图像分割方法综述

第31卷第6期世界科技研究与发展

V01.31No.6

2009年12月1074—1078页

WORLDSCI-TECHR&D

Dee・2009

PP・1074—1078

图像分割方法综述宰

魏伟波潘振宽

(青岛大学信息工程学院,青岛266071)

摘要:图像分割是由图像处理进到图像分析的关键步骤。不仅总结了传统的图像分割方法.还介绍了一些近年来热门的分割方法,如聚类分析、模糊集理论、小渡变换、神经网络、水平集、均值迁移、图论等,分析了各种方法的原理和特点,并用部分分割方法时经典的Lena图像进行了处理,最后对图像分割方法的研究进行了总结。关键词:图像分割;阅值;区域;边缘检测;水平集方法中图分类号:TP391.41

文献标识码:A

Survey

OH

ImageSegmentation

Method’

WE!Welb0

PAN

Zhenkuan

(College

ofInformation

Engineering,QingdaoUniversity。Qingd80266071)

Abstract:Imagesegmentation

is

keystepofimageprocessingand

image

analysis.Thispaper

summarizestraditional

image.segmentation

methods,andpresentssome

Dewwaysinrecent

years,such∞clusterana/ysis,fuzzytheory,wavelettransform,neuralnets,level

set,me&'l—shift,graphand80

On,analysesprinciples。characteristicofallthemethods,anddeah

withthetraditional

Lena

Image

with

sOffle

segmentation

methods.finallygivessurvey

andtrend

ofthe

studyof

imagesegmentation.

Key

words:image

segmentation;threshold;fields;edgedetection;levelsetmethod

引言

泛的应用。

人们发展了各种各样的阈值处理技术,包括全局阈值、图像分割就是把图像分成若干个特定的、具有独特性质

自适应阈值、最佳阈值等等。

的区域并提出感兴趣目标的技术和过程。它是由图像处理全局阈值是指整幅图像使用同一个阈值做分割处理,适到图像分析的关键步骤。现有的图像分割方法主要分以下用于背景和前景有明显对比的图像.它是根据整幅图像确定

几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的:T=r∽。但是这种方法只考虑像素本身的灰度值。,一般

的分割方法以及基于特定理论的分割方法等_1。

不考虑空间特征,因而对噪声很敏感。常用的全局阈值选取近年来,研究人员不断改进原有的图像分割方法并把其方法有利用图像灰度直方图的峰谷法、最小误差法、最大类它学科的一些新理论和新方法用于图像分割,提出了不少新间方差法、最大熵自动阈值法以及其它一些方法。

的分割方法嵋j。本文对传统的图像分割方法和近年来出现在许多情况下,物体和背景的对比度在图像中的各处不的一些新方法进行了综述,分析了各种方法的原理和优缺是一样的,这时很难用一个统一的阈值将物体与背景分开。点.并用部分分割方法对经典的Lena图像进行了处理,最后这时可以根据图像的局部特征分别采用不同的阚值进行分对图像分割方法的研究进行了总结和展望。

割。实际处理时,需要按照具体问题将l冬j像分成若干子区域2基于阈值的分割方法

分别选择阈值,或者动态地根据一定的邻域范围选择每点处的阈值,进行图像分割。这时的阈值为自适应阈值。

灰度阈值分割法p1是一种最常用的并行区域技术,它是阈值的选择需要根据具体问题来确定,一般通过实验来图像分割中应用数量最多的一类。阈值分割方法实际上是确定。对于给定的图像,可以通过分析直方图的方法确定最输入图像/到输出图像g的如下变换:

佳的阈值,例如当直方图明显呈现双峰情况时,可以选择两,…『l以iJ)≥T

个峰值的中点作为最佳阈值。

趴‘J卜10“i,i)<T

图1(a)和(b)分别为用全局阈值和白适应阈值对经典其中,r为阈值,对于物体的图像元素g(id)=l,对于背景的的Lena图像进行分割的结果。

图像元素g(j√)=0。

由此可见,阈值分割算法的关键是确定阈值,如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后,将阈值与像素点的灰度值比较和像素分割可对各像素并行地进行,分割的结果直接给出图像区域。

阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合(如用于硬件实现),它得到了广

‘a)全局阈值(b)自适应阈值

图I

两种阅值分割后的图像

脚.1

Segmentedimageswith

two

thresholds

・基金项目:教育部新世纪优秀人才支持计划。

第1074页

Wl/Jw.globesci.com

万 

方数据

2009年12月世界科技研究与发展

计算机与信息技术

3基于区域的分割方法

区域牛长和分裂合并法是两种典犁的串行区域技术,其

分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。3.I区域生长

区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点,然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程,直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。

区域生长需要选择一组能正确代表所需区域的种子像素,确定在生长过程中的相似性准则,制定让生长停止的条件或准则。相似性准则可以是灰度级、彩色、纹理、梯度等特性。选取的种子像素可以是单个像素,也可以是包含若干个像素的小区域。大部分区域生长准则使用图像的局部性质。生长准则町根据不同原则制定,而使用不同的生长准则会影响区域生长的过程。

圈2脑部图像和区域生长法分割的结果

Fig.2

Brain

image

and

segmentation

resultofregion

growth

区域生长法的优点是计算简单,对于较均匀的连通目标有较好的分割效果。它的缺点是需要人为确定种子点,对噪声敏感,可能导致区域内有空洞。另外,它是一种并行算法,当目标较大时,分割速度较慢,因此在设计算法时,要尽量提高效率。

3.2区域分裂合并

区域生长是从某个或者某些像素点出发,最后得到整个区域,进而实现目标提取。分裂合并差不多是区域生长的逆过程:从整个图像出发,不断分裂得到各个子区域,然后再把前景区域合并,实现目标提取。分裂合并的假设是对于一幅图像,前景区域由一些相互连通的像素组成的,因此,如果把一幅图像分裂到像素级,那么就可以判定该像素是否为前景像素。当所有像素点或者子区域完成判断以后,把前景区域或者像素合并就可得到前景目标。

在这类方法中,最常用的方法是plg叉树分解法(如图3所示)。设R代表整个正方形图像区域,P代表逻辑谓词。基本分裂合并算法步骤如下:

(1)对任一个区域,如果Ⅳ(R;)=FALSE就将其分裂成不重叠的四等份;

(2)对相邻的两个区域咒和R,它们也可以大小不同

万 

方数据图3四义树分割后的图像

Fig.3

Segmented

image

withquawrnarytree

(即不在同一层),如果条件H(RuR)=TRUE满足,就将它们合并起来;

(3)如果进一步的分裂或合并都不可能,则结束。分裂合并法的关键是分裂合并准则的设计。这种方法对复杂图像的分割效果较好,但算法较复杂,计算量大,分裂还可能破坏区域的边界。

图像分割的一种重要途径是通过边缘检测,即检测灰度级或者结构具有突变的地方,表明一个区域的终结,也是另一个区域开始的地方。这种不连续性称为边缘。不同的图像灰度不同,边界处一般有明显的边缘,利用此特征可以分割图像。

图像中边缘处像素的灰度值不连续,这种不连续性可通过求导数来检测到。对于阶跃状边缘,其位置对应一阶导数的极值点,对应二阶导数的过零点(零交叉点)。因此常用微

分算子进行边缘检测。常用的一阶微分算子有Roberts算

子、Prewitt算子和Sobel算子,二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模板来

表示,微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感,只适合于噪声较小不太复杂的图像。

由于边缘和噪声都是灰度不连续点,在频域均为高频分量,直接采用微分运算难以克服噪声的影响。因此用微分算子检测边缘前要对图像进行平滑滤波。LoG算子和Canny算子是具有平滑功能的二阶和一阶微分算子,边缘检测效果较好,如图4所示。其中loG算子是采用Laplacian算子求高斯函数的二阶导数,Canny算子是高斯函数的一阶导数,它在噪声抑制和边缘检测之间取得了较好的平衡。

