基于支持向量机的图像分割技术.doc

《基于支持向量机的图像分割技术.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

石家庄铁道大学四方学院毕业设计基于支持向量机的图像分割技术ImageSegmentationTechnologyBasedonSupportVectorMachine图像是信息的一种重要来源，对数字图像的处理已经成为国内外研究的一项重点。图像分割作为图像处理中的重要环节，已经引起大量研究者的关注。由于图像分割无统一的分割标准，传统的图像分割仅适用于特定的应用。而利用支持向量机算法进行图像分割，可以利用图像的多种特征，理论应该能够得到比较的分割效果。本文首先对传统的图像分割方法进行研究，并利用Matlab实现了图像分割算法，对分割的结果进行分析和比较。然后将图像分割看做像素分类，将支持向量机用于图像的分割，包括样本的选择、特征的提取，训练支持向量机，最终实现了基于支持向量机的图像分割算法，结果表明，支持向量机能够很好的将图像目标分割出来。关键词：图像分割支持向量机样本选择特征提取 AbstractTheimageisanimportantsourceofinformationfordigitalimageprocessing,Ithasbecameoneofthemostimportantresearchathomeandabroad.Imagesegmentationhastheimportantlinkoftheresearchers'attentionforimageprocessing.Becausethereisnounifiedimagesegmentation,thetraditionaldivisionofthestandardimagesegmentationappliesonlytospecificapplication.Whileusingsupportvectormachine(SVM)forimagesegmentationalgorithm,itcanuseavarietyoffeatures.imagecomparisonshouldgetthetheoryofsegmentationresultverywell.Firstly,thetraditionalimagesegmentationmethodisstudiedandisrealizedthroughMatlabandtheresultsisanalyzedandcompared.Then,imagesegmentationisregardedaspixelclassification.Thesupportvectormachineisusedtosegmentimage,includingsampleselection,featureextraction,trainingsupportvectormachine.Finallytheimagesegmentationisrealizedbasedonsupportvectormachine.Theresultsshowthatsupportvectormachinecansegmenttargefrombackgroundverywell.Keywords:ImageSegmentation　SupportVectorMachine　SampleSelection　FeatureExtraction 目录第1章绪论11.1研究背景及意义11.2国内外研究现状11.3主要研究内容2第2章图像分割原理32.1数字图像概述32.2图像分割原理42.3基于新理论和新方法的图像分割算法概述52.4开发工具简介6第3章图像分割算法研究83.1边缘检测理论及依据83.1.1边缘检测算子83.1.2Roberts、Prewitt、sobel边缘检测算法设计及分析83.1.3Canny边缘检测算子设计与分析113.2基于区域阈值的理论及依据123.2.1阈值分割算法的设计与分析123.2.2迭代式阈值选择方法设计与研究133.2.3Ostu阈值分割方法设计和研究143.3　结果分析及小结15第4章基于支持向量机的图像分割算法研究164.1支持向量机与图像分割的关系164.2基于支持向量机在图像分割算法设计164.2.1算法设计及流程164.2.2样本选择174.2.3特征提取204.2.4核函数选择204.2.5分割结果及其分析21第5章总结和展望23参考文献24致谢25附录26附录A外文文献26附录B程序清单36 石家庄铁道大学四方学院毕业设计第1章绪　论1.1研究背景及意义数字图像处理也称为计算机图像处理。它的基本内涵是将模拟图像变为数字形式的图像，利用计算机技术的迅猛发展为数字图像处理提供了先进的技术手段，图像科学也就从信息处理、自动控制系统理论、计算机科学、数据通信、电视技术等学科中脱颖而出，成为旨在研究“图像信息的获取、传输、存储、变换、显示、理解与综合利用的崭新学科。图像科学已成为各高科技领域的汇流点。图像处理技术日新月异，在各个领域的应用都取得了巨大的成功与显著的经济效益，特别是在工程领域、工业生产、军事、医学以及科学研究当中的应用已经非常普遍［1］。但应用计算机对图像进行处理，具有一定的优缺点。其优点是处理精度高，处理内容丰富，可以进行一些复杂的非线性处理，并且具有灵活的变通能力，一般来说只需通过对软件的改变就可以改变处理的内容。然而，在计算机处理图像过程中，处理的速度还有待提高，特别是某些复杂的图像，如：医学图像处理，遥感图像处理等。一般情况下处理静止画面多[2]。此外，在图像处理特别是图像分割方面，利用现有的算法对图像进行处理。往往难以达到令人满意的效果，因而人们将新的概念，新的方法引入图像。而应用在统计学习理论基础上发展起来的新的通用学习方法——支持向量机来解决图像处理当中的一些实际问题，获得了良好的效果。然而，在图像处理过程当中的时间复杂度和空间复杂度较大等问题。因此，如何有效的应用支持向量机对图像进行处理，并且降低算法在图像处理中的时间复杂度和空间复杂度，成为应用支持向量机进行图像处理的一个关键。1.2国内外研究现状近年来，支持向量机的理论取得一些重大进展，其算法时间策略以及实际也发展迅速。可以确信，该技术的研究已逐渐发展成为机器学习中的一个独立的子领域，在理论和实践两方面都取得较好的成绩。目前在国外，支持向量机（supportvectormachine，SVM）是一个研究的热门，虽然SVM方法在理论上具有很突出的优势，但与其理论研究相比，应用研究相对比较落后[3]。在图像分割研究中，一些理论成果主要是利用SVM43 石家庄铁道大学四方学院毕业设计作为模式识别的工具，但是应用在图像处理其他方面的研究较少。