图像处理外文翻译.docx
《图像处理外文翻译.docx》由会员分享,可在线阅读,更多相关《图像处理外文翻译.docx(14页珍藏版)》请在冰豆网上搜索。
图像处理外文翻译
杭州电子科技大学
毕业设计(论文)外文文献翻译
毕业设计(论文)题目
基于遗传算法的自动图像分割软件开发
翻译
(1)题目
ImageSegmentationbyUsingThreshold
Techniques
翻译
(2)题目
AReviewonOtsuImageSegmentationAlgorithm
学院
计算机学院
专业
计算机科学与技术
姓名
刘xx
班级
11xxxxxx
学号
1115xxxx
指导教师
孔xx
使用阈值技术的图像分割1
摘要
本文试图通过5阈值法作为平均法,P-tile算法,直方图相关技术(HDT),边缘最大化技术(EMT)和可视化技术进行了分割图像技术的研究,彼此比较从而选择合的阈值分割图像的最佳技术。
这些技术适用于三个卫星图像选择作为阈值分割图像的基本猜测。
关键词:
图像分割,阈值,自动阈值
1引言
分割算法是基于不连续性和相似性这两个基本属性之一的强度值。
第一类是基于在强度的突然变化,如在图像的边缘进行分区的图像。
第二类是根据预定义标准基于分割的图像转换成类似的区域。
直方图阈值的方法属于这一类。
本文研究第二类(阈值技术)在这种情况下,通过这项课题可以给予这些研究简要介绍。
阈分割技术可分为三个不同的类:
首先局部技术基于像素和它们临近地区的局部性质。
其次采用全局技术分割图像可以获得图像的全局信息(通过使用图像直方图,例如;全局纹理属性)。
并且拆分,合并,生长技术,为了获得良好的分割效果同时使用的同质化和几何近似的概念。
最后的图像分割,在图像分析的领域中,常用于将像素划分成区域,以确定一个图像的组成[1][2]。
他们提出了一种二维(2-D)的直方图基于多分辨率分析(MRA)的自适应阈值的方法,降低了计算的二维直方图的复杂而提高了多分辨率阈值法的搜索精度。
这样的方法源于通过灰度级和灵活性的空间相关性的多分辨率阈值分割方法中的阈值的寻找以及效率由二维直方图阈值分割方法所取得的非凡分割效果。
实验的结果表明,这种方法可以得到的分割结果与详尽二维直方图方法相类似,而计算复杂度与分辨率等级的增加而呈指数下降[3]。
图像的阈值问题,被视为在图像处理的一个重要问题,它不仅可以减少图像数据,同时也奠定了多目标识别和图像认知提供了良好的基础。
全局阈值分割和局部阈值的字符图像分割进行了分析。
一个新的阈值统计迭代算法,提出要克服的直接阈值,针对一些光照不对称和明显的缺陷,或者更大的数字比例在各种各样的背景灰度图像中。
统计迭代阈值分割,基于图像灰度直方图和高斯分布的统计,获得统计迭代法理论表达和最值得阈值法和步骤。
航空图像通过分别使用统计迭代算法,直方图技术和自适应方法进行阈值分割。
比较三种阈值结果,它表明统计迭代方法大大提高了图像分割的抗噪能力,并且有更好的图像结果,并且不容易在阈值方法中分段[4]。
模糊C均值改进算法和遥感图像分割策略,可以提供较少的迭代次数收敛到全局最优解。
同时,它具有良好的稳定性和鲁棒性。
其良好的分割效果可提高精度和遥感图像阈值分割的效率[5]。
阈值技术可分为两类:
全局阈值和局部(自适应)阈值。
在全局阈值中,单个阈值用于整个图像。
在局部阈值,阈值被分配给每个像素,使用周围的象素的局部信息以确定它是属于前景还是背景。
由于简单和容易实施的优点,全局阈值技术一直流行许多年[6][7][8]。
2阈值
阈值是广泛地用于图像分割的方法之一,在从背景分离出前景中非常有效,通过选择一个适当的阈值T,将灰度级图像可转换为二进制图像。
二进制图象应该包含所有的兴趣目标(前景)中的位置和形状的基本信息。
二进制图像的优点是它减少了数据的复杂性,并简化了识别和分类的过程。
灰度级图像转换为二进制图像的最常见的方法是选择一个单一阈值(T)。
然后所有低于这个T中的灰度等级值将被归类为黑色(0),高于T的定义为白色
(1)。
分割问题变成一个选择合适的阈值T问题。
一个常用的方法适用于选择T是通过分析想要分割的图像的直方图类型。
