgorithm,thecolorimagesegmentationalgorithmbasedonimprovedJSEGhasbettersegmentati