采用不同和函数的SVM进行图像分割对比，实验证明采用支持向量机应用于肿瘤图像分割领域，取得了良好的效果［4］。可以看出，SVM的应用研究已不再局限于模式识别的问题中，已经开始在其领域取得一些成果。对于SVM的研究，目前大多还停留在应用研究的阶段，特别是在对图像处理的应用研究方面。邢伟提出的采用梯度一致性。灰度均值及灰度方差来构成分割特征向量，并采用支持向量机来分类，从而对图像进行分割[5]。通过对SVM一对多方法的研究和应用，将SVM推广到多类分割问题来解决mr脑组织图像分割。赵衍运等人提出了使用SVM进行指纹图像背景分割的方法，以图像的灰度方差和对比度为特征，用小样本训练分割背景的SVM模型[6]。即利用了指纹的图像特征，也融入了SVM训练，得到了较好的分割结果。将原有的图像特征进行了必要降维后，再使用支持向量机来对图像进行分割[7]。1.3主要研究内容本文的主要工作是研究支持向量机的SVM算法，并将其应用于图像分割，仿真验证其可行性和有效性。在第一章中，主要对课题的研究背景、目的和意义及国内外的研究现状进行了简单叙述，展现现有算法对于图像分割面临的问题。第二章对数字图像分割技术进行了简单介绍，和数字处理技术的方法、图像分割的定义，图像分割的应用对象，和图像分割的原理，再者对图像分割的开发工具进行了简单介绍，最后介绍了支持向量机理论及基于支持向量机的图像分割原理。第三章研究了图像分割的传统分割算法，采用其中一些经典的分割算法（边缘检测算法、阈值分割），并对其进行仿真实现最后得出其优缺点并做简要分析。第四章中，简单介绍了支持向量机理论，重点是设计了一种基于支持向量机的图像分割算法。其中主要研究了如何选择训练样本、提取特征参数、核函数选择、训练样本，最终用Maltab仿真实现支持向量机对图像的分割，并且对其结果进行分析，并与传统分割算法比较，得出优缺点。43 石家庄铁道大学四方学院毕业设计第2章图像分割原理2.1数字图像概述视觉是人类最重要的感知手段之一，视觉信息是人类从自然界获得信息总量的80%。图像是人类视觉的基础，图像优于其他表达方式。图像在人类接受和互通信息中扮演这重要角色。图像信息具有以下特点：（1）直观形象图像可以将客观事物的原型真实的展现在眼前，供不同目的、不同能力、不同水平的人去观察、理解。而声音文字信息只能通过描述来表达事物。既然是描述，就会受到描述者诸如主观、专业、情绪、心情等因素限制，有可能使描述特征偏离客观事物。（2）易懂人的视觉系统有着瞬间获取图像、分析图像、识别图像与理解图像的能力。只要将一幅图像呈现在人的眼前，其视觉系统就会立即得到这幅图像所描述的信息，从而达到一目了然的效果。（3）信息量大图像信息量大有两层含义，其一是“一图胜千言”，图像本身所携带的信息远比文字、声音信息丰富：其二是图像的数据量大，需要占据较大的存储空间与传输时间。下面简单介绍一下数字图像处理的概述：数字图象处理技术亦称计算机图像处理。其技术涉及数学、计算机科学、模式识别、人工智能、信息论、生物医学等种学科，是一门多学科交叉应用技术。其技术处理内容丰富。包括图像获取、图像变换、图像增强、图像复原、图像编码、图像分析、图像识别、图像理解。其数字图像的处理方法大致分为两大类，空间域处理法和变换域处理法。并且数字图像的应用也十分广泛，数字图像处理技术受到前所未有的广泛重视。其应用领域有：计算机图像生成、图像传输与图像通讯、机器人视觉及图像测量、办公自动化、图像跟踪及光学制导、医学图像处理与材料分析中的图像处理技术、遥感图像处理和空间探测。43 石家庄铁道大学四方学院毕业设计数字图像处理系统一般包括三个阶段，首先是图像的预处理阶段，第二是特征抽取阶段，第三个是分析阶段。图像的预处理阶段，旨在对获得的图像信息进行必要预处理，如去噪声、彩色校正等，对图像进行预处理，可以提高信噪比。对信息微弱的图像还可以进行图像增强的操作。其作用在于提供一个能满足一定要求的图像，以便人分析使用，而为了从图像中得到需要识别的目标，就需对图像进行分割，也就是所需要识别的物体进行定位与分离。图像复原是指对退化的图像加以重建和恢复。2.2图像分割原理在对图像的分析研究和应用中，人们通常对图像中的某些特定目标感兴趣，为了分析和识别这些目标，它们首先必须从图像中提取出来。这种获得目标的技术被称为图像分割技术。好的图像分割应具有一下特性：1．分割出来的各区域对某种性质（如灰度，而言具有相似性，区域内都是联通的且没有过多小孔）。2．相邻区域对分割的性质有明显的差异。3．区域边界是明确的。图像分割的形式化定义如下：定义1.1：令I表示图像，H表示具有相同性质得谓词，图像分割把I分解成n各区域i=1，2，n，满足：（2-1）（2-2）(2-3)条件（1）表明了分割区域覆盖整个图像且各区域不相重叠，条件（2）表明每一个区域都具有相同的性质，条件(3)表明相邻的两个区域性质相依不能合并为一个区域。到目前为止，对图像分割的好坏进行评价没有统一的准则。因此，图像分割是计算机视觉和图像分析当中经典的难题。已有的算法实现方式各不相同，然而大部分都给予图像像素及的两个性质：不连续性和相似性。属于统一目标的区域一般具有相似性，而不同的区域在边界表现出不连续性。图像分割在整个图像处理过程中的作用：图像预处理图像识别图像理解图像分割图像43 石家庄铁道大学四方学院毕业设计图2-1图像分割在整个图像处理过程中的作用由此图可以看出图像分割是图像识别和图像理解的先提条件和基础，其需要在图像预处理的前提下进行，如果没有图像分割就无法进行图像识别功能，这样图像的理解功能就无法谈及。2.3基于新理论和新方法的图像分割算法概述支持向量机（SVM）是建立在统计学理论的基础上的，它是统计学习理论的具体实现。统计学习理论是专门研究小样本情况下的机器学习理论，它摒弃了传统学习方法基于经验风险最小化原则[8]，采用结构风险最小化原则，较好的解决了小样本学习问题。1992—1995年将统计学习理论具体应用于实际问题中，发挥了基于统计学习理论的支持向量机算法。支持向量机是统计学习理论中最年轻、最实用的内容，目前在机器学习领域得到了广泛地重视，并且在不断发展。统计学习理论研究了经验风险Remp（w）与真实风险R（w）之间的关系，他们以至少1-η的效率满足如下关系：R(w)≤Remp（w）+φ（n∕h）(2-4)其中h是函数集的VC维，n是样本数，这说明，学习机器的实际风险是由两部分组成的；一是经验风险（训练误差），另一部分称作置信范围，它和学习机器的VC维及训练样本数有关，可以简单的表示为：R(w)≤Remp（w）+φ（n∕h）(2-5)结构风险最小化就是同时最小化经验风险和置信范围，即经验风险最小化的同时，设法控制学习机的VC维，使经验风险和置信范围之和达到最小。