理想的情况是,当柱状图呈现只有两个主要的模式和清晰的山谷(双峰)。
在这种情况下,T的值被选择在两个模式之间的谷点。
在实际应用中的直方图是更复杂的,具有许多峰和不明确的山谷,所以不总是容易选择T的值。
3自动阈值
每个图像由系统自动选择阈值而无需人工干预的方法被称为一个自动阈值方案。
这就要求有关的对象的强度特性、对象的大小、图像中各种不同类型部分出现的目标的级分知识。
4阈值技术
阈值技术是图像分割的重要技术之一。
这种技术可以表示为:
T=[X,Y,P(X,Y),f(X,Y]
(1)
其中:
T是阈值。
x,y是所述阈值点的坐标。
P(X,Y),F(X,y)是图中像素点的灰度。
阈值图像g(x,y)可以是如下定义:
(2)
这篇文章采用了5种阈值技术:
4.1均值技术
该技术中使用的像素的平均值作为阈值,并在严格的情况下即有大约一半到属于目标,而另一半属于背景像素的图像的工作得很好。
这种技术很少发生。
4.2P-Tile技术
P—Tile技术使用的知识是所关注对象在整个阈值的图像的面积尺寸。
P—Tile方法是基于灰度直方图的最早的阈值方法之一[5]。
它假定在图像中的目标比背景更亮,并占据图像面积的固定百分比。
图像区域的这个固定的百分比也被称为P%。
阈值被定义为大多对应于映射到至少P%上的灰度级到目标的灰度级。
设n是最大灰度级值,H(i)是图像的直方图(i=0…n),而P是该目标的面积比。
P-Tile算法方法如下:
其中:
s的图像总面积,f是初始化所有区域作为目标区域,T是最终阈值‘
此方法操作简单,适合对象的所有尺寸。
它产生良好的抗噪声能力;然而,如果对象面积比率为未知的或从图象变化到图像,这显然是不适用的[6]。
4.3直方图相关技术(HDT)
直方图技术是依赖于估算分隔图像的对象和背景的两个同质区域的阈值的成功。
这就要求,图像组成是两种同质的并且能够存在一个阈值分离这些区域。
所述(HDT)是适于图像具有很大同质性并且将分离这些区域,其中的对象和背景的面积都是同质的并且不包括对象和背景之间的区域。
这种技术可以表示为:
其中:
C(T)为所述组内方差。
是组值小于T.的概率。
是组值小于T的概率.
为像素组的方差小于或等于T的概率。
为像素组的方差大于T的概率。
4.4EMT技术
使用边缘最大化技术(EMT)的阈值图像被用于当在图象超过一个均匀区域或有目标和背景之间的照明的变化有改变。
在这种情况下,目标的部分可以被合并到背景或者背景可以作为一个目标。
出于这个原因,任何的自动阈值选择技术的性能得都要变得更好在大的同质和分离的区域。
此技术分割取决于有关图像中的最大边缘阈研究并且开始分割有边缘检测技术操作的图像(例如kiresh操作技术)。
4.5可视化技术
这些技术改善人们的准确搜索目标项目的能力。
这些技术是类似于另一个使用原始图像的分量区段的P-tile技术,他们以新颖的方式,以提高视觉搜索性能,但是p-tile是不太有效当不同的噪声中存在于图像中。
5次实验试验验证
5.1Testing程序
阈值分割,采用(MATLABR2007a,7.4A)实现并测试了在图1所示的三幅图像分割技术
图1.原始图像
五种阈值分割技术:
平均技术,P-tile技术,可视化技术,HDT技术和EMT技术。
5.2仿真结果
图2.原始图像阈值从左到右,可视化技术,T=127,平均技术,P-tileT=127,HDT技术与EMT技术。
图3.原始图像阈值从左到右,可视化技术,T=167,平均技术,P-tileT=167,HDT技术与EMT技术。
图4.原始图像阈值从左到右,可视化技术,T=43,平均技术,P-tileT=43,HDT技术与EMT技术。
6结论
在本文中,比较适用于研究了5种阈值分割技术的图像方法:
平均法,P-tile法,直方图相关技术(HDT),边缘最大化技术(EMT)和视觉技术在如图所示的三个卫星图像上。
图1.解释与实验进行了不同的技术的HDT和EMT技术分别是用于阈值的技术的图像的最好的技术。
这个结果从图1,2,3得到。
参考文献
[1]GonzalezandWoods,"Digitalimageprocessing",2ndEdition,prenticehall,2002.
