基于最大相似度区域 的合并的交互式图像分割.doc

基于最大相似度区域合并的交互式图像分割 一．实验目的 实现一种可以将初步分割过后的图片进行目标与背景分离的算法，即基于最大相似度区域合并的交互式图像分割算法。 图像分割是图像分析及计算机视觉系统中的重要环节。只有在图像分割的基础上才能对目标进行特征提取、参数测量和识别，使得更高层的图像分析和理解成为可能，图像分割质量的好坏直接影响后续图像处理的效果。因此，可以说图像分割是图像处理中最为重要的环节。本次实验中提出的算法可以很好地实现图像分割的目的。 二．实验背景知识及原理 1、Meanshift算法初始分割图片 区域合并的前提是输入图片为已被其他方法分割为小区域的图片，本文主要使用了均值漂移分割法（meanshift）。经过分割后的图像如下图所示： 2、区域表示和相似性度量 本文采用RGB颜色空间估计的颜色直方图表示图像中的每个区域，当然，其它颜色空间，如HSI和Lab等，也可用于对区域建模。将RGB颜色空间量子化为16x16x16=4096箱格，然后计算每个区域的归一化直方图。为了度量区域之间的相似性．选择巴氏系数测量区域R和Q的相似度： 上式中，和分别表示区域R和Q的直方图。上标u表示直方图的第u个箱格。两个区域的内容相似度越大，直方图越相似，巴氏系数就越高。由此，可以通过计算巴氏系数来比较不同区域之间的相似度。 3、目标和背景的标记 用户只用做一小部分的标记：绿色标记目标，蓝色标记背景。用以下符号来表示相关区域： MB：标记为背景的区域；MO：标记为目标的区域；N：未标记区域。 4、基于最大相似度的区域合并准则 （1）Q是R的邻近区域，用 表示Q的邻近区域，显然。 （2）计算Q与所有邻近区域之间的相似度。 （3）当 时，R与Q合并。 5、合并过程 整个合并过程共分为两个阶段，这两个阶段循环进行。 主要算法： while 上次循环中有区域被合并 阶段一; 阶段二; end; 其中： 阶段一：（将N中的区域和MB中的区域合并） （1-1）对每个MB中的区域B，它的邻近区域的集合为。 （1-2）对每个不在MB中的区域Ai，它的邻近区域的集合，因此有。 （1-3）如果 ，则表示B和Ai具有最大相似度，可以合并为同一个区域，否则不合并。 （1-4）相应地更新MB和N。 （1-5）如果MB找不到新的合并区域，则阶段一结束。否则，返回到（1-1）。阶段二：（将N中的区域与N中的区域合并） （2-1）对每个N中的区域P，它的邻近区域的集合为。 （2-2）对每个N中的区域Hi，它的邻近区域的集合为 因此有。 （2-3）如果 则表示P和Hi具有最大相似度，可以合并为同一个区域，否则不合并。 （2-4）相应地更新N。 （2-5）如果N区域中没有还能合并的区域，阶段二结束。否则返回到（2-1）。 循环停止条件： 在整个算法中，设未标记区域（N）中的区域个数为n，n会随着一些未被标记区域与背景（MB）或与其他区域合并而减少，当n停止减少的时候，算法停止。剩余的未被标记的区域将会被标记为目标（MO），由此实现了目标与背景的分割。 三．实验结果及分析： 1、实验结果： 第一回合第一阶段的合并： 第一回合第二阶段的合并: 第二回合第一阶段的合并： 合并完成后的结果： 2、实验分析： （1）MSRM方法分割图像的结果与GCP和GCR分割方法结果的比较： 初始分割 GCP GCR MSRM 从上述分割结果我们可以很明显地看出：MSRM方法的分割效果是明显优于其他方法的。 （2）在分别使用不同的颜色空间（如HSI）、不同的距离度量（如 Euclidean）、不同的初始分割方法（如super-pixel）时，分割结果分别如下： HSI颜色空间 Euclidean距离 super-pixel 由上述结果可以得知：颜色空间、距离度量、初始分割方法对分割结果基本无影响。 （3）只要标记覆盖了主要的特征区，合并的结果都是一样的。 左边图中的2次不同的标记，它们都包含了花的黄色部分和白色部分，因此合并的结果都是右边的图片。 （4）标记的越多，MSRM算法效果越好。 （5）图像质量的好坏影响最终的分割结果： 由分割结果可知：有阴影、边缘对比度低、区域模糊时，分割效果不好。 （6）当对目标或背景所做的标记不同时，可能会对合并结果产生影响： 由图像分割结果可知：上下两幅图在鸟嘴处的差别是比较明显的。 （7）由于区域合并等所需计算量较大，算法运行需要较长时间。 四、实验总结 该论文提出了一种基于区域合并的交互式图像分割算法MSRM，它用MeanShift算法对图像