支持向量机是统计学习理论的具体实现，它是从线性可分的最优分类面发展而来的。线性可分情况下寻求能够将两类分开的最优分类面的思想如图2-2中○和□分别表示两类可分的训练样本。H分类面将两类样本无错误的分开，H1和H2分别是过两类样本中离H最近的点且平行于H的平面。H1和H2之间的距离称为两类的分类间隔。最优分类面就是要求分类面不但能将两类样本正确分开（训练错误率为0），而且要使两类的分类间隔最大。根据结构风险最小化原则，前者是保证经验风险最小，而后者使分类间隔最大，也就是使推广性的界中的置信范围最小，从而达到使真实风险最小[9]。43 石家庄铁道大学四方学院毕业设计图2-2支持向量机定义图而在实际分类问题中，分类问题往往是一个非线性的问题，理想的分类面应该是非线性的。而对非线性问题，可以通过非线性变换，将非线性问题转化为某个高维空间的线性问题。目前，常用且效果比较理想的核函数主要有线性核函数、多项式核函数（Polynomial）、径向基函数(RadialBasisFunction,RBF)/Sigmoid核函数。（2-7）这四种函数分别分别对应了三种不同的学习机器，只需要改变核函数的形式就可以构造出不同学习机器，核函数决定了特征空间结构，核函数的形式及其参数决定了分类器的类型和复杂程度，因此核函数选择是非常重要的，不同问题选择不同核函数。2.4开发工具简介43 石家庄铁道大学四方学院毕业设计实际的图像处理及分析都是面向某种具体问题的，所以上述条件中各种关系也要视具体情况而定，目前，还没有一种通用的方法可以很好的兼顾这些约束条件，也没有一种通用的方法可以完成不同图像分割任务。原因在于实际的图像是千差万别的，还有一个重要原因在于图像数据质量的下降，包括图像在获取和传输过程中引入的种种噪声以及光照不均等因素。到目前为止，到目前为止，对图像分割的好坏进行评价至今提出的分割算法已有上千种，每年还有不少新算法出现。这些算法的实现方式各不相同，然而像边缘检测、阈值分割、分水岭算法都是基于图像在像素级的两个性质，不连续性和相似性。新理论支持向量机则基于纹理特征和灰度特征两种故图像近乎完整并且分割方法简单图像清晰。43 石家庄铁道大学四方学院毕业设计第3章图像分割算法研究3.1边缘检测理论及依据图像的边缘对人的视觉具有重要意义，一般而言，当人们看到一个有边缘的物体时，首先感觉到的便是边缘。灰度或结构等信息的突变处称为边缘，边缘是一个区域的结束，也是另一个区域的开始，利用该特征可以分割图像。需要指出的是，检测出的边缘并不等同于实际目标的真实边缘。由于图像数据是二维的，而实际物体是三维的，从三维到二维的投影必然会造成信息的损失图像的边缘有方向和幅度两个属性，沿边缘方向像素变化平缓，垂直于边缘方向像素变化剧烈。边缘上的这种变化可以用微分算子检测出来，通常用一阶或二阶导数来检测边缘，两者不同之处在于一阶导数认为最大值对应边缘位置，而二阶导数则以过零点对应边缘位置[10]。3.1.1边缘检测算子基于一阶导数的边缘检测算子包括Roberts、sobel、Prewitt边缘检测算子在算法过程中，通过2×2（Roberts算子）或者3×3模版作为核与图像中每个像素点做卷积和运算，其边缘检测都是基于微分方法的，然后选取适应的阈值以提取边缘。拉普拉斯边缘检测算子是基于二阶导数的边缘检测算子，该算子对噪声敏感，一种改进方式是先对图像进行平滑处理。然后再应用二阶导数的边缘检测算子，其代表是LOG算子，canny算子是另外一类边缘检测算子，它不是通过微分算子检测边缘，而是在满足约束条件下推导出的边缘检测最优化算子。3.1.2Roberts、Prewitt、sobel边缘检测算法设计及分析Roberts边缘检测算子用图3.1.2（a）的模版来近似计算图像函数f（x,y）对x和y的偏导数：Z1Z2Z3Z4Z5Z6Z7Z8Z9图3-1图像邻域模版43 石家庄铁道大学四方学院毕业设计-10010-110图3-2Roberts模版计算出Gx，Gy的值后，用公式g=（Gx2+Gy2）1/2计算（x，y）点的梯度值找到图像边缘即可对图像完成分割。Sobel边缘检测算子用图3.1.2（b）所示的模板来近似计算图像函数f(x,y)对x，y的偏导数。-1-2-1000121（3-1）-101-202-101（3-2）图3-3Sobel模版Prewitt边缘检测算子用图3.1.2（c）所示的模板来近似计算图像函数f(x,y)对x，y的偏导数。-1-1-1000111（3-3）-101-101-101（3-4）图3-4Prewitt模版计算出Gx，Gy的值后，用公式g=（Gx2+Gy2）1/2计算（x，y43 石家庄铁道大学四方学院毕业设计）点的梯度值找到图像边缘即可对图像完成分割。三种方法计算出梯度值后，设定一个合适的阈值T，如果（x，y）处的g≥T则认为该带点是边缘点。对三种算法仿真实现结果如下：图3-5原图像及三种算法分割结果(1)由图像结果可知在此梯度边缘检测算法中，Roberts算子边缘定位精度较高，但容易丢失一部分边缘，同时由于图像没经过平滑处理，因此不具备抑制噪声能力，该算子对具有陡峭边缘且含噪声少的图像效果较好。其原因是利用局部差分算子寻找边缘，并且Roberts对噪声特别敏感，检测的边缘间断处多，出现了大量的噪声孤立点，对于间断较严重地方很难设计较好的算法来进行连接。(2)由图像可知Sobel算子和Prewitt算子虽然这两种检测算法边缘定位效果不错，但检测出的边缘容易出现多像素宽度。其原因为对图像先做加权平滑处理，然后再做微分运算，所不同的是平滑部分的权值有些差异，因此对噪声具有一定的抑制能力，但不能完全排除检测结果中出现的虚假边缘。43 石家庄铁道大学四方学院毕业设计还能由图看出Sobel算子具有噪声抑制能力，在一定程度上对边缘间断有些许改进，但是仍然不能达到很好的检测效果。3.1.3Canny边缘检测算子设计与分析在图像边缘检测中，抑制噪声和边缘精确定位是无法同时满足的，边缘检测算法通过平滑滤波去除图像噪声的同时，也增加了边缘定位的不确定性；反之，提高边缘检测算子对边缘的敏感性同时，也提高了对噪声的敏感性。Canny算子力图在抗噪声干扰和精确定位之间寻求最佳折衷方案，用Canny算子检测图像边缘步骤如下：（1）用高斯滤波器平滑图像。（2）计算滤波后图像梯度的幅值和方向。（3）对梯度幅值应用非极大值抑制，其过程为找出图像梯度中的局部极大值点，把其他非局部极大值点置零以得到细化的边缘。（4）用双阈值算法检测和连接边缘，使用两个阈值T1和T2（T1>T2），T1用来找到每条线段，T2用来在这些线段的两个方向上延伸寻找边缘断裂处，并连接这些边缘。