【硕士论文】基于内容的彩色图像的分割的研究.pdf

《【硕士论文】基于内容的彩色图像的分割的研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、电子科技大学硕士学位论文基于内容的彩色图像的分割的研究姓名：蒋亿贵申请学位级别：硕士专业：计算数学指导教师：蒋泽云20090501摘要随着智能化信息技术、工业自动化、自动识别、视频监控、视频跟踪等的快速发展，彩色图像处理日渐频繁。本文采用了一个非监督的的聚类方法，flOMeanshift方法。一般而言，Meanshift起初提供一种类似于最小下降梯度的搜索方法：对于一簇数据的一局部区域和一目标点，定义该目标点的平均偏移向量以指向(决定)该区域的质点(Centreofmass)，接着移动目标点和局部区域到区域质点，这一过程继续下去便

2、可找到最密集的区域和相应的峰值点。作用于所有目标点，最终Meanshift便可估计样本数据的概率密度函数。Meanshift是一种非参数密度估计方法。Meanshift可以避免对样本所属的总体概率密度函数形式的先验性强制假设，它不但具有更高的可靠性、健壮性和相当的通用性，还具有严格的收敛性。应用上述基本原理，可以通过一系列模式搜索的迭代过程，Meanshift可将图像区域有效分割为若干形状的组合。这种方法目前已经被越来越多研究人员加以研究和应用，为不同类型的图像处理和模式识别任务提供基本的解决方案。针对彩色图像的特性，本文系统地介

3、绍了Meanshift方法，严格地证明了Meanshift搜索序列的收敛性，并对算法步骤和算法性能进行了参数分析和试验检测：(1)探讨相关理论：Meanshift方法的原理、算法步骤及收敛性证明。(2)选择核函数：核函数用于为区分不同样本(样本点到偏移点的距离不同)对Meanshift数量的不同大小的贡献(通常距离越近则贡献越大)，同时核函数还决定着迭代的次数和精度(通常迭代的次数越多，聚类的精度越高，但计算的时间复杂度越高)。为此、本文提出截断高斯函数作为核函数。(3)解决分割图像背景吞噬现象：Meanshift方法能够突出图像

4、的各个物体并且能够使各个物体内平坦；但在目标和背景很接近的条件下，却存在背景吞噬现象。本文采用重叠区域近邻法解决这个问题。(4)调节带宽：Meanshift带宽不仅决定迭代的采样点数量，而且极大地影响算法的收敛速度和准确性，因此在一定程度上比核函数更重要。本文提出自适应带宽的办法以便有效的解决固定带宽造成过分分割和分割不足问题。关键词：Meanshift，核函数，窗宽，图像分割，模式识别。ABSTRACTWiththerapiddevelopmentofintelligentinformationtechnology,indust

5、rialautomation,videosurveillance,remoteeducation,human-computerinteractiontechnology,videotrackingandauthenticationofsecurityand80on,moreandmoreefforthasbeentakenontheproc燃singofcolorimages．ThisarticleUSeanoparameterclusteringarithmetic：Meanstlift’Intheverybeginning,t

6、heMeanShiftgenerallyprovidesafastsearchforapointtoreachitsobjectcontrolledbyaquantitysimilartothemininlulndecreasinggradient．Givenalocalre#onofinterestandthecotzespondingcentreofmass(CM)，ameanshiftvectorfromapo诚totheCMc缸bedefinedtoidentifythedirectionanddistancetotheC

7、M，andthenthepointandthelocalregionandis‘'moved”totheCM．Thisprocedurecontinuesuntilthedensestregionislocated,asaresultmodesinasetofdatasamplescanbefoundandtheunderlyingprobabilitydensityfunctioncanbemanifested．TheMeanShiftisasortofnon-parametricdensitygradientestimatio

8、ns．TheMeanShiftCanbypassthepriorihypothesisonthetypeofentireprobabilitydensityfunctionforasample．Notonlyhasithigherperforman