‘aJLoG算r【b)Canny算f

固4两种算子检测结果比较

Fig.4

Seglnentedimages

with

two

operators

第1075页

4基于边缘的分割方法”1

计算杌与信息技术世界科技研究与发展

2009年12月

关于微分算子边缘榆测的详细内容可参考文献[4]。下面介绍另外一些新发展起来的边缘检测方法。

4.1

基于数学形态学的边缘检测方法

数学彤态学是一种非线性滤波方法,在图像处理中已获

得了广泛的应用‘n7。。形态学运算是物体形状集合与结构元素之f’日J的相一巨作用,对边缘方向不敏感,并能在很大程度上抑制噪声和探测真正的边缘。同时数学形态学在图像处理方面还具有A观上的简单性和数学上的严谨性,在描述图像中物体形状特征卜具有独特的优势。因此,将数学形态学用于边缘检测,既能有效地滤除噪声,又可保留图像中的原有细节信息,具有较好的边缘检测效果。用形态学方法进行边缘检测的图像如图5所示。

图5

用形态学方法进行边缘检测的图像

Fig.5

Image

after

edgedetection

with

morphological

用数学形态学运算进行边缘检测也存在着一定的不足,比如结构元素单一的问题。它对与结构元素同方向的边缘中,可以考虑用多方位的形态结构元素,运用不同的结构元形态学理论在图像分割中的应用比较有代表性的是Luc遗传算法是基于自然选择和基因遗传学原理的随机搜对于图像的边缘提取,采用二阶的边缘柃测算子处理后万 

方数据且速度慢,所以学术界提出了一种二次搜索寻优的阈值选取策略。通过遗传算法进行边缘提取阈值的自动提取,能够显著地提高阈值选取的速度,可以对视觉系统所产生的边缘图像进行阈值的实时自动选取,增强了整个视觉系统的实时性和鲁棒性。

4.3基于分形的边缘检测方法¨u

任意一幅图像都是有灰度的、非严格自相似的,不具有整体与局部的自相似,但却存在局部之间的自相似,即从局部上存在一定程度近似的分形结构。正是由于存在局部之间的相似性,就可构造图像的迭代函数。分形几何中的压缩映射定理,可以保证局部迭代函数的收敛,而分形几何中的拼贴定理,就允许一个完整图像分成若干个分形结构,即构成一个迭代函数系统。有了这个迭代函数系统,就必然决定了唯一的分形图形。这个图形被称为迭代函数系统的吸引子。因此,压缩映射定理和拼贴定理,构成r分形在图像处理中的核心部分。

对于给定的一幅图像,寻找一个迭代甬数系统,使它的吸引子与原图像尽量地去吻合,因为迭代函数系统的吸引子与原图像问必然存在着差异,图像中的每个子图分形结构也不同程度上存在差异。因此,子图的分形失真度大小不一,处在边缘区的子图的分形失真度比较大,而处在平坦区或纹

理区子图的分形失真度相对比较小。据此,就可以利用图像边缘在分形中的这一性质来提取图像的边缘。

5基于特定理论的分割方法

图像分割至今尚无通用的自身理论。随着各学科许多新理论和新方法的提出,出现r许多与一些特定理论、方法相结合的刚像分割方法。

5.1

基于聚类分析的图像分割方法

特征空间聚类法进行图像分割是将图像空间中的像素

用对应的特征空间点表示,根据它们在特征空间的聚集对特征空间进行分割,然后将它们映射回原图像空间,得到分割结果。其中,K均值、模糊C均值聚类(FCM)算法是最常用的聚类算法。K均值算法先选K个初始类均值,然后将每个像素归入均值离它最近的类并计算新的类均值。迭代执行前面的步骤直到新旧类均值之差小于某一阈值。模糊C均值算法是在模糊数学基础上对K均值算法的推广,是通过最优化一个模糊目标函数实现聚类,它不像K均值聚类那样认为每个点只能属于某一类,而是赋予每个点一个对各类的类属度,适合处理事物内在的不确定性。利用模糊c均值(FCM)非监督模糊聚类标定的特点进行图像分割,可以减少人为的干预,且较适合图像中存在不确定性和模糊性的特点。

FCM算法对初始参数极为敏感.有时需要人工干预参数的初始化以接近全局最优解,提高分割速度。另外,传统FCM算法没有考虑空间信息,对噪声和灰度不均匀敏感。5.2基于模糊集理论的分割方法