对其用仿真实现运行结果如下：图3-6原图像及Canny算子分割结果由图可以看出Canny算子检测的边缘大部分是连续的同样该算子也会将一些高频边缘平滑掉，造成边缘丢失，其原因是因为算子同样采用高斯函数对图像进行平滑处理。因此具有较强的抑制噪声能力，再者可以由图推断得出Canny算子也有一个明显的缺点，也就是在后续的边缘连接阶段，很难将虚假边缘排除。43 石家庄铁道大学四方学院毕业设计3.2基于区域阈值的理论及依据图像分割的经典方法是基于灰度阈值的分割方法，它通过设置阈值，把像素点按灰度级分为若干类，从而实现图像分割。把一副灰度图像转化成二值图像是阈值分割的最简单形式，设原始图像为f（x，y），首先以一定准则在f（x，y）中找出一个灰度值t作为阈值，将图像分割为两部分，即把大于等于该阈值的像素点的值置为1，小于该阈值的像素点的值置为0.阈值运算后的图像为二值图像f（x，y）[11]。阈值分割技术一般分为两个步骤，第一步根据一定的规则确定一般的分割阈值。第二步将该阈值和像素相比较，来分类像素。因此，阈值T的选择将直接影响到分割效果，直接关系到分割精度。3.2.1阈值分割算法的设计与分析阈值法的关键是确定分割的阈值，而阈值的确定由灰度直方图形状确定。基于灰度阈值的分割方法，其关键是如何合理的选择阈值，此处有人工法和自动阈值法。虽然人工法可以选出令人满意的阈值，但是在无人介入的情况下自动选取阈值是大部分应用的基本要求此处用迭代式阈值选择和Otsu法阈值选择。此处说明的灰度选择法是在分析灰度直方图的基础上，人工选择出合适阈值，从中选择出最佳阈值即把阈值放到某一确定值后再比较得出。对其用仿真实现运行结果如下：图3-7原始图像及灰度直方图43 石家庄铁道大学四方学院毕业设计图3-8阈值为110图像分割结果图3-9阈值为140图像分割结果从图可以看出，阈值为140时和阈值为110时的图像分割两者都有共同的缺陷：容易造成边缘丢失和背景与灰度值混淆而造成一定的分割失误。3.2.2迭代式阈值选择方法设计与研究迭代式阈值选择方法的基本思想是：开始时选择一个阈值作为初始值，然后按某种策略不断的改进这一估计值，直到满足给定的准则为止。在迭代过程中，关键之处在于选择什麽样的阈值改进策略。好的阈值改进策略应该具有两个特征：一是能够收敛，二是在每一个迭代过程中，新产生的阈值优于上一次的阈值。其具体步骤如下：（1）选择灰度的中值作为初始阈值T0。43 石家庄铁道大学四方学院毕业设计（2）利用阈值T把图像分割成两个区域—R1和R2，用下式计算区域R1和R2的灰度均值和。（3）计算出和后，用下式计算出新的阈值(3-5)（4）重复步骤2、3，直到两者之差小于某个给定值。其运行结果如下：图3-10原图像及迭代阈值二值化分割图像结果由图像可直观得出：容易造成边缘丢失并且分割得到的边缘不光滑等并且由分割图中的小点得出易于受噪声因素的干扰，从图可以推断出传统方法是利用图像的一种特定的数据特征对其进行分割的，即直接来自图像像素点的信息—灰度值或颜色值。其优点是过程、思路简单，便于理论研究和简单图形的分割，缺点是计算过于复杂，难以满足实时性和时域性。3.2.3Ostu阈值分割方法设计和研究Otsu法是一种使类间方差最大的自动确定阈值的方法，该方法具有简单、处理速度快的特点，是一种常用的阈值选取方法。其基本设计方法：Otsu法是一种使类间方差最大的自动确定阈值的方法，该方法具有简单、处理速度快的特点，是一种常用的分割方法，其设计理念是把图像中的像素按灰度值用阈值T分成两类C0和C1由灰度值在[0，T]之间的像素组成，再用此方法求出阈值后，用该阈值进行二值化处理得到图像。对其用仿真实现运行结果如下：43 石家庄铁道大学四方学院毕业设计图3-11原图像及Ostu阈值分割结果由图可知其图像分割过程中图像边缘易于被忽略，并且背景与目标混淆，分割效果不是很理想，由此可得出：此阈值分割方法是否有效，取决于物体与背景之间是否有足够的对比度。3.3　结果分析及小结图像分割的经典传统分割算法中边缘检测算法是基于微分方法进行边缘分割的，其所谓边缘即是结构或者灰度等信息的突变出，故认为一阶导数的极大值点即为边缘，并且设置一个模板然后让每个像素点的值与其做卷积运算，设定一个特定阈值T，如果其值大于T故即为边缘。此方法简单易行，运算步骤简便，边缘定位精度较高。其缺点是：容易丢失一部分边缘，并且易于受噪声等因素影响，在目标与背景对比度不高的情况下易于混淆而造成边缘分割的失误。图像分割的另一种分割算法是基于图像灰度阈值的分割算法，其利用图像的灰度值大小不同而对其进行分割，其可以利用灰度直方图，人工选择阈值对其进行分割。也可以设定一中值然后求两边灰度值的平均值，最后通过计算便可得出其阈值分割图像。其分割结果较为明显并且灰度值大小容易求出，操作简单。思路非常清晰。但其也有一些缺点：容易丢失边缘、分割边缘不光滑、出现分割碎片等，并且在目标与背景对比度不高时易于混淆，造成不可弥补的分割失误。43 石家庄铁道大学四方学院毕业设计第4章基于支持向量机的图像分割算法研究传统的图像分割方法不能很好的实现图像分割。本章主要对近年来出现的新的图像分割方法进行综述。分析了各种新方法在图像分割中的特点，将基于统计学习理论的支持向量机引入图像分割。4.1支持向量机与图像分割的关系对一幅图像而言，像素是基本组成，从图像分割定义来说，对图像的分割实际就是对像素进行分类，SVM就是通过对每一个像素进行分类来完成图像分割的，根据支持向量机原理，样本特征到最优分类面的距离大于零为+1类，样本特征到最优面的距离小于零为-1类，因此它是一种全局门限分割方法，全局门限T=0，只是这时的图像由图像是由图像的多种特征组成的SVM的图像[12]。支持向量机是一种有监督的分类方法，因此实现基于支持向量机图像分割就是要完成训练样本的选择、特征提取、核函数及其参数确定。首先分别选择代表两类的像素作为训练样本，提取两类的特征，作为支持向量机的输入：然后选取合适的核函数及其参数，训练分类器。获得支持向量模型：最后提取测试样本特征，产生待分类样本集，用支持向量机进行分类，将像素点归入所属类，从而完成图像分割。4.2基于支持向量机在图像分割算法设计传统图像的分割方法，大多是基于图像的部分特征来进行分割的。因此，目前尚未有对所有的图像都有合适的方法。而分类的算法是一种重要的图像分割方法。本章主要介绍如何使用支持向量机，来对图像进行分割。基于支持向量机的图像分割，主要有三个问题：样本的选择、特征的提取、核函数及其参数确定。本文采用SVM-1.5工具箱，针对这三个问题进行讨论。4.2.1算法设计及流程此处进入SVM的训练阶段，一般来说，SVM的训练分为5个阶段，分别为：输入训练样本。训练样本选择、提取训练样本、确定核函数及其参数和训练样本。根据结果是否理想，来决定是否调整参数，重新进行训练。