[2]KennethR.Castelman,"Digitalimageprocessing",TsinghuaUnivPress,2003.
[3]ShuqianHe,JiangqunNi,LihuaWu,HongjianWei,SixuanZhao.,"Imagethresholdsegmentationmethodwith2-Dhistogrambasedonmulti-resolutionanalysis",ComputerScience&Education,ICCSE,25-28July2009,PP.753–757,Nanning,China.
[4]GuangYang,KexiongChen,MaiyuZhou,ZhonglinXu,YongtianChen,"StudyonStatisticsIterativeThresholdingSegmentationBasedonAviationImage,"snpd,vol.2,pp.187-188,EighthACISInternationalConferenceonSoftwareEngineering,ArtificialIntelligence,Networking,andParallel/DistributedComputing(SNPD2007),2007.
[5]DuGen-yuan,MiaoFang,TianSheng-li,GuoXi-rong.,"RemoteSensingImageSequenceSegmentationBasedontheModifiedFuzzyC-means",JournalofSoftware,Vol.5,No.1,PP.28-35,2009.
[6]A.S.Abutaleb,“AutomaticThresholdingofGray-LevelPicturesUsingTwoDimensionalEntropy”,ComputerVision,Graphics,andImageProcessing,Vol.47,PP.22-32,1989.
[7]J.KittlerandJ.Illingworth,“MinimumErrorThresholding”,PatternRecognition,Vol.19,No.1,PP.41-47,1986.
[8]K.H.LiangandJ.J.WMao,“ImageThresholdingbyMinimizingtheMeasuresofFuzziness”,PatternRecognition,Vol.28,No.1,PP.41-51,1995.
[9]F.Samopa,A.Asano.,"HybridImageThresholdingMethodusingEdgeDetection",IJCSNSInternationalJournalofComputerScienceandNetworkSecurity,Vol.9No.4,PP.292-299,April2009.
最大类间方差算法的图像分割综述2
摘要
图像分割是数字图像处理的基本方法。
在所有的分割方法中,最大类间方差法由于它的简单性使它成为最成功图像阈值计算方法之一。
最大类间方差法是自动阈值选择区域分割的基础方法。
本文研究了各种最大类间方差算法。
关键词:
图像处理,最大类间方差算法,分割,阈值
1引言
图像分割在图像分析中是最基础并且是最困难的一部分。
图像分割是图像处理中的一个重要组成部分。
在计算机视觉中,图像分割是将图像分割成有意义的区域或目标的一个过程。
图像分割有许多应用,如肿瘤或其他疾病定位,测量组织体积,计算机指导手术,治疗计划,解剖结构的研究,卫星图像定位和指纹识别等等。
图像的分割细分成其组成区域或对象。
图像分割方法被归类于两个属性——不连续性和相似性[1]。
基于这一特性的图像分割归类为基于边缘的分割和基于区域的分割。
这种基于像素不连续性的分割方法称为边界或边缘技术。
基于边缘的分割方法尝试通过检测边缘,或有快速过渡不同区域之间的像素在强度和被提取和链接形成封闭的对象边界来解决图像分割。
其结果是一个二进制图象。
基于该理论有两个主要的基于边缘的分割方法,灰度直方图的和梯度的方法[2]。