模糊理论具有描述事物不确定性的能力,适合于图像分割问题。近年来,出现r许多模糊分割技术,在图像分割中

的应用日益广泛。目前,模糊技术在图像分割中应用的一个

敏感,而与其不同方向的边缘或噪声会被平滑掉,即边缘的方向可以由结构元素的形状确定。但如果采用对称的结构元素,又会减弱对图像边缘的方向敏感性。所以在边缘检测素的逻辑组合检测出不同方向的边缘。梁勇等油1人构造的8个方向的多方位形态学结构元素,应用基本形态运算,得到8个方向的边缘检测结果,再把这些结果进行归一化运算、加权求和,得到最终的图像边缘。该算法在保持图像细节特征和平滑边缘等方面,取得了很好的效果。

Vincent等一1人提出的分水岭(Watershed)算法,研究人员至今已提出了多种基于分水岭的形态学分割方法。。0j。4.2基于遗传算法的边缘检测方法

索算法,其核心问题足寻找求解优化问题的效率与稳定性之间的有机协调性,即所谓的“鲁棒性”。科学家们进行了大量的研究工作,并成功地将它们运用于各种类型的优化问题,在分割复杂的图像时,人们往往采用多参星进行信息融合,在多参量参与的最优值的求取过程中,优化计算是最重要的,把自然进化的特征应用到计算机算法中,将能解决很多困难。遗传算法的出现为解决这类问题提供了新而有效的方法,它不仅口r以得到全局最优解,而且大量缩短了计算时间。

要进行过零点检测,其计算镀很大而且硬件实时资源占用大第1076-页

2009年12月

世界科技研究与发展计算机与信息技术

显著特点就是它能和现有的许多陶像分割方法相结合,形成一系列的集成模糊分割技术,例如模糊聚类、模糊阈值、模糊边缘检测技术等。

模糊阈值技术利用不同的S型隶属函数来定义模糊目标,通过优化过程最后选择一个具有最小不确定性的S函数。用该函数增强日标及属于该目标的像素之间的关系,这样得到的S型函数ude交叉点为阈值分割需要的阈值,这种方法的困难在于隶属FI自数的选择。基于模糊集合和逻辑的分割方法是以模糊数学为基础,利用隶属图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题。该方法在医学图像分析中有广泛的应用,如薛景浩‘”。等人提出的一种新的基于图像间模糊散度的阈值化算法以及它在多阈值选择中的推广算法,采用了模糊集合分别表达分割前后的图像,通过最小模糊散度准则来实现图像分割中最优阈值的自动提取。该算法针对图像阈值化分割的要求构造了一种新的模糊隶属度函数,克服了传统S函数带宽对分割效果的影响,有很好的通用性和有效性,方案能够快速正确地实现分割,且不需事先认定分割类数。实验结果令人满意。5.3基-T/J,波变换的分割方法¨列

小波变换是近年来得到r广泛应用的数学工具,它在时域和频域都具有良好的局部化性质,而且小波变换具有多尺度特性,能够在不同尺度上对信号进行分析,因此在图像处理和分析等许多方面得到应用。

基于小波变换的阈值图像分割方法的基本思想是首先由二进小波变换将图像的直方图分解为不同层次的小波系数,然后依据给定的分割准则和小波系数选择阈值门限,最后利用阈值标出图像分割的区域。整个分割过程是从粗到细,有尺度变化来控制,即起始分割由粗略的L2(R)子空间上投影的直方图来实现,如果分割不理想,则利用直方图在精细的子空间E的小波系数逐步细化图像分割。分割算法的计算馈与图像尺寸大小呈线性变化。5.4基于神经网络的分割方法¨41

近年来,人工神经网络识别技术已经引起了广泛的关注,并应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数,然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接,容易引入宅间信息,能较好地解决图像中的噪声和不均匀问题。选择何种网络结构是这种方法要解决的主要问题。5.5基于水平集的分割方法