整个过程如图4-1：43 石家庄铁道大学四方学院毕业设计训练样本选择特征提取确定核函数参数训练样本图像分割是开始结束图4-1基于支持向量机分割流程图首先对训练样本进行选择，选定对训练样本采用3×3区域的灰度值、均值和方差作为基本特征，然后确定利用高斯核函数为本次设计的函数，最后训练样本，对图像进行分割，最终得到分割图像。4.2.2样本选择根据对支持向量机图像分割研究，选取尺度为256×256的大米粒图像作为分割样本，图4-2为分割样本图。之所以选择此图，在于大多基于支持向量机的图像分割都在此样本图像上进行，便于进行分割方法的比较[13]。43 石家庄铁道大学四方学院毕业设计支持向量机是一种有监督的分类方法，需要预先确定训练样本分类，训练样本的正确与否决定了支持向量机分类的效果。本文通过两种方式训练样本，手动选择训练样本和自动选择训练样本。(1)手动选择训练样本：对于未知样本分类的情况下，样本选择最直接的方法就是手动选择训练样本，通过人为的判断目标和背景区域，随即选择目标和背景的样本点。本文尝试采用随机选点和随机选择区域两种方式。随机选点方式点与点之间没有固定的位置关系，利用手动选点方式来选择训练样本，需浪费大量的时间和精力，因此尝试采用手动选择区域和方式来选择训练样本，可以减少重复选点的麻烦，可以减少重复选点的麻烦。随即选择样本区域，点与点之间在空间上是连通的。(2)自动选择训练样本：为了克服手动选择样本的盲目性，本文引入模糊C均值聚类的方法来选择训练样本。常用的均值聚类方法有硬C均值聚类的算法和模糊C均值聚类的方式来选择训练样本[14]，对于图像分类来说，两者的不同在于像素对聚类子集的隶属关系即隶属度函数不同。在硬C均值聚类中，样本像素和聚类子集的隶属度函数为：(4-1)即样本是绝对的非此即彼的属于某一类。对于模糊C均值来说，样本对子集的隶属度函数不是定值，而是[0，1]之间的一个数。它表明样本对某一类的相似程度，隶属度越大，表明跟某一类越相似。相比硬C均值聚类来说，模糊C均值聚类更符合图像分割的特点。模糊C均值聚类算法是通过最小化以下的目标函数：(4-2)来实现同性质像素聚类的。目标函数越小，表明同类间像素的相似性越大。C为聚类数目，n为样本数，m∈[1,+∞]为加权指数，是为了加强图像之间的对比度。μij表示第j像素点对第i类的隶属度，d（xj，vi）表示第j个像素点距离第i个聚类的距离。根据拉格朗日乘数法优化目标函数得：43 石家庄铁道大学四方学院毕业设计(4-3)模糊C均值聚类后，每个像素产生了对背景和目标的隶属度，隶属度的大小代表了像素与类的相似程度，因此设计了一种选择训练样本的方法。首先将各个像素对目标类的隶属度按照从大到小的顺序排列，选择前隶属度对应的像素作为训练样本的+1类；然后将各个像素对背景类按照从小到大排列。这样做的目的是保证了样本的正确性，可以减少模糊像素对支持向量机的影响。通过此处选择的聚类样本为：图4-2聚类样本由以上前提条件便对其进行训练样本，对其用仿真实现运行结果如下：图4-3训练样本43 石家庄铁道大学四方学院毕业设计4.2.3特征提取样本的特征是支持向量机分类的依据，分类效果的好坏在很大程度上取决于从图像中提取的特征。可以说，所提取的特征越完备，则分割效果越有保障。而特征的提取，并不以单一类别的特征为主，在选取特征的时候，需要考虑所移动窗口中所有像素的各种性质，才能获取较完备的图像特征，为图像分割做好准备。此处主要提取灰度特征。其中灰度特征采用3×3邻域的灰度值、均值和方差作为特征。由于所选择的大米粒图像，其背景和目标在灰度上差别较大，且灰度分布较为均匀，仅以待分割图像的一个小邻域里中低层次的灰度，作为输入矢量X.具体做法为：在待分割的样本图像上移动一个s×s(其中s为奇数)的窗口，每个当前像素，及窗口中心的像素为（i，j）令I（i，j）为该像素的灰度值，且0≤i＜256，0≤j＜256，将其窗口中所有的灰度值按照从左到右、从上到下的顺序，组成一个包含s×s个元素的矢量作为特征矢量。根据向量机的特点以及反复试验的结果，选取s=3的领域窗口作为其分割窗口。即形成一个由当前像素灰度值与其8个领域像素的灰度值所组成的包含了9个元素的特征矢量。I(i-1，j-1)I(i-1，j)I(i-1，j+1)I(i，j-1)I(i，j)I(i，j+1)I(i+1，j-1)I(i+1，j)I(i+1，j+1)图像的均值和方差的大小表示灰度区域是否均匀，因此本次设计方案采用像素灰度值及其领域的灰度均值和方差作为特征向量。灰度均值为：(4-4)方差为：(4-5)将3×3窗口内对应像素的灰度值构成的九维向量作为特征向量。P(i,j)为窗口内的灰度统计值。为了避免各个分量在量值上的差异对分类的影响和特征向量可能出现的溢出，故将特征进行归一化处理，将特征归一化到[0,1]。4.2.4核函数选择本文中鉴于高斯核函数和线性核函数的参数比较少，因此选用高斯核函数其形式为：43 石家庄铁道大学四方学院毕业设计(4-6)此处的=100即为其高斯核函数的参数。高斯核函数(决定着平滑程度)是由参数σ表征的，而且σ和平滑程度的关系是非常简单的．σ越大，高斯核函数的频带就越宽，平滑程度就越好．通过调节平滑程度参数σ，可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷。4.2.5分割结果及其分析用训练好的支持向量机对原图进行分割，分割结果如下：图4-4原始图像图4-5用支持向量机对图像的分割结果43 石家庄铁道大学四方学院毕业设计本文所采取的细菌图像像素大小为256×256，在图像上移动一个3×3大小的窗口，共获取51302个样本数据。采取随机抽取的方式，从中获取多个样本作为训练样本，所抽取的样本数量较大。可以做到较为准确的分割，并且此方法是在大量的样本抽取下进行的，可以大大提高分割的精度和准确度，较其他传统分割方法相比较而言，其对边缘分割精度和对于背景和灰度值相比较而言都有了非常明显的进步，并且利用自动选择法对其进行分割也可较少工作量与降低计算难度，节省了我们分割过程中较为宝贵的时间。43 石家庄铁道大学四方学院毕业设计第5章总结和展望首先本文先对图像分割技术作了简单介绍然后应用图像分割的经典算法对其进行分割，得到其仿真结果。最后引入了一种新的基于支持向量机技术对图像进行分割，最终得到完整的图像分割。本文尝试使用支持向量机技术对图像进行分割，首先对训练样本进行选择，然后采用了灰度特征、均值与方差作为特征，确定核函数及其参数训练支持向量机，最后完成整幅图像的分割。其中，特征提取过程是在原图像上从上到下，从左到右移动一个3×3窗口，除了采用9个灰度值作为特征外，还采用窗口内的均值和方差作为特征。