根据一组预定义的搜索标准分割图像到类似于区域。
基于区域划分成像素连接类似区域。
每一个区域中的象素的是具有相同的一些特征或计算性能,如颜色,强度和/或纹理。
这就有不同类型的区域像是阈值分割,区域增长区域划分和合并。
阈值是在图像分割应用中的一个重要技术。
阈值的基本思想在灰度分布的基础上,选择一个最佳灰度阈值把感兴趣的目标从图片的背景中分离出来。
虽然人类可以轻松从复杂的背景和图像中区分它们,然而对图像阈值是一个艰巨的任务将它们分开。
图像的灰度直方图通常被视为图像阈值算法开发的有效工具。
创建二进制图像阈值分割,如果像素低于某个阈值的所有像素为零,高于某个阈值所有的像素为一。
如果g(x,y)是f(x,y)在全局阈值T的一个阈值版本,它可以被定义为[1],
g(x,y)=1iff(x,y)≥T
=0otherwise
阈值化操作被定义为:
T=M[x,y,p(x,y),f(x,y)]
在该式中,T代表的阈值;函数f(x,y)是点(x,y)的灰度值,p(x,y)表示该点的一些局部属性,如集中在点(x,y)邻域的平均灰度值。
基于此,有两种阈值分割方法。
1)全局阈值:
当T仅依赖于函数f(x,y)(换言之,仅依赖于灰度级值)以及T的计数值仅涉及像素的性质,这种阈值处理技术被称为全局阈值。
2)局部阈值:
如果阈值T取决于f(x,y)和P(X,Y),这称为局部阈值分割。
该方法将原始图像分割成若干子区域,并对每个子区合理选择不同的阈值[3]。
最大类间方差法是全局阈值法,它只依赖于图像的灰度值。
最大类间方差法是由学者Otsu于1979年提出。
最大类间方差法是全局阈值选择方法,正式因为它的简单和有效的性才得以广泛应用。
最大类间方差法在运行前需要计算灰度直方图。
然而,由于在一维,只考虑灰度级的信息,它不给更好的分割的结果。
因此,对于该二维的最大类间方差算法,提出了工作在每个像素的两个灰度级的阈值,以及在邻域内的空间相关信息。
因此,当它被用于到噪声图像时,最大类间方差算法能获得满意的分割结果[8]。
许多技术因而被提出,以减少所花费在计算上的时间并仍保持合理的阈值。
在[9],提出了一种快速递归技术,可以有效地降低计算时间。
最大类间方差算法是一种更好的阈值选择方法对于一般真实世界的均匀性和形状的图像测量。
然而,最大类间方差法使用穷举搜索来评估标准最大化类间方差。
如在类的图像的数量级增加,最大类间方差法将花费时间用于多级阈值选择[10]。
2各种最大类间方差算法简介
A.基于改进的最大类间方差算法的图像分割
在这里[4],作者描述了一维最大类间方差算法。
这种算法被广泛使用由于它的简单的计算和稳定性。
这里的算法仅仅工作在图像的灰度值。
一维Otsu算法只考虑像素的灰度级信息,而不考虑象素的空间邻域的信息,所以它是难以得到满意的分割结果。
当目标与背景的全局分布变化很广时,此算法失效。
此外,它提供了良好的分割效果,但是当两个类非常不平等时,效果很差。
本文作者提出了一种基于熵的新方法,给出了比一维最大类间算法更好的效果。
B.比较研究图像分割算法
在这里[5],对主图像分割算法进行了评价,并给出了图像分割算法的一些有价值的特性。
作者们把最大类间方差算法列基于区域分割算法的阈值区域。
另外最大类间方差的阈值算法的复杂度率非常高,处理速度非常慢。
其分割算法的分割结果的稳定性还是不错的。
在这里,为了提高Otsu算法的性能,还结合它与其他算法。
C.基于改进直方图的最大类间方差算法阈值
在这里[6],作者提出了一种快速最大类间方差算法的基础上改进的直方图,减少一维和二维最大类间方差算法的高计算复杂度。
在该算法二维直方图投影到对角线,然后应用到二位最大类间方差上直方图以找到最佳的阈值。
为了评估算法的实际性能,笔者应用椒盐噪声和高斯噪声在图像上。
实验的结果表明,它大大提高了阈值的速度,并具对于椒盐噪声的图像有更好的抗噪声性能,但对于高斯噪声的图像没有给出好的结果。
D.最大类间方差算法和K均值方法
在本文中[7],它指出的最大类间方差法在多阈值的目标函数是相当于k均值算法。
它们都是基于最小化的类内方差相同的标准。
