图像处理新技术解读.docxVIP

摘 要：图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤，也是一种基本的计算机视觉技术。对图像分割的研究一直是图像工程中的重点和热点。本文对近年来图像分割方法的研究现状与新进展进行了归纳总结。首先，简单介绍了图像分割的传统方法，包括基于区域的、基于边缘的和两者结合的图像分割方法。然后，对现在较新的三种图像分割方法进行了详细的论述。最后，对图像分割方法的发展趋势进行了展望。关键词：图像分割模糊聚类Gabor小波图割方法引言在计算机视觉理论中，图像分割、特征提取与目标识别构成了由低层到高层的三大任务。目标识别与特征提取都以图像分割作为基础，图像分割结果的好坏将直接影响到后续的特征提取与目标识别[1]。图像分割是将图像中有意义的特征或区域提取出来的过程。这些特征可以是图像的原始特征，如像素的灰度值、物体轮廓、颜色、反射特征和纹理等，也可以是空间频谱等，如直方图特征。图像分割的目的是把图像划分成若干互不相交的区域，使各区域具有一致性，而相邻区域间的属性特征有明显的差别。图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域并涉及各种类型。图像分割作为前沿学科充满了挑战，吸引了众多学者从事这一领域研究。2.传统的图像分割方法传统的图像分割方法包括基于区域的，基于边缘的和两者结合的图像分割方法。基于区域的分割方法是以直接寻找区域为基础的分割技术，具体算法有区域生长和区域分离与合并算法。基于区域提取方法有两种基本形式：一种是区域生长，从单个像素出发，逐步合并以形成所需要的分割区域；另一种是从全局出发，逐步切割至所需的分割区域。在实际中使用的通常是这两种基本形式的结合。该类算法对某些复杂物体定义的复杂场景的分割或者对某些自然景物的分割等类似先验知识不足的图像分割，效果较理想。基于边缘检测的分割方法试图通过检测不同区域的边缘来解决问题，通常不同的区域之间的边缘上灰度值的变化往往比较大，这是边缘检测方法得以实现的主要假设之一。它的基本思想是先检测图像中的边缘点，再按一定策略连接成轮廓，从而构成分割区域。其难点在于边缘检测时抗噪性和检测精度的矛盾，若提高检测精度则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性则会产生轮廓漏检和位置偏差。边缘检测能够获得灰度值的局部变化强度，而区域分割能够检测特征的相似性与均匀性。边缘与区域相结合分割的主要思想是结合二者的优点，通过边缘点的限制，避免区域的过分割；同时，通过区域分割补充漏检的边缘，使轮廓更加完整[2]。3.基于粗糙集与差分免疫模糊聚类的图像分割算法马文萍等提出基于粗糙集与差分免疫模糊聚类算法的图像分割算法[3]。该算法在差分免疫克隆聚类算法的基础上，通过引入粗糙集模糊聚类，将差分免疫克隆聚类算法中的硬聚类变成模糊聚类，从而获得更丰富的聚类信息。具体来说，由于粗糙集的优势是处理不确定的数据，因此，加入粗糙集模糊聚类后更有利于算法解决不确定性问题。通过对比实验，验证了该算法在聚类性能稳定性方面的优越性，结果还同时证明了该算法具有更高的分割正确率和更好的分割结果。3.1粗糙集模糊聚类算法思想粗糙集理论能够处理不精确数据，因此，将模糊聚类方法与粗糙集理论相结合的聚类分析方法逐渐成为一个重要的研究方向，并且获得了广泛的应用。1982年，Lingras等人提出了一个粗糙C均值(rough C-means,简称RCM)聚类算法[4]，通过一个类中心、一个上近似(upper approximation)和下近似(lower approximation)对来描述一个类。其中，上近似和下近似用两个不同加权参数来计算新的聚类中心。在文献[4]中，模糊集和粗糙集理论的结合，为处理不确定性问题提供了一个重要的方向。模糊集和粗糙集在某些方面的互补性为解决与数据相关的不确定性问题提供了数学框架。近年来，Mitra等人[5]将粗糙集和模糊集结合，并提出了一种新的C均值聚类算法，其中，一个类由一个模糊的下近似区域和边缘区域构成。下近似区域中的每一个对象都有一个与之对应的模糊隶属值，即权重。对于相应的聚类中心和类，其下近似区域内的每一个对象应该具有相似的影响作用，并且其权重应该与其他聚类中心和类无关。这样，根据下近似区域的模糊概念得出，该区域内对象的权重会减小。事实上，这会使得聚类中心与期望的位置有一定偏差。此外，该算法对噪声和异常值敏感。之后，Maji等人[6]提出了一个一般化的模糊C均值算法(rough-fuzzy PCM,简称RFPCM),在C均值算法中增加了模糊集中的模糊隶属度和粗糙集中的上下近似两个概念。其中，模糊隶属度包括概率性隶属度和可能性隶属度，其应用能够有效地处理相互重合的类；粗糙集能够处理类中知识的不确定性和不完整性。因此，RFPCM可以有效