论文部分内容阅读
图象分割是目标识别、图象理解、计算机视觉研究中最基本和最重要的处理步骤和共同、关键的技术。分割结果的好坏直接影响其后续的识别和理解。图象分割虽历来受到国内外研究者的重视，然而至今，这一问题仍然没有得到很好的解决。人类对自身视觉机理研究的不断深入及计算机技术的迅速发展将为图象分割问题的解决提供新的途径。 人类视觉系统初级阶段的视觉信息处理研究表明：基于空间／频域多分辨率分析的图象分割方法是与人类视觉特性相一致的方法，反映了人类视觉感知过程中的多分辨率、多方向特性，因此基于空间／频域多分辨率分析的图象分割方法引起了研究者们的广泛关注。 同时，现有的各种图象分割算法中，利用模糊集理论和人工神经网络的方法由于从不同的侧面反映了人类视觉感知的模糊性、并行性、体现了人类认知过程中的某些智能性，因此取得了较好的结果，也成为当前图象分割研究的新热点，并推动了图象分割向智能化方向发展。尽管已有许多人投入了这一领域的研究，但无论是理论和实践上都远远没有达到让人满意的程度。 因此，本文对于图象分割提出了基于人类视觉感知特性、模糊集理论以及人工神经网络理论相结合的新研究思路，力图寻找出一种新的符合人类视觉感知特性的有效的纹理图象分割方法。 本文的研究工作主要包括以下几个方面： 首先，对结合人类视觉感知机理的多分辨率多通道纹理图象分割模型及分割特征提取方法进行了研究。包括： 结合人类视觉感知机理，提出了一种有效的纹理图象分割模型；对纹理图象的多分辨率多通道特征提取方法进行了研究，分别给出了利用2D最佳正交极可分方向滤波器和小波变换进行特征提取的方法；分析了利用金字塔结构和树结构小波变换进行特征提取的优缺点，提出了一种利用不完全树结构小波变换的纹理特征提取方法；讨论了局部统计值特征的改进问题，给出了一种对所提取的纹理特征的改进方法，一定程度上克服了计算纹理特征时的边界效应。 然后，对模糊聚类算法进行了深入研究并给出了相应的纹理分割算法。包括： 在介绍聚类方法、硬C均值聚类算法和模糊C均值聚类算法的基础上，讨论了半模糊聚类算法；对模糊聚类算法中的相似性度量进行了推广，从而得出一种基于修正Euclidean距离的半模糊C均值聚类算法；针对部分监督FCM算法需要对已知分类的样本人为地确定权值，以及没有反映样本在其特征空间的几何特性的缺点，提出了部分监督加权FCM聚类算法，并将算法用于了纹理分割。—— 其次，对模糊聚类神经网络进行了深入研究并给出了相广的纹理分割算法。包括： 在分析、讨论了模糊 Kohonen聚类神经网络（FKCN）性能的基础上，指出了 FKCN用于纹理分割时存在的问题；将入截集概念及“模糊减弱”算十引人到学习率函数中，从而得出两种改进的F＊＊N（IF＊＊N）：井给出了基于IP＊＊N的有效的纹理分割方法；提出了误差测度加权模糊矢量量化学习算法并将其用于了纹理分割；将多分辨率层次处理的思想用于多层模糊聚类神经网络的构造，提出了两种基于多层模糊聚类网络进行纹理分割的方法。 最后，研究了自适应模糊聚类神经网络并用其实现了特定纹理的自动分割。具体如下： 在详细分析了己有的聚类有效性函数的基础上，给出了两种聚类有效性函数；在模糊聚类有效性指导下构造了一种自适应模糊聚类神经网络，给出了网络模型及学习算法；基于自适应模糊聚类神经网络，提出一种与语种无关的页面文档图文分割方法，直接使用页面文档的灰度信息作为输入，避免了二值化过程中信息的丢失。