水平集方法是近年来图像处理领域比较热门的一种方法,它对于二维和高维问题具有相同的表达形式,能有效地处理变拓扑结构。变分水平集方法不仅具备上述优点,还能有效地集成多种模型成分,被广泛应用于图像分割、运动跟踪、三维重建等研究。在图像分割中,Chan

andVese‘15J首先

以简化的Mumfo一.Shah模型和水平集方法为基础,建立了分

段常值两相图像分割的变分水平集c-V模型;Vese。16.用N

个水平集函数表达2N个相,将提出的模型推广到分段常值

和分段光滑的多相闭像分割。

近年来,国内众多学者对图像分割的水平集方法的研究

I,OllYli3.globesci.con'L

万 

方数据和应用给予了关注,朱付平等¨7】、陈强等‘161对水平集速度函数的设计,李俊等mj对该类模型快速算法的设计,肖亮等’驯对分段光滑图像多相分割的研究等.潘振宽等㈡㈤建立了一种新的三维图像多相分割的方法。图6为用两个水平集分割真实的三相MRI医学图像。

(a)原始陶像(b)训始化|垄I像‘c)分副的锚朱

图6真实医学MRI图像的分割

飚.6

SegmentationofrealmedicalMRl

image

5.6基于均值迁移的分割方法

均值迁移(MeanShift)算法是一种搜索与样本点分布最相近模式的非参数统计方法,它是1995年由Fukunaga和Hostetler㈤首先提出的。Chengl24’对其进行了发展,并将其引入图像分析领域。Comaniciu和Meer∞西1成功地将其应用到图像特征空间的分析中,并验证了均值偏移过程的收敛性,使得均值偏移在图像分割、目标跟踪等领域得到了广泛

的应用。

基于均值漂移的图像分割算法在保留边缘信息等方面有很大的优势,并且算法实现简单,其缺点是计算量较大。对均值迁移算法的改进主要有两种方向:一是选取不同的核函数以期获得更为优越的性能,如伊怀锋一¨等人选用的Ep-anechnikov核函数是各向同性函数,特征向鼍巾各个参数权重相同,有时为了侧重表达空间信息或色彩信息,可以选择各向异性核函数。28】,得到更佳效果;二是寻找更为便捷的搜索算法寻找模式点.提高算法的速度。遍历图像寻找模式点耗时较多,可以随机选取部分像素为初始点,进行均值偏移运算,得到一定数量的模式点,然后根据选定的窗宽对所有像素进行聚类。该方法虽然牺牲丫精确性,但可以有效节省时间,获得实时性,在视频分割领域应该可以获得理想的效果。

基于图论的图像分割是近年来图像分割领域的一个新的研究热点。该方法也是一种基于像素特征的图像分割算法,不同的是将一幅图像抽象为一个无向图,每个像素点对应着图中的一个节点,通过不断合并图结点,将这个图分割为多个连通分量,进而实现一幅图像分割。它将图像分割问题转化为最优化问题,是一种点对聚类方法,对数据聚类也具有很好的应用前景。这种方法是由Felzenszwalb等。列引入到图像分割领域的。目前,基于图论的图像分割方法的研究主要集中在以下几个方面:(1)最优剪切准则的设计;(2)谱方法用于分割;(3)快速算法的设计;(4)其他图论分割方法。

对图像分割算法的研究已有几十年的历史,借助各种理论至今已提出了上千种各种类型的分割算法。尽管人们在图像分割方面做了许多研究工作.但由于尚无通用分割理

第1077-页

5.7基于图论的分割方法

6总结和展望

计算机与信息技术

世界科技研霓与发展

2009年12月

论,因此现已提出的分割算法大都是针对具体问题的,并没有一种适合于所有图像的通用的分割算法。但是可以看出。图像分割方法正朝着更快速、更精确的方向发展,通过与各种新理论和新技术结合将不断取得突破和创新。

