Mean-shift和K均值聚类彩色图像分割技术研究(2)
1.1 图像分割简介
在对数字图像进行分析时，最基础的一项工作就是提取图像中的区域信息，这就需要根据数字图像中各像素所携带的信息如颜色、纹理、灰度等在图像中的分布情况，将图像进行适当的分割。图像分割一直以来都是模式识别与图像处理领域中的重要任务之一，其目的是希望将图像分割成若干不相交的子集，使得每个子集对应到一个有意义的图像的一部分从而达到对图像中感兴趣的对象与图像中的其余部分相分离的目的。
1.1.1 图像分割定义
图像分割就是根据图像中像素点的信息，将图像分成不同的区域，同时要使同一区域的特征尽量一致，而不同区域之问的特征要尽量相异。进行图像分割的目的是帮助易化或改变所分析的图像的表现形式，使其便于研究者理解与分析。分割后的结果是图像上一系列的子区域的合，这些子区域形成的整体覆盖了分割前的整幅图像，不同的分割目的得到的分割结果表现形式不同，也可能是从图像中提取出的各区域的轮廓线的集合。
一幅单个图像定义为二文函数 ， 和 分别表示的是空间坐标，点 上的值 表示的是图像中该点的灰度或者强度。
图像分割借助集合概念可用如下方法定义：
对一幅图像 进行分割操作，使得其符合下述条件的 个子区域 ， ：
（1） ；
（2）对于 ， 是连通的区域；
（3） ，（ ）
（4）对 ，有 ；
（5）对 ，有
上述条件（1）指出分割所得到的全部子区域组成了整幅图像，即分割是将图像中的每一个像素都分进某一个子区域中。条件（2）表明像素在同一个区域内是相互连通的。条件（3）说明了各子区域之间是互不相交的。条件（4）指出图像分割后得到同一区域内的所有像素点满足颜色、灰度等特征的满足某种相似性准则。条件（5）说明不同子区域之间具体在特征上是不相同的。
1.1.2 图像分割的发展及现状
图像分割是图像处理中的一项关键技术，自20世纪70年代起一直受到人们的高度重视，至今已提出上千种分割算法。但因尚无通用的分割理论，现提出的分割算法大都是针对具体问题的，并没有一种适合所有图像的通用分割算法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题.最近几年又出现了许多新思路、新方法或改进算法。
图像分割技术是一种关键的计算机视觉技术，也是图像辨识和理解的基础，通过该技术，能够将原始图像以一种更紧凑、更抽象的方式表现出来，良好的图像分割结果为后续的图像处理步骤打下坚实的基础。由于图像分割技术有着如此巨大的功能，差不多从数字图像处理诞生时开始，研究者们一直在探求优秀的图像分割方法。到目前为止，已经提出的应用在各个领域的图像分割方法就有上千种，较为经典的且常用的有：基于区域的分割方法、阈值分割方法、结合特定理论工具的分割方法和基于边缘的分割方法。
（1）阈值分割法
阈值分割法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阈值法在不同物体或结构之间有很大的强度对比时，能够得到很好的效果。它计算简单，而且总能用封闭而且连通的边界定义不交叠的区域。当使用阈值规则进行图像分割时，所有灰度值大于或等于某阈值的像素都被判属于物体，所有灰度值小于该阈值的像素被排除在物体之外。
基于阈值分割法虽然简单，但在阈值的选取很大程度上影响图像分割的效果，它只考虑像素本身的灰度值，而不考虑图像的空间分布，这样其分割结果就对噪声很敏感，对本事图像分割的人员的先验知识依赖过强。虽然目前出现了各种甚于阈值分割的改进算法。图像分割的效果有所改进，但在阈值的设置上还是没有很好的解决方法，若将智能遗传算法应用在阈值筛选上，选取能最优分割图像的阈值，这可能是基于阈值的图像分割法的发展趋势。
上一篇：铁路监控视频的超分辨率技术研究
下一篇：无绝缘移频自动闭塞系统设计