另外,大津法适用于全局的阈值而K均值是指在本地阈值法的工作。
大津方法运行前需要计算灰度直方图。
而K均值不需要在运行前计算灰度直方图。
这两种方法产生良好的分割结果,但K均值相较于大津法提供更好的结果。
大津方法需要较多的时间,并增加了算法的复杂性。
IIIOTSU方法的比较分析
表1.比较各种最大类间方差方法。
论文
方法
分割结果
局限性
基于改进直方图Otsu阈值
改进直方图
好
该算法提供了更好的结果对于盐椒噪音,但对于高斯噪声效果并不好
在图像分割算法的比较研究
全局阈值
好/稳定
高
复杂性/低
处理速度
最大类间方差和k均值
全局最优阈值
好
增加复杂性和时间
基于改进的最大类间方差算法的图像分割
熵
稳定
当目标图像的全局分布和背景差异很大,性能下降。
本文对各种最大类间算法的图像分割了进行研究。
所述算法已被广泛使用由于它的简单性。
此处,关于实施最大类间方差算法相对于它们的方法、结果和局限的不同的方式进行了比较分析比较。
致谢
感谢GBJethva教授,计算机工程系主任,他的宝贵的知识和支持,并给我们知道正确的道路。
参考文献
[1]RafaelC.Gonzalez,RichardE.Woods,“DigitalImageProcessing”,
2nded.,Beijing:
PublishingHouseofElectronicsIndustry,2007.
[2]W.X.Kang,Q.Q.Yang,R.R.Liang,“TheComparativeResearchon
ImageSegmentationAlgorithms”,IEEEConferenceonETCS,pp.
703-707,2009
[3]Er.NirpjeetkaurandErRajpreeetkaur,“Areviewonvariousmethod
ofimagethresholding”,IJCSE-2011.
[4]ZhongQuandLiHang”ResearchonIimageSegmentationBasedonthe
ImprovedOtsuAlgorithm.”,2010
[5]W.X.Kang,Q.Q.Yang,R.R.Liang,“TheComparativeResearchon
ImageSegmentationAlgorithms”,IEEEConferenceonETCS,pp.
703-707,2009.
[6]Z.Ningbo,W.Gang,Y.Gaobo,andD.Weiming,“Afast2dotsu
thresholdingalgorithmbasedonimprovedhistogram,”inPattern
Recognition,2009.CCPR2009.ChineseConferenceon,2009,pp.
1–5.
[7]L.DongjuandY.Jian,“Otsumethodandk-means,”inHybrid
IntelligentSystems,2009.HIS’09.NinthInternationalConferenceon,
vol.1,2009,pp.344–349.
[8]LIUJian-zhuang,LiWen-qing,“TheAutomaticthresholdofgraylevel
picturesviaTwo-dimentionalOtsuMethod”,ActaAutomatic
Sinica,1993
[9]J.Gong,L.Li,andW.Chen,“Fastrecursivealgorithmsfor
two-dimensionalthresholding,”PatternRecognition,vol.31,no.3,pp.
295–300,1998.
[10]P.K.Sahoo,S.Soltani,A.K.C.Wong,andY.Chen,“Asurveyof
thresholdingtechniques,”ComputerVisionGraphicsImage
外文翻译考核表
指导教师对外文翻译的评语:
指导教师(签名)
年月日
建议成绩
评阅小组或评阅人对外文翻译的评语:
评阅小组负责人或评阅人(签名)
年月日
建议成绩