本文也存在一些不足之处，首先是分割的数据比较大，运算速度比较慢，而且分割的效果完全依赖于模糊聚类的结果，以后有待于在支持向量机算法和样本选择方面做更多的研究。43 石家庄铁道大学四方学院毕业设计参考文献[1]里朝锋,曾生根,许磊.遥感图像智能处理［M］.北京：电子工业出版社.2007[2]罗述谦,周果宏.医学图像处理及分析［M］,北京:科技出版社,2003[3]SuRuan,StephaneLebonvallet,ect.TumorSegmentationFormaMultisectralByUsingSupportVectorMachineClassification［J］.BiomedicalImaging:FromNanotoMacro:2007[4]邢伟,基于支持向量机的图像分割［J］,微计算机信息,2008:24（I）[5]CR.Brice,C.L.Fenema,SceneAnalysisUsingRegions［J］.ArtificialIntelligence1970,205—226[6]郭磊,武优西,刘雪娜等.基于主成分分析和支持向量机的MRJ图像多目标分割［J］,中国生物医学工程学报.2007:26（4）:498—502[7]赵衍运,蔡安妮.使用支持向量机分割指纹图像的方法［J］,北京邮电大学学报,2006:29（02）[8]Cheng,HD.Jiang,XH,Sun,J.Colorimagesegmentation:［J］.NewYork;SpringesVerlag,1995[9]徐海洋.基于支持向量机方法的图像分割与目标分类[D].武汉:华中科技大学,2005[10]杨丽,杨新.基于区域划分的曲线演变多目标分割[J].计算机学报,2004,27（3）:420—425[11]王萍,苏秀琴,刘雅轩.基于区域合并的动态阈值分割算法.光子学报,20043(3):378-381[12]赵凤,范九伦.二维熵取小法和模糊熵相结合的图像分割的坑识别方法.计算机工程与应用,006,1:25—228[13]PunTnewMethdforGray-LevelPictureThresholdingUsingtheentropyoftheHistogram.SignalProcessing,1980,2(3):233-237[14]贺玲,玲达,益朝.数据挖掘中的聚类算法综述[J].计算机应用研究,007:0-1343 石家庄铁道大学四方学院毕业设计致谢毕业设计能够如期完成，我的指导老师给了我极大的帮助与支持。另外她学识渊博，学风严谨，待人宽厚。在我遇到困难时能耐心解答直至我明白。尤其在我刚拿到一个带有陌生专业术语的题目想退缩时，老师的一翻教导令我受益匪浅。让我明白，没有付出，就没有回报的真谛。还有，人要不断的接受新知识，学习新知识，这样才能在以后的人生道路上坚强的走下去。另外本人在做毕设过程中认真学习了Maltab，虽然只是个初学者但已经尽自己所能完成这次毕设。所以，在设计的过程中，遇到很小的问题，都要劳烦老师讲解。在不断的接触中。老师的朴实无华，平易近人的性格对我影响颇深。在的指导和鼓励下，我才有信心去完成毕业设计，很荣幸成且幸运成为老师的学生。除老师之外，还要感谢我的同学们。他们给了我很多的建议和帮助。尤其在程序的编写方面，给了我很大的帮助。特此感谢！通过本次设计，让我明白了很多。最重要的是一个人如果无法独立完成一件事情，那么，同学和朋友就是你的依靠。再次感谢在设计中给我帮助的老师和同学！43 石家庄铁道大学四方学院毕业设计附录附录A外文文献Segmentation(imageprocessing)Incomputervision,segmentationreferstotheprocessofpartitioningadigitalimageintomultiplesegments(setsofpixels)(Alsoknownassuperpixels).Thegoalofsegmentationistosimplifyand/orchangetherepresentationofanimageintosomethingthatismoremeaningfulandeasiertoanalyze.[1]Imagesegmentationistypicallyusedtolocateobjectsandboundaries(lines,curves,etc.)inimages.Moreprecisely,imagesegmentationistheprocessofassigningalabeltoeverypixelinanimagesuchthatpixelswiththesamelabelsharecertainvisualcharacteristics.Theresultofimagesegmentationisasetofsegmentsthatcollectivelycovertheentireimage,orasetofcontoursextractedfromtheimage(seeedgedetection).Eachofthepixelsinaregionaresimilarwithrespecttosomecharacteristicorcomputedproperty,suchascolor,intensity,ortexture.Adjacentregionsaresignificantlydifferentwithrespecttothesamecharacteristic(s).[1]Contents1.Clusteringmethods2.Histogram-basedmethods3.Edgedetectionmethods4.Regiongrowingmethods5.Graphpartitioningmethods6.Modelbasedsegmentation7.Semi-automaticsegmentation8.NeuralnetworkssegmentationApplicationsSomeofthepracticalapplicationsofimagesegmentationare:1.MedicalImaging[2]43 