基于分数维的面向对象的图像分割

《基于分数维的面向对象的图像分割》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第27卷第3期水电能源科学V01．27No．32009年6月WaterResourcesandPowerjune．2009文章编号：1000—7709(2009)03—0049—03基于分数维的面向对象的图像分割鲍海英李艳(南京大学国际地球系统科学研究所，江苏南京210093)摘要：针对图像分割为图像处理与分析中的关键步骤，提出了一种基于分数维的面向对象的图像分割方法，用分数维特征量描述地物的纹理特征，利用地物的分数维值和光谱特征进行对象分割，在一定程度上降低了图像分割对光谱特征的依赖性。试验结果证明，

2、该方法较准确，分割结果较连续，避免了按象元分割产生的散布式结果，适应于对几何信息和结构信息丰富的高分辨率图像进行后续分类。关键词：分数维；面向对象；图像分割；盒子雏；纹理特征中图分类号：TP391；TP751文献标志码：A重要特征和度量，可描述物体稳定特征量，将图像1概述的空间信息与灰度信息简单而有机结合，因而在图像处理与分析中备受关注。由于分数维可作为图像分割为图像处理进人图像分析的关键步一种对尺度不敏感的图像粗糙度度量[6]，文献[7]骤，也是一种基本计算机视觉技术，将原始图像转又指出自然纹理具有线

3、性LOG功率谱，因此可化为更抽象更紧凑的形式，使更高层的分析和理将分数维视为线性LOG谱的一种近似估计。通解成为可能。因此，多年来图像分割受到高度关过计算纹理图像的分数维，抽取图像的纹理特征，注并成为新的研究热点。目前，有许多图像分割再根据特征将纹理图像划分不同区域，从而实现方法，从分割操作策略可分为基于边缘检测、基于纹理的分割和分类。区域生成法和区域生成与边缘检测混合法[1]。图像分数维能反映图像的纹理特征，是图像~Canny算法虽是一种最优的线性边缘检测算分割的重要依据，准确计算图像的分数维成为关子

4、，但用基于边缘检测法获取的轮廓线不能确保键。纹理特征的分数维有自相似维、Kolomogrov封闭，需进行边缘跟踪处理，故边缘定位不精确；容量维和盒子维[8]。本文选用盒子维表示纹理特又如金字塔法中的区域一般需预先给定，但由于征，从而辅助图像分割。物体的轮廓线为任意形状，故基于固定区域形状的方法分割速度较慢。基于区域的分割，可满足2分维值的估计分割条件和最大区域一致性条件，对噪声图像具有一定的鲁棒性，常用的方法有区域归并、区域对n维欧氏距离空间R，设ACR，用边长分裂、分裂与归并区域增长法等“]，但这些方

5、法为r的小盒子紧邻地去覆盖A，用N(A)为覆盖分割后的图像由于参数设置的非最优性造成欠增A所需的最少盒子数，则长(含有过多的区域)或过增长(含有过少的域)。N(r)一C／，J)(1)在边缘检测或区域增长中可使用多种不同的特征式中，C为常数；D称为集合A的盒子维[g]。盒如亮度、纹理、速度场等辅助进行图像分割。子维示意图如图1所示。1975年，Mandelbrot首次提出了分形及分数对N×N的图像，将三维空间(z，Y，z)引入维L5，并指出HausdorffBesicovitch维数为两种中，其中为图像在

6、(z，)处的灰度值J(i，)，重要分数维，一维空间的分数维为1．0～2．0，二将(，3，)分割为5×5(1

7、an@nju．edu．crl·5O·水电能源科学为合并得到的对象的标准差；D为对象的分维值；D、D北为两个被合并对象的分维值；D为合并得到的对象的分维值。3．1分割步骤步骤1移动窗口，计算每个象元的分数维值。步骤2确定初始类别参数，即确定最初类别和类别中心(集聚中心)。在图像中按一定间隔抽样图1金子维示意图像素，将抽样集中任意一个像素作为第一个对象，依Fig．1Boxdimensionsketchmap次将抽样集中每个像素的光谱特征和分数维值与已从下往上将每个盒子赋予标号1，2，3，⋯，检查第建立的对象

8、光谱特征值和分数维值进行比较，若该(，)个格子图像灰度的最大值和最小值分别落对象与其中一个已建的对象相似，则为该对象中的入的盒子。假设最大值落入I中，最小值落人K一个成员；若不与任何一个相似，则以该像素建立一中，则有，一卜一K+1。计算每一个格子，则有个新对象。当上述聚类过程完成后，每个已建立的对N，一∑n，(2)象均包含一定成员，依据此可统计其集群中心(数学期望M)和协方差矩阵。通过每个尺度r计算对应的N，，用最小线性步骤3计算每一个对象