论文部分内容阅读
图像分割是指将图像分成互不交叠的有意义的区域,是目标识别和图像理解的前提。图像分割是计算机视觉研究中的一个经典难题,已成为图像理解领域关注的一个热点。目前存在多种图像分割算法,其中均值漂移(Mean-Shift)算法和归一化割(Ncut)算法是两种常见的方法。均值漂移算法是一种聚类算法,该算法的优点是收敛速度快、对噪声具有鲁棒性。然而,它应用于图像分割时容易产生过分割现象。归一化割算法是一种基于图论的分割算法,该算法准则是一个全局优化的准则。因其一般直接应用于像素上来进行图像分割,计算量比较大,不利于实时图像处理。针对上述算法的各自特点,本文研究了结合Mean-Shift与Ncut的图像分割算法。算法首先利用Mean-Shift对图像进行基于像素的聚类分割,然后再利用Ncut算法进行基于图像过分割区域的聚类分割。这种算法可以减少计算量以及噪声的干扰,有利于改善分割效果、提高分割效率。本文主要研究内容如下:1.介绍了均值漂移的算法原理,其中包括了它的基本形式、扩展形式以及算法步骤,讨论了算法的收敛性,分析了基于Mean-Shift的图像分割算法。最后通过仿真实验证明该算法的三个参数Mhh),,(sr的选择对分割结果影响比较大。2.介绍了图谱的相关基础理论,基于图论的两种图像分割准则(cut与Ncut),归一化割算法(Ncut)的求解。随后介绍了基于图论的2-way Ncut和K-way Ncut算法。最后通过仿真实验验证了K-way Ncut算法中参数K以及权值矩阵W中),(XI??的选择非常重要。3.在分析了Mean-Shift和Ncut这两种算法的基础上,为了提高图像分割效果以及速度,本文研究了一种结合Mean-Shift和Ncut的分割算法。在算法设计过程中,首先利用Mean-Shift算法对图像进行预处理,由于Mean-Shift算法处理后的图像会被分成很多过分割区域,我们将这些分割区域利用一些具有代表性的点来代替,构造一幅无向加权图来描述这些点之间的关系,再利用Ncut算法直接应用于这些区域来进行区域聚类,而不像传统的Ncut算法应用于图像像素。实验结果验证了算法的可行性和优越性。4.综合考虑图像的常用特征在图像分割中的作用,介绍图像的纹理特征、边缘特征的常用提取方法。并针对特定的图像选择不同的特征进行融合,形成多特征综合图。将多特征综合图作为待分割初始图像,使用结合Mean-Shift和Ncut的图像分割方法进行分割。实验结果验证了使用多特征图像进行图像分割比单特征分割效果更佳。