石家庄铁道大学四方学院毕业设计LocatetumorsandotherpathologiesMeasuretissuevolumesComputer-guidedsurgeryDiagnosisTreatmentplanningStudyofanatomicalstructure2.Locateobjectsinsatelliteimages(roads,forests,etc.)3.Facerecognition4.Fingerprintrecognition5.Trafficcontrolsystems6.Brakelightdetection7.MachinevisionSeveralgeneral-purposealgorithmsandtechniqueshavebeendevelopedforimagesegmentation.Sincethereisnogeneralsolutiontotheimagesegmentationproblem,thesetechniquesoftenhavetobecombinedwithdomainknowledgeinordertoeffectivelysolveanimagesegmentationproblemforaproblemdomain.ClusteringmethodsTheK-meansalgorithmisaniterativetechniquethatisusedtopartitionanimageintoKclusters.Thebasicalgorithmis:1.PickKclustercenters,eitherrandomlyorbasedonsomeheuristic.2.Assigneachpixelintheimagetotheclusterthatminimizesthevariancebetweenthepixelandtheclustercenter.3.Re-computetheclustercentersbyaveragingallofthepixelsinthecluster.4.Repeatsteps2and3untilconvergenceisattained(e.g.nopixelschangeclusters)Inthiscase,varianceisthesquaredorabsolutedifferencebetweenapixelandaclustercenter.Thedifferenceistypicallybasedonpixelcolor,intensity,texture,andlocation,oraweightedcombinationofthesefactors.Kcanbeselectedmanually,randomly,orbyaheuristic.Thisalgorithmisguaranteedtoconverge,butitmaynotreturntheoptimalsolution.ThequalityofthesolutiondependsontheinitialsetofclustersandthevalueofK.Instatisticsandmachinelearning,thek-meansalgorithmisclusteringalgorithmtopartitionnobjectsintokclusters,wherekT);Tnew=(mean(f(r1))+mean(f(r2)))/2done=abs(Tnew-T)<1T=Tnew;i=i+1;endf(r1)=0;f(r2)=1;subplot(1,2,2)imshow(f);title(‘迭代阈值分割')灰度直方图I=imread('rice.png');figuresubplot(221);imshow(I);subplot(222);imhist(I)canny算子分割结果：f=imread('rice.png')subplot(1,2,1)imshow(f)title('原始图像')[g,t]=edge(f,'canny')subplot(1,2,2);imshow(g);title('canny算子分割');生长分割：43 石家庄铁道大学四方学院毕业设计f=imread('rice.png');subplot(2,2,1);imshow(f);seedx=[30,76,86];seedy=[110,81,110];holdonplot(seedx,seedy,'gs','linewidth',1);title('原图像及种子点位置');f=double(f)markerim=f==f(seedy(i),seedx(i));fori=2;length(seedx)markerim=markerim|(f==f(seedy(i),seedx(i)));endthresh=[12,6,12];maskim=zeros(size(f));fori=1;length(seedx);g=abs(f-f(seedy(i),seedx(i)))<=thresh(i);maskim=maskim|gend[g,nr]=bwlabel(imreconstruct(markerim,maskim),8);g=mat2gray(g);subplot(2,2,2);imshow(g);title('种子点生长结果');阈值为140时的图像：f=imread('rice.png')subplot(2,2,1)imshow(f)title('原始图像')%T=graythresh(f)g=im2bw(f,0.6)subplot(2,2,2);43 石家庄铁道大学四方学院毕业设计imshow(g);title('阈值为140时图像')阈值为110时的图像：f=imread('rice.png')subplot(2,2,1)imshow(f)title('原始图像')%T=graythresh(f)g=im2bw(f,0.4)subplot(2,2,2);imshow(g);title('阈值为110时图像')支持向量机的图像分割：I0=imread('rice.png');%m1=256;n1=256;%I0=imresize(I0,[m1,n1]);%I0=rgb2gray(I0);%figure(1),imshow(I0)figure(1),imshow(I0);title('原始图像');I1=double(I0);[m1,n1]=size(I1);I90=padarray(I1,[5,5],'symmetric','both');I80=colfilt(I90,[11,11],[7,7],'sliding',@zuixiaozhi);I2=I80(6:m1+5,6:n1+5);figure(2),imshow(uint8(I2))m=min(I2(:));n=max(I2(:));ifn-m>100fori=1:m1forj=1:n1I2(i,j)=m+100*(I2(i,j)-m)/(n-m);endend43 