基于均值平移算法的图像分割技术

《基于均值平移算法的图像分割技术》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、基于均值平移算法的图像分割技术在图像分割领域，灰度阈值分割法是最常见的图像分割方法，由于难以选取合理的灰度阈值制约了阈值图像分割的应用。均值平移算法在复杂背景下的分割具有较好的实时性和可靠性。本文基于均值平移算法对图像分割进行了研究，结果表明均值偏移算法可以较好对图像进行分割，颜色参数和空间参数对分割效果有较为明显的作用，且空间域窗宽在图像分割的平滑效果的影响更为敁著。【关键词】均值平移图像分析阈值分割算法设计随着科技进步，越来越多的科学领域需要通过计算机实现图像分析工作，例如在公共交通领域，需要对各类汽车的车牌进行牌号准确识别；在材料科学领域，需要对适时对材料

2、的破坏进行检测，尤其是材料表面出现的裂纹进行分析；在国防军事领域，打击区域内的目标图像识别尤其重要。而在图像分析中最基础的工作之一即是图像分割，其任务在于将相关区域中的重点区域从原图像区域中分割出来，以达到信息提取的目的。所以不难发现，图像分割技术始终是计算机图像图形学中的热点问题之一。在图像分割领域，灰度阈值分割法是最常见的图像分割方法。其思想是根据图像中各像素的不同灰度，将不同灰度进行分类并设置灰度阈值，确定冃标区域的边界，从而对图像进行分割。该方法计算简单，易于计算机编程实现，故常认为是图像分割的推荐算法。然而由于实际拍摄的图像往往受到来自外界T扰和设备自

3、身原因等噪声影响，选取合理的灰度阈值并不容易，灰度阈值分割法下的图像分割效果很难令人满意。所以一种无需过多人工干预的自适应图像分割方法，成为了图像研究领域的热点问题。均值平移算法就是这样一种有效的图像分割算法，在图像分割、边缘提取、运动检测等众多应用中广泛使用，本文拟对该方法进行较为深入的研究。1数学原理2模型及算法灰度阈值分割算法是研宄比较多的图像分割算法，其原理是将图像各像素的不同灰度进行量化，通过设置灰度阈值，将目标区域边界进行较好的识别，从而对图像进行分割。基于均值平移的图像分割算法，可克服灰度阈值分割算法的不足。其算法过程如下：(1)均值平移图像分割算

4、法特点是将像素点坐标和对应像素点的灰度或者RGB三分量在数据密度下进行组装，形成一个5维的句量：［x，y，r，g,b］。空间信息和色彩信息转化到一个5维特征空间｛xi｝,i=l，2...屮，并用｛Ti｝,i=l,2...对图像信息进行记忆；(2)输入均值平移图像分割算法的相关参数：空间域窗宽hs,色彩域窗宽hr;(3)初始化k=l，从｛xi｝，i=l，2...中选择第一个像素点，依次遍历图像，令Gk=xi，表示均值平移过程中不断变化的超球体中心位置；(4)在以Gk为屮心的超球体屮利用均值平移算法迭代计算Gk+1，k=k+l；(1)若

5、

6、Gk+l-Gk

7、

8、〈e，则

9、停止迭代，否则Gk+l=Gk，继续迭代。经过上述步骤，图像中相邻或色彩一致的像素就被归为一类，从而达到图像分割的目的，其算法流程图如图1所示。3实验及仿真实验环境：算法运行环境为Windows7,64位操作系统；处理器为英特尔E5-2670,2.60GHz；内存64GB;考虑到Matlab软件具有强大的科学计算能力和丰富图像处理命令，选择在Matlab下基于均值平移算法对图像进行分割实验。图2（a）、（b）、（c）、（d）表示在运用均值平移算法进行分割处理后的结果图像。对比可知，颜色参数hr和空间参数hs对分割效果有较为明显的作用。对比图（c）和图（d）看出，易

10、发现空间参数hs对图像分割的平滑效果影响更为显著。通过多次实验不难发现，对于较为简单的图像，可以?x择如（8,8）相对较大的窗宽，在准确分割图像的同时，时间耗费相对较少；对于较为复杂的图像，通常需要选取较小的窗宽，以期对图像进行精细分割的同时节省时间运算成本。4小结均值平移算法是一种有效的统计迭代算法，其数学思想是基于密度函数的梯度估计，在迭代过程中搜索到密度函数的局部极大值。因为颜色参数hr和空间参数hs对分割效果有较为明显的作用，所以在实际应用中两参数往往通过实验确定可使得图像分割更为精准。该算法不仅可用在对图像的分割分析中，也将在视频分割、运动检测等实际背

11、景中有着越来越广泛的发展和应用。参考文献[1]王健.均值平移算法在计算机视觉中的应用[D].武汉：华中科技大学，2005.[2]阮秋琦.数字图像处理学[M].北京：电子工业出版社，2001.[3]李乡儒，吴胡朝，王占义.均值平移算法的收敛性[J].软件学报，2005,16(03)：365-374.[4]伊怀锋，黄贤武，基于均值平移的彩色图像分割算法[J].计算机应用，2006，7(07)：1605-1606.[5]SylvainParis,FredoDurand,ATopologicalApproachtoHierarchicalSegmentationusin

12、gMeanShift.C