模式识别理论基础上图像分割研究.docVIP

模式识别理论基础上图像分割研究 　　摘 要：随着人工智能技术以及计算机技术的发展，模式识别理论在包括图像分割在内的图像处理领域得到了越来越广泛的应用，对模式识别理论基础上的图像分割做出研究，不仅能够有效提高图像分割技术的发展，同时有利于提升模式识别理论的实际应用价值。本文在对图像分割做出阐述的基础上，从图像分割难点以及模式识别理论在图像分割中的应用两个方面对模式识别理论基础上的图像分割做出了研究与探讨。 　　关键词：模式识别 图像分割 识别方法 特征提取 　　中图分类号：TP391 文献标识码：A 文章编号：1674-098X（2014）07（a）-0228-01 　　1 图像分割 　　作为一种图像技术，图像分割得到了人们广泛的研究与重视，并在实践中也得到应用。在图像应用中，图像分割技术可以在需要进行图像目标提取的工作中发挥重要的作用。如生物医学图像分析、遥感图像分析、文档图像处理、生产过程控制、在线产品检验以及工业自动化中都应用了图像分割技术。应用领域的不同也让图像分割技术具有着不同的名称，如目标追踪技术、目标识别技术、阀值化技术、目标轮廓技术等，这些技术的核心或者本身等同于图像分割技术。图像分割是将某个图像分为具有自身特色的几个区域，并对感兴趣区域提取的过程与技术。这里所提出的特色包括像素的纹理、颜色、灰度等，目标经过预先定义后可以指向单个区域，也可以指向多个区域。由于在研究图像和应用图像的过程中，往往只是对图像的某个部分感兴趣，所以为了对这些部分进行分析与辨识，有必要将他们提取和分离出来，并对他们进行利用，由此可见，图像分割是对图像进行处理以及分析的重要步骤。图像分割的方法多年来一直得到了人们的重视，基于多样化的分割算法基础上，将图像进行分割与分类的方法也非常多，比较通用的分类是根据图像中相邻像素在像素值方面表现出的两个性质：相似性与不连续性。虽然区域内部中的像素都具有相似性，但是不同区域边界上却具有着不连续性，因此，分割算法可以以此为依据分为基于边界的算法和基于区域的算法两种，另外，以分割过程中所使用的处理方法的差异，分割算法可以分为串行算法与并行算法。 　　2 模式识别理论基础上的图像分割 　　一般而言，模式识别需要由设计与实现两个过程来组成，设计指的是使用样本开展分类器设计，实现指的是使用设计完成的分类器来对待识别的样本开展分类决策。随着模式识别理论以及技术的发展，模式识别方法也得到了一定程度地创新，当前的模式识别方法主要包括统计模式识别方法；以句法规则结构化模式为依据的模式识别方法以及神经元网络模式识别方法。 　　图像分割所具有的难点在于分割依据的确定，即难以根据具有确定性的判定标准来对需要分割的图像各个部分开展判断以确定分割对象的位置，因此，基于知识的多特征多级判别的变化域分割概念被提出。在这一概念中，需要对特征进行分析，确定分割对象之间最明显的区分特征来作为分割依据，随后可以根据特征标准来使用经典的图像分割技术分割特征空间并得到可靠的位置结构。同时以分割精确度的差异为依据，开展多特征多级的分割，即在进行特征抽取后以具体需求为依据再次开展特征抽取或者开展多次的特征抽取，每一个提取过程中所使用的特征依据都需要达到减少分析区域的效果，并在此基础上对分割范围进行进一步的确定。具体而言，基于模式识别理论对分割问题作出考虑，分割对象可以根据图像本身的结构特性和统计特性分为分割类与非分割类。每一种事物都具有某些特征来与其他事物进行区分，所以在图像分割过程中也必然能够提取出一些和分割背景具有差异的特征来当做分割依据。在对定位对象进行分割的过程中，可以选择由这些特征所构成的特征空间来开展定位识别，所以本文认为，可以将图像分割的对象当做模式识别对象，把图像分割过程当做模式识别中识别特定模式类并以特征模式类特征为依据来进行分割的过程。 　　基于模式识别理论的图像分割主要分为四个步骤。 　　一是对分割对象本身所具有的所有特性做出分析，为分割需要提供依据。在图像分割过程中，选取这些特征的原则为更好、更容易的区分分割对象。在此方面又包括以下几点内容：可靠性，属于同类对象的特征应当相似。区别性，属于不同类别的识别对象所具有的特征值应当存在差异。独立性，在分割过程中所使用的特征应当不存在紧密关联。虽然十分相似的特征可以进行组合，但是不能当做相同的特征。对数量进行控制。特征个数的增加会增大模式识别系统在进行图像分割过程中的复杂程度，其中用于结构测试的样本数量会随着特征量的增加呈现出指数关系的增长。在模式识别理论基础上的图像分割工作中，一般需要开展大量的实验、计算与分析才能够充分了解分割对象所具有的特性，同时需要在具体的图像分割过程中寻找能够区别于复杂背景且稳定、有效的特征来当做图像分割的依据。 　　二是通过特征空间转换