石家庄铁道大学四方学院毕业设计endfigure(3),imshow(uint8(I2))I2=double(I2);I3=I1-I2;figure(4),imshow(uint8(I3))fori=1:m1forj=1:n1I3(i,j)=exp(1.2*log((1+I3(i,j))/256));I3(i,j)=I3(i,j)*256;endendfigure(5),imshow(uint8(I3))I4=uint8(I3);t=graythresh(I4);I5=im2bw(I4,t*0.9);%I5=im2bw(I4,t*1.2);%%%%%2.jpg%figure(2),imshow(I1)figure(6),imshow(I5)%figure,imhist(I0)%%fori=1:m1p1(i)=sum(I5(i,:))/numel(I5(i,:));%%%%%%%行投影end%figure(3),plot(1:m,p1)figure(7),plot(1:m1,p1)m2=find(p1);r=numel(m2);mmin=m2(1);mmax=m2(r);fori=1:n1p2(i)=sum(I5(:,i))/numel(I5(:,i));%%%%%%%列投影end43 石家庄铁道大学四方学院毕业设计%figure(4),plot(1:n,p2)figure(8),plot(1:n1,p2)n2=find(p2);c=numel(n2);nmin=n2(1);nmax=n2(c);I6=I4(mmin:mmax,nmin:nmax);%figure(5),imshow(I2)figure(9),imshow(I6)%I6=255-I6;%figure,imshow(I6)f=double(I6);[m,n]=size(f);A=colfilt(f,[5,5],'sliding',@mean);B=colfilt(f,[5,5],'sliding',@var);f1=reshape(f,m*n,1);M=max(f1);N=min(f1);fori=1:m*nf1(i)=(2*f1(i)-(M+N))/(M-N);%%%%%%%%%%归一化endp1=reshape(A,m*n,1);M=max(p1);N=min(p1);fori=1:m*np1(i)=(2*p1(i)-(M+N))/(M-N);%%%%%%%%%%归一化endq1=reshape(B,m*n,1);M=max(q1);N=min(q1);fori=1:m*nq1(i)=(2*q1(i)-(M+N))/(M-N);%%%%%%%%%%第一类数据点坐标end43 石家庄铁道大学四方学院毕业设计Xt=zeros(m*n,3);%Xt=zeros(65536,2);fori=1:m*nXt(i,:)=[f1(i),p1(i),q1(i)];%Xt(i,:)=[f1(i),p1(i)];endcluster_n=2;[center,U,obj_fcn]=fcm(Xt,cluster_n);maxU=max(U);index1=find(U(1,:)==maxU);%%%%%%%第二类数据点坐标index2=find(U(2,:)==maxU);%%%%%%%归一化fd=f;iff(index1(2))>f(index2(2))fd(index1)=1;%%%%%%%%大米粒fd(index2)=-1;%%%%%%%%%背景elsefd(index1)=-1;fd(index2)=1;endfd=reshape(fd,m,n);%figure(8),imshow(fd)figure(10),imshow(fd)m7=size(index1,2);%%%%%%%%第一类数据点数m8=size(index2,2);%%%%%%%%%第二类数据点数Dfcm1=Xt(index1,:);%%%%%%%%第一类数据特征Dfcm2=Xt(index2,:);%%%%%%%%%第二类数据特征fori=1:m7d11(i)=sqrt((Dfcm1(i,1)-center(1,1))^2+(Dfcm1(i,2)-center(1,2))^2+(Dfcm1(i,3)-center(1,3))^2);d12(i)=sqrt((Dfcm1(i,1)-center(2,1))^2+(Dfcm1(i,2)-center(2,2))^2+(Dfcm1(i,3)-center(2,3))^2);endfori=1:m8d21(i)=sqrt((Dfcm2(i,1)-center(1,1))^2+(Dfcm2(i,2)-center(1,2))^2+(Dfcm2(i,3)-center(1,3))^2);d22(i)=sqrt((Dfcm2(i,1)-center(2,1))^2+(Dfcm2(i,2)-center(2,2))^2+(Dfcm2(i,3)-center(2,3))^2);43 石家庄铁道大学四方学院毕业设计end[d11,IX11]=sort(d11);[d12,IX12]=sort(d12,'descend');[d21,IX21]=sort(d21,'descend');[d22,IX22]=sort(d22);N1=1000;N2=1000;fori=1:N1D11(i,1)=index1(IX11(i));%%%%%%%第一类数据样本点坐标endfori=1:N2D22(i,1)=index2(IX22(i));%%%%%第二类数据样本点坐标endt3=[D11;D22];X=Xt(t3,:);Y=[fd(D11);fd(D22)];ft=zeros(m*n,1);ft(D11)=1;ft(D22)=-1;ft=reshape(ft,m,n);[x1,y1]=find(ft==1);[x2,y2]=find(ft==-1);%figure,imshow(uint8(f))figure,imshow(uint8(f))holdonplot(y1,x1,'g+',y2,x2,'r+');type='c';sig2=100;gam=100;[alpha,b]=trainlssvm({X,Y,type,gam,sig2,'RBF_kernel'});%%%%%%%%%%%%%最终参数Ytest=simlssvm({X,Y,type,gam,sig2,'RBF_kernel'},{alpha,b},Xt);predictedY=reshape(Ytest,m,n);fori=1:m43 石家庄铁道大学四方学院毕业设计forj=1:nifpredictedY(i,j)==-1predictedY(i,j)=0;elsepredictedY(i,j)=1;endendendfigure,imshow((predictedY))43