图像分割和提取方法的精讲.docx

服装图像分割和提取方法的研究报告2013-7-8研究报告的主要内容本文首先对当前常见的图像分割和提取方法进行概要的介绍和分析，然后研究利用服装图像独有的特征进行图像分割和提取的方法，此外还对服装图像分割和提取的技术可行性进行了一定的分析。报告的主要内容有以下几个方面：常用图像分割的方法和性能；基于服装图像特征的服装提取方法；实现服装图像提取的可行性分析；常用的图像处理应用开发环境简介；1常用图像分割的方法和性能图像分割是把图像空间划分成若干个具有某些一致性属性的不重叠区域，并提取出感兴趣目标的技术。它是根据图像的某些特征或特征集合的相似性准则，对图像像素进行分组聚类，把图像平面划分为一系列“有意义”的区域的过程。对图像空间的划分通常建立在区域的相似性和非连续性这两个概念上。相似性就是同一区域中的类似像素特征；非连续性则表明不同区域间像素特征存在突变。图像分割可选择的性质有很多，如亮度、色彩、反射率、纹理等。传统的分割方法根据图像的主要特征可以划分为三大类：1、基于阈值的分割；2、基于边缘的分割；3、基于区域的分割。随着现代算法和智能技术的不断提高，新的图像分割方法层出不穷，如基于聚类的分割；基于进化算法的分割；基于神经网络的分割；基于模糊理论的分割等等。现具体介绍如下：1.1阈值分割技术基于阈值的分割方法是利用图像的灰度直方图信息得到用于分割的阈值，把图像分为具有不同灰度级的目标区域和背景区域的组合。该方法计算简单，对物体和背景对比强烈的图像效果较好。是图像分割中最有效和实用的技术之一。其缺点在于很难找到适合所有图像进行有效分割的阈值，一种阈值方法通常只适用于某一类或几类图像。对于图像中目标和背景区域差异明显的情况，可以直接利用灰度门限法进行图像的分割。而某些图像经过预处理后会明显提高图像的质量和灰度直方图信息，这类图像可以在预处理之后再运用门限法进行分割，能够获得较好的分割效果。此外，对于一副图像上含有多个不同类型区域和分割目标的图像，可以使用多个门限将这些区域分开。阈值分割技术的灰度门限选择，直接影响了分割的精度和图像分析的正确性，门限选择的太高，容易把大量目标归为背景，门限太低，则很难分离准确的目标。因此，基于阈值选择的图像分割方法实际就是按照某个准则函数求最优阈值的过程。通常对有一定先验信息的图像，可以利用试探的方法确定门限。然而大多数情况下，图像的先验知识较少，此时只能从图像本身的特征来确定门限，常利用图像的统计特性进行门限求解。此外，还可以利用动态门限，模糊门限等方法提高阈值分割的准确性。图1显示了基于固定门限值的图像分割效果和图像的直方图。图1 基于固定门限的图像分割和图像直方图1.2边缘分割技术边缘是指其周围像素灰度有变化的那些像素的集合。物体的边缘是由灰度不连续所反映出来的。边缘分割技术依赖于由边缘检测算子找到的图像边缘，这些边缘标示出图像中灰度、色彩、纹理等方面不连续的位置。这种基于边缘检测的图像分割方法不依赖于已经处理像素的结果，更适合并行化处理。但是该方法对噪声比较敏感，而且当边缘像素值变化不明显时，容易产生虚假边界或者不连续的边界，从而导致分割失败。因此，边缘检测包括两个基本内容：1、抽取反映灰度变化的边缘点。2、剔除某些边界点或填补边界间断点，并将边缘连接成完整的曲线。图像中边界上的像素点的邻域应该是一个灰度级变化的带，衡量这种变化最有效的特征值就是灰度的变化率和变化方向，它们分别以梯度向量的幅值和方向来表示。对于连续图像，其方向导数在法线方向上有局部最大值。因此，边缘检测就是求图像梯度的局部最大值和方向。实际应用中，一般将边缘检测算子以微分算子的形式表示，然后采用快速卷积函数来实现。目前可采用的微分算子有很多种。下图展示了几种不同微分算子的边缘检测结果。图2 各种微分算子的边缘检测结果此外，还有很多不同的边缘检测方法，如基于图像滤波的方法、基于边界曲线拟合的方法、状态空间搜索法、动态规划法、边界跟踪法、Hough变化法等，均可以对图像边缘进行检测，为图像分割提供依据。这里要着重强调的是边界跟踪的方法，通过启发式的图搜索方法对图像边界进行跟踪，可以通过启发式的信息，自主寻找图像中的边界点，有效提高边界检测的效率。1.3区域分割技术不同于前两种分割技术依赖于像素值的差别进行分割，区域分割算法依赖于图像的空间局部特征，如灰度、纹理及其他像素统计特性的均匀性等。它是依据图像的灰度、颜色或者几何特性将图像中具有特殊含义的不同区域分开，这些区域互不相交，每个区域都满足特定区域的一致性。典型的区域分割算法有：区域生长法，分裂合并法，分水岭法等。它们的优点是对噪声不敏感；缺点是常常会造成图像的过分分割，分割的结果很大程度上依赖于种子点的旋转。区域生长就是将具有相似性质的像素集合起来构成区域。具体实现是对每个分割的