论文部分内容阅读
图像分割(Image Segmentation)是图像处理研究领域的一个重要问题,是图像分析、特征提取、模式识别等的基础和关键步骤,其中图像的分割质量好坏很重要,而且从有效分割中提取的有利信息能使高层的图像理解成为可能。国内外的研究者在图像分割领域提出大量分割方法,但是这些方法都存在一定程度的不足和缺陷,而且很多方法都依赖先验知识。均值漂移(Mean Shift)算法是一种传统的统计迭代方法,原理简单、鲁棒性强,而且可以处理灰度图像、彩色图像、复杂图像及高分辨率的图像数据。但是,该算法需要对图像中的每个像素点进行迭代计算,因此分割所需要的时间较长。而且,迭代过程中的带宽(核窗宽)很难确定,一个带宽并不能适用于所有的图像。本文围绕Mean Shift算法的这两方面问题展开,在分割效率和分割效果上进行改善,更利于图像的实时分割,使算法更适合实际应用,主要研究内容如下:(1)提出一种快速均值漂移图像分割算法(Fast Mean Shift,FMS),改善传统Mean Shift算法迭代次数多、分割效率低的问题。FMS算法选择少量像素点作为初始点进行迭代计算,而出现在高维球区域内的其他像素点则根据其与已有类中心的相似性进行归类,从而减少Mean Shift算法总的迭代次数,缩短分割时间。FMS算法采用加州大学伯克利分校图像数据库和互联网图像进行实验。(2)提出一种基于支持向量机(Support Vector Machine,SVM)和FMS的图像分割算法(FMS-SVM),改善Mean Shift算法迭代时人为设定带宽影响前景分割的问题。FMS-SVM算法首先寻找图像中包含显著区域(即目标区域)的最小子图,接下来的操作都在子图上进行,减少参与分割的像素点个数,缩短分割时间。然后用FMS算法对子图预分割,并根据预分割结果选择正负样本进行SVM分类超平面训练,接着用得到的SVM分类超平面对子图像素点分类,得到子图分类结果。最终,将子图像素的分类标签还原到原图,得到原图的结果。FMS-SVM算法采用加州大学伯克利分校图像数据库进行实验。本文提出的FMS和FMS-SVM图像分割算法有效地改善传统Mean Shift方法分割效率低、迭代带宽难选取的缺陷,取得的研究成果对分割技术有一定的意义。