基于均值漂移和区域合并的指针仪表图像分割.pdf

《基于均值漂移和区域合并的指针仪表图像分割.pdf》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。

1、《工业控制计算机)2015年第28卷第6期基于均值漂移和区域合并的指针仪表图像分割PanelmeterImageSegmentationAlgorithmBasedonMeanShiftandThresholdRegionMerging刘元稳汪仁煌龙永雄黄亮亮(广东工业大学自动化学院，广东广州510006)摘要均值漂移算法在图像分割中有着十分重要的作用，考虑到图像的噪声和边缘保持等因素，提出了一种基于均值漂移的图像平滑和基于阚值的区域合并的指针式仪表图像分割方法。首先利用均值漂移算法对图像进行滤波降噪，然后对滤波降噪后的图像通过阚值的区域合并方法进行阚值分割。经过均值漂移滤波后的图

2、像不仅能很好地保持指针仪表图像的边缘特征，还能有效地去除噪声，而基于阈值的区域合并方法能够使得分割的图像效果更明显。关键词：均值漂移，区域合并，图像分割，指针仪表AbstractThispaperpresentsapointermeterimagesegmentationmethodbasedonmeanshifttosmoothimageandthresholdregionmerging．Firstly，themeanshiftalgorithmforimagenoisefiltering．thensegmentationbyregionmergingthreshold．Thei

3、mageaftermeanshiftfiltercannotonlymaintainagoodimageedgefeaturesofpointerinstrument，butalsoefectivelyre—movenoise．andregionmergingmethodbasedonthresholdsegmentationofimagescanbemademoreefective．Keywords：meanshift，regionmerging，imagesegmentation，panelmeter指针仪表图像的智能识别是一个复杂的问题，不同的指针个函数K：R存在一个剖面函数

4、k：[0，oo]一R，即：仪表有不同的特征，如何更好地去除图像噪声，准确地提取各种K(x)(1lX)(3)指针仪表的指针信息十分重要。而基于一般的滤波方法对指针并且满足：式仪表图像进行滤波去噪后分割的图像，要么是把指针的影子1)k是非负的。也当作边缘特征给保留下来，要么是分割后的特征不明显，对后2)k是非增的，即如果a

5、，同时能更有效消除区域灰度的不连续，实现目标和背景从公式(1)中可以知道，对于落入高维球区域S中的样本的分离，减少算法的运算复杂度。点，无论距离当前点X有多远，对Mh(×)计算的贡献都是一样1均值漂移滤波的。然而一般来说，采样点离越近，对估计周围的统计特性越有1．1基本均值漂移向量效。引进核函数的概念，使得计算均值漂移向量时可以考虑样本定义1：给定d维空间的n个样本点Si，i=1，⋯，n，在X点的点与之间距离的影响；同时，不同的样本点对于均值漂移的重要均值漂移向量的基本形式为：性必定也不相同，因此可以在每个样本中都引入一个权重系数■1nW(i)。这样就可以把均值漂移的基本形式可以扩

6、展为以下形式：(x)=古(S-X)(1)n0E＆∑G()『)(s，∑G())s『式中，Sh是一个半径为h的高维球区域，满足以下关系的yM^(x)=兰——————一=兰————一(4)点的集合：“∑G(”)『)“∑G(半))r，S=(y：(—x)‘(—x)≤)(2)一其中，系数h称为均值漂移的带宽。公式(4)中如果所有的其中，k表示在所有的n个样本点中，落人高维球区域Sh中样本点S；均满足以下式子：的点的个数。(S广x)表示样本点S；相对于当前点X的偏移向量。1)f)=7由(1)式中均值漂移向量定义中可以看到，均值漂移向量M(x)就是对落入sh区域中的k个样本点S分别相对于点X的偏移

7、向2，Gcx，={，i，fIl量，然后再求取k个样本点的偏移向量的矢量和。最后再平均。则公式(4)完全等同于公式(1)，即均值漂移的扩展形式完1．2均值漂移扩展形式全等同于均值漂移的一般形式。均值漂移算法的推导是由密度函数梯度的非参数估计中获对比公式(1)和公式(4)可知：扩展形式的均值漂移向量中，得，非参数估计则是由样本集为出发点对密度函数进行估计，可距离漂移点不同的样本点，其重要性由核函数确定；与漂移点距以不需要任何的先验知识，并且对任意形状的分布均有效。因而离等