参考文献

【1】MilanSonka,VadavHhvac,Roger

Boyle.Image

Processing.Amdy-

sis,andMachine

Vision[M].人民邮电出版社,2003

[2]章毓晋.图像分割[M].北京:科学出版社.2001

[3]韩思奇,王蕾.图像分割的阈值法综述【j].系统工程与电子技

术,2002,24(6):91~94

[4]魏伟波,芮筱亭.图像边缘检测方法研究[J].计算机工程与应

用.2006。42(30):88—9l

[5]Edwardceesing[J].SPIE删Engineering

R.Dou#erty。Anintroduction

to

rnorpholosiealimage

pro-

Press,VOLT19,1992

[6]R.M.Haralick.S.R.SteinbergandX.Zhuang,Imageanalysis

using

mathematical

morphology[J].IEEETrans.OnPartAnal.MachineIn-

tell.VOL,PAMI一9:532—550.1987

[7]张翔,刘媚洁,陈立伟.基于数学形态学的边缘提取方法[J].电

子科技大学学报,2002,31(5):492~495

[8]梁勇,李天牧.多方位形态学结构元素在图像边缘检测中的应用

[J].云南大学学报.1999,l(5):392—394[9]LueVincent。PierreSoftie.Watersheds

in

di#tals”c∞:¨efficient

algorithmbased

oo

immersion

simulations[J].IEEETrans.OnPat・

ternAnalysisandMachineIntelligence,1991,13(6):583—598

[10]Meyer

F,Beucher

S.Morpholngicalsegmentation[J].JournalofVis-ualCommunication

and

Image

Representation。1990。1:21—46

[11]罗强.任庆利,杨万海.基于分形理论的图像边缘提取方法[J].

通信学报,2001,22(11):104—109

[12]薛景浩。章毓晋,林行刚.等.基于特征散布的图像FCM聚类分

割[J].模式识别与人工智能,1998.Il(4):462~467

[13]陈武凡.小波分析及其在图像处理中的应用[M].北京:科学出

版杜,2002

[14]GhoshA,PalNR.PalSk.Imagesegmentationusing

neutral

net-

work[j].BidCybem。1991,66:151[15]ChartT,Vese

L.Activecontours

without

eases[J].IEEETramac・

tions

on

IInt培e

Processing,2001,10(2):266—277

第1078页

万 

方数据[16]VeseL.Muhiphaseobjectdetectionand

image

segmentation[J].IlI

GeometricLevelSet

MethodsinImaging,Vision,and

Graphics.

Springer,2003:175—194

[17]朱付平,田捷,林瑶。等.基于LevelSet方法的医学图像分割

[J].软件学报。2002,13(9):1866—1872

[18]陈强,周则明,屈颖歌,等.左心室核磁共振的自动分割[J].计

算机学报,2005.28(6):991—999

[19]李俊,杨新。施鹏飞.基于Mumford—Shah模型的快速水平集分

割方法[J].计算机学报,2002,25(11):1175—1183

[20]肖亮,吴慧中,韦志辉。等.图像分割中分段光滑Mumford—Shah

模型的水平集算法[J].计算机研究与发展,2004,41(1):129—

135

[21]Pan

K,LiH.WeiWB,GuoZhB.AVariational

LevelSet

Method

forMultiphase

Image

Segmentation[J].ICAHP2008,PP.525—

530.2008

[22]潘振宽。李华,魏伟波,等.图像多相分割的变分水平集方法

[J].2008第八届全国虚拟现实与可视化学术会议。系统仿真学报,2008。20(增刊):417—419,431

[23]KeinosukcFukunngaandLBrryHostetler.Theestimationofthe

gra・

dient

of

densityfunction

with

applications

in

patternrecognition

[J].IEEETransactions

on

Information

Theory,1975,21(1):32—

40

[24】Yizong

Cheng.Meanshift,modeseeking,and

clustering[J].IEEE

Transactions

on

PatternAnalysisandMachineIntelligence,1995,17

(8):790—799

[25]ComaniciuD,MecrP.Meanshiftanalysisandapplications[J].hI

Pmc.InttConf.ComputerVision,1999,1197—1203

[26]ComaniciuD,MeerP.Robust

Analysis

ofFeature

Spaces:ColorIm-

age

Segmentation[A].CVPR97:750—755

[27]伊怀锋,黄贤武.基于均值偏移的彩色图像分割算法[J].计算

机应用,2006,26(7):1605—1606,1610[28]WangJ。THlESSONB,XU

Y.et

a1.Imageandvideosngementation

byanieotropickernel

mean

shift[A].PAlDLAT,MATASJ,ed.Ec—

CV2004,LNCS3022,2004:238—249

[29]Felzenszwalb

F.Huttenleeher

P.Efficientgraph—based

I瑚学

segmentation[J].InternationalJournalof

ComputerVision。2004.59

(2):167—18l

作者简介

魏伟波IWEIWeibo.1981一).男,博士,讲师,主要研究领域为目标识别与跟踪、图像处理等。

(责任编辑:高利丹)

