彩色图像超像素分割方法论文题稿.docx

本 科 毕 业 设 计（论文） 题 目：彩色图像超像素分割方法 ——副标题 学生姓名：窦长红 学 号专业班级：软件工程11-2班 指导教师：李宗民 2015年 6月14日 彩色图像超像素分割方法 ——副标题 摘 要 在进行图像处理任务时，往往会需要大量的复杂计算，若是以像素为单位会造成时间上和空间上的极大消耗。超像素的提出，很好的解决了这一问题，在后续的图像处理任务中以超像素为单位将会大大降低算法的复杂度。本文主要分析和研究了两种比较好的分割算法，即SLIC算法和SEEDS算法，并对它们进行了编码实现和分析比较。SLIC算法通过将搜索范围限制在一个小范围内，来提高运行速度，但是这样会造成过分割的问题，本文针对这一问题对算法进行了改进。最后，本文利用超像素分割的评判标准对SLIC算法和改进的SLIC算法进行了客观比较。实验结果表明，改进后的算法达到了更好的效果。 关键词：超像素；聚类；K-means；SLIC；SEEDS  Superpixels segmentation methods of color image Abstract In the image processing tasks, it requires massive calculation frequently, and will cause a great lot of consumption on time and space if dealt by pixels. The arising of superpixels, has nicely resolved this problem, it can greatly reduce the complexity of the calculation in the subsequent image processing tasks. This paper puts focus on introducing two better superpixels segmentation algorithms – SLIC and SEEDS. SLIC algorithm can achieve linear complexity by reducing the superpixel search regions. But this will cause the over-segmentation. So this paper puts forward the improvement for this problem. Finally, in this paper, the different segmentation algorithms have compared objectively. Keywords：Superpixels；Clustering；K-means；SLIC；SEEDS  目 录 目录 目 录 4 第1章 引言 1 第2章 超像素的应用 2 2.1 目标识别 2 2.2 遥感图像分类 2 2.3 医学影像 2 第3章 超像素方法综述 4 3.1 基于图论的算法 4 3.1.1 Normalized Cuts算法 4 3.1.2 Superpixel Lattice算法 4 3.1.3 Graph-based算法 4 3.2 基于梯度上升的算法 4 3.2.1 Mean-shift算法 5 3.2.2 Turbopixels算法 5 3.2.3 SEEDS算法 5 3.3 超像素算法比较 7 3.3.1 计算复杂度 7 3.3.2 分割效果 7 第4章 SLIC分割算法 9 4.1 SLIC算法基本原理 9 4.2 SLIC算法步骤 9 4.3 SLIC距离计算 11 4.4 孤立点处理 11 4.5 SLIC算法优缺点 12 4.6 SLIC算法改进 12 4.6.1 改进原理 12 4.6.2 改进结果 13 第5章 实验结果与分析 14 5.1 实验环境 14 5.2 SLIC算法与SEEDS算法的比较 14 5.3 改进SLIC算法运行结果 15 第6章 结论 18 第1章 引言 图像分割基于像素的强度、颜色、纹理等特征的相似度把图像分割为多个子区域（超像素）。超像素算法把图像中的像素分割为有感知意义的原子区域，从而替代传统像素网格的刚性结构。超像素可以获取大量的图像冗余信息，从而极大地减小接下来图像处理任务的复杂度，是后续图像分析任务的预处理步骤[1]。现今，超像素已经成为了许多计算机视觉任务的关键一步，在身体模型估计、目标定位、深度估计等领域应用十分广泛。 在2003年，任和马利克提出了超像素的概念[2]，他们定义超像素是按