基于云模型与格网划分的图像分割方法.pdfVIP

《测绘通报》测绘科学前沿技术论坛论文集 1 基于云模型和格网划分的图像分割方法 1 1 1 2 秦昆 , 李振宇 ,李辉 ,李德毅 (1.武汉大学遥感信息工程学院,湖北武汉 430079; 2.中国电子工程系统研究所,北京 100840) 摘 要：针对图像分割中的不确定性和空间信息的利用，提出了一种基于格网划分和逆向云模型的图像分割新方法。该方法利用 四叉树方法划分图像格网区域，以格网区域内的像素为云滴，利用逆向云模型将图像格网区域转化为语义概念，实现图像分割。通 过与其它分割方法的实验比较，证明了本文方法的有效性。 关键词：图像分割；云模型；逆向云；格网划分；不确定性 一、引言 图像分割是图像分析和处理的重要问题，决定图像的最终分析质量和模式识别的判别结果。 为了辨识图像上的目标需要将它们从图像中分离提取出来，图像分割就是在图像上提取感兴趣 目标的技术过程[1]，分割的程度取决于所需解决的具体问题。图像分割在计算机视觉、遥感、 生物医学、军事等领域有着广泛的应用，图像分割的研究具有重要的理论意义和实用价值。 图像分割方法可以划分为基于灰度统计信息的阈值法[2]、利用图像区域空间信息的图像分 割方法[3] [4] 、利用图像中灰度信息变化最强烈的边缘检测法 ，以及基于不确定性理论的图像分割 方法[5,6]等。阈值法根据图像信息选择一个或几个灰度阈值，把图像分割成一个或多个目标或背 景的区域。该方法假设目标和背景的灰度区间是严格分开的，没有考虑像素的不确定性，硬性 地将其划分为目标或背景，这与实际情况往往是不相符的。例如，目标或背景的中心像素和边 缘像素对其所属区域的隶属度是不同的[7]。利用图像区域信息的图像分割法有区域生长法、分 水岭算法等，这类方法考虑了图像区域的空间信息，但存在一些有待改进的地方。例如，区域 生长法需要为每个分割区域确定种子像素，在缺乏先验知识的情况下，随机的种子点选择可能 会得到与实际情况相差甚远的分割结果；分水岭算法则容易造成过分割。边缘检测法有串行边 缘检测法和并行边缘检测法，前者严重依赖初始边缘点的选取，不恰当或较少的初始边缘点选 择可能会导致虚假边缘和边缘漏检[8]，后者的抗噪性较差。基于不确定性理论的图像分割方法， 如模糊C 均值图像分割方法[5]，虽然考虑了不确定性，但忽略了图像中固有的丰富的空间信息， 导致分割出的区域往往不连续。云模型作为一种有效的不确定性理论和方法，可以实现图像灰 度直方图的有效变换，从而研究出有效的图像分割新方法[6]。但是，该方法仅仅利用了图像的 灰度信息。如何充分利用图像的灰度信息和空间信息，提出更加有效的基于云模型的图像分割 方法是一个重要的研究方向。本文通过划分图像格网，并结合逆向云模型，提出了一种既考虑 不确定性又考虑图像空间信息的有效的图像分割新方法。 二、逆向云模型 2.1 云模型的概念 作者简介:秦昆,男,出生于1972 年5 月,汉族,湖北随州人,博士,副教授,主要研究方向为图像分割、空间分析和数据 挖掘。 李振宇:男,出生于 1984 年 6 月,汉族,河南郑州人,武汉大学遥感信息工程学院硕士生,主要研究方向为数 据挖掘、空间分析。 项目支持:国家”973 计划”资助项目(2006CB701305;2007CB311003) 《测绘通报》测绘科学前沿技术论坛论文集 2 云模型是用自然语言值表示的某个定性概念与其定量表示之间的不确定性转换模型。 定义：设U是一个用精确数值表示的定量论域，C是U上的定性概念，若定量值x ∈U ，且x 是定性概念C的一次随机实现，x对定性概念C的确定度µ (x) ∈[0,1] 是有稳定倾向的随机数： µ :U → [0,1] ，∀x ∈U ，x → µ (x) 。则x在论域上的分布称为云模型，简称为云，每一个x称为 [9] 一个云滴 。 云模型用期望Ex (Expected value)、熵En (Entropy)、超熵He (Hyper entropy)3个数字特征 来整体表征一个概念。其中，期望Ex