图像分割方法综述

作者:作者单位:刊名:英文刊名:年,卷(期):

魏伟波, 潘振宽, WEI Weibo, PAN Zhenkuan青岛大学信息工程学院,青岛,266071世界科技研究与发展WORLD SCI-TECH R & D2009,31(6)

参考文献(29条)

1. 陈武凡 小波分析及其在图像处理中的应用 2002

2. 薛景浩;章毓晋;林行刚 基于特征散布的图像FCM聚类分割 1998(04)

3. 罗强;任庆利;杨万海 基于分形理论的图像边缘提取方法[期刊论文]-通信学报 2001(11)4. Edward R.Dougherty An introduction to morphological image processing 19925. 魏伟波;芮筱亭 图像边缘检测方法研究[期刊论文]-计算机工程与应用 2006(30)6. 韩思奇;王蕾 图像分割的阈值法综述[期刊论文]-系统工程与电子技术 2002(06)

7. Felzenszwalb P F;Huttenlocher D P Efficient graph -based Image segmentation[外文期刊] 2004(02)8. Wang J;TH lESSON B;XU Y Image and video segementation by anisotropic kernel mean shift 20049. Luc Vincent;Pierre Soille Watersheds in digital spaces:an efficient algorithm based on immersiousimulations 1991(06)

10. 梁勇;李天牧 多方位形态学结构元素在图像边缘检测中的应用[期刊论文]-云南大学学报 1999(05)11. 张翔;刘媚洁;陈立伟 基于数学形态学的边缘提取方法[期刊论文]-电子科技大学学报 2002(05)12. R.M.Haralick;S.R.Steinberg;X.Zhuang Image analysis using mathematical morphology 198713. 章毓晋 图像分割 2001

14. 伊怀锋;黄贤武 基于均值偏移的彩色图像分割算法[期刊论文]-计算机应用 2006(07)

15. Comaniciu D;Meer P Robust Analysis of Feature Spaces:Color Image Segmentation[CVPR97] AD-A084920,NCEL

16. Comaniciu D;Meer P Mean shift analysis and applications 199917. Yizong Cheng Mean shift,mode seeking,and clustering 1995(08)

18. Keinosuke Fukunaga;Larry Hostetler The estimation of the gradient of a density function withapplications in pattern recognition 1975(01)

19. 潘振宽;李华;魏伟波 图像多相分割的变分水平集方法[期刊论文]-系统仿真学报 2008(zk)

20. Pan Z K;Li H;Wei W B;Guo Zh B A Variational Level Set Method for Multiphase Image Segmentation2008

21. 肖亮;吴慧中;韦志辉 图像分割中分段光滑Mumford-Shah模型的水平集算法[期刊论文]-计算机研究与发展2004(01)

22. 李俊;杨新;施鹏飞 基于Mumford-Shah模型的快速水平集分割方法[期刊论文]-计算机学报 2002(11)23. 陈强;周则明;屈颖歌 左心室核磁共振的自动分割[期刊论文]-计算机学报 2005(06)24. 朱付平;田捷;林瑶 基于Level Set方法的医学图像分割[期刊论文]-软件学报 2002(09)25. Vese L Multiphase object detection and image segmentation 200326. Chan T;Vese L Active contours without edges 2001(02)

27. Ghosh A;Pal NR;Pal Sk Image segmentation using a neutral network 1991

28. Meyer F;Beucher S Morphological segmentation[外文期刊] 1990

29. Milan Sonka;Vaclav Hiavac;Roger Boyle Image Processing,Analysis,and Machine Vision 2003

本文链接:http://d.g.wanfangdata.com.cn/Periodical_sjkjyjyfz200906027.aspx


© 2024 实用范文网 | 联系我们: webmaster# 6400.net.cn