《毕业设计外文资料翻译--图像分割方法的简要综述》由会员分享，可在线阅读，更多相关《毕业设计外文资料翻译--图像分割方法的简要综述（18页珍藏版）》请在金锄头文库上搜索。
1、毕业设计外文资料翻译学 院： 专业班级： 学生姓名： 学 号： 指导教师： 外文出处：(外文) Foundation of Computer Science 2015，DISP 2015(1):1-5 附 件：1.外文资料翻译译文； 2.外文原文 指导教师评语：签名： 2015年10月14日1外文资料翻译译文图像分割方法的简要综述摘要图像分割是将整个图像拆分成多个部分。在图像分析的情况下，图像处理的关键步骤之一是图像分割。分割的图像关注的可能是类似或不相似的子部分的特征。图像分割的输出结果是对图像的分析，更是对图像的进一步处理。图像的分析包括对图像的描述、对图像的表示以及特征的度量。因此，图像
2、中的特性描述、某些部分的形象化描述在分割的图像中有着重要的作用。这项调查说明了一些图像分割的方法。关键词 分割 图像分割 图像分析1.介绍我们必须要有图像去做分割。图像可能是黑色图像，白色图像或者彩色颜色的图像。图像的颜色是由灰度的水平决定的1。在彩色图像的情况下，图像的颜色随灰度的变化而变化。图像分割是图像分析的一个难点之一，其目标是通过图像分割、特征提取、对象表示等方法提取图像数据相对应的信息。图像分割的结果很大程度上依赖于特征测量的精度2。图像分割过程是分裂整个图像的构成成分并获取感兴趣的对象。图像分割的自动化可以提取，但分割结果的可能是剩余图像分析阶段的麻烦3。根据图像分割方法2，它可
3、能已被分组为2种进行特征描述和比较。特征描述可能被视为内技术程序，作为比较程序可能被视为技术帧。根据不同的方法，图像分割2技术被归类为不连续性检测和相似性检测，这取决于两个图像属性。不连续性检测：边缘的寻找需要这个属性包含图像分割算法。图像强度5改变并分割图像。边缘检测只不过是基于边界区域的像素67分割。边缘可以说明所涉及的图像8的相邻组件的边界。相似性检测：根据预先设定的标准4对图像进行划分，看起来像是一样的区域，它包含图像分割的算法，例如区域分割和区域合并，区域增长，阈值分割等。阈值9是一般根据区域中的图像被符号化为像素的值小于阈值，大于或等于阈值来进行分割。阈值可以用来处理一幅图像10中
4、需要消除不想要的部分。聚类111213也是一种区域分割的方法，根据整个图像的像素集群或包含在67特征空间中的相似性。2.分割方法的分类图像分割的方法主要有2种，局部分割和全局分割。全局分割关系到整个图像分割。通常情况下，它与分割部分包括相对大量的像素67，全局分割的构造部分所包含的估计值的参数是鲁棒的。从3个不同的角度来看待一个图像的分割，即区域法、边界法、边缘法。当任何像素都适合于目标，该像素代表一个值，否则代表零值。阈值分割是处于图像分析和底层图像处理过程之中414。随后的整个分割之中，像素67对应一个目标。结构方法对分割区域的结构进行一些信息的练习。随机方法处理那些不知道或不考虑任何结构
5、知识的地区的孤立的像素。统计分析是随机方法4所依赖的方法之一。混合方法4包括那些具有结构的特征以及随机的方法。3. 边缘检测技术图像的强度的事实，关于边缘的位置，只是简单地给出不完整的，初步的数据。边缘检测方法6发现区域边界上的像素。边缘检测方法通过注意到不同的区域之间的像素或边缘有快速过渡的强度提取215和耦合，试图确定图像分割并且创建封闭的对象的边界。输出结果是一个二进制值图像5。从成像过程到之后的传输过程中，采样噪点的存在是不确定性出现的原因之一。不确定性出现的另一个原因的是任何测量的设备都是有缺陷的，其结果仅仅是部分检查。这意味着边缘检测方法由于被限制通常是不适定的，因此可能没有单一的
6、解决方案。图像中的那个位置的强度迅速改变是最简单的方法去寻找图像的边缘，它有以下两个条件：一是哪个位置的强度衍生的幅度超过某个阈值，二是某个位置的强度具有零值。边缘检测方法13是图像分割方法中的一种结构方法。依据理论，有2种基于基本边缘分割的方法：基于梯度的方法，灰度直方图1。在一种边缘的方法中，边缘首先被确认，然后将它们连接在一起以创建所需的边界。边缘探测器具有不同边缘检测算子，例如 canny 算子，Laplace算子，Sobel 算子，LoG (Laplacian of Gaussian) 运算符等。边缘检测技术需要优质的图像因此它想要消除噪点或减少噪点。4. 阈值技术图像分割的一个最简
7、单的进展是根据像素的值。该方法是使用取决于阈值的分割，这可能帮到简单的区域生长。根据提前理解的图像信息，可能自身当选阈值算法。阈值算法另外分离区域的基础，要么基于边缘的要么基于混合的。基于边缘的算法通常与边缘数据相关联。对象的组成可以通过边缘点来说明。常规的边缘检测算法如Laplacian边缘检测算子、Canny边缘检测器可以划分这样的地区。这些算法被用来搜索边缘像素，同时去除噪点的影响。阈值是比较老的，简单的，公认的图像分割方法16。图像通过阈值分割是容易的，但在阴沉的环境中2，指挥的图像分割方法包括轻目标。阈值法是取决于在图像特征1的图像空间领域。行动阈值将多级图像转化为二进制值之一，它选
8、择一个合适的阈值T，将图像的像素划分在在众多领域，然后将对象去除背景。阈值操作用以确定强度的值称为阈值，这就是划分的类。分割是通过像素强度大于阈值的划分在一个类中，剩余的划分在另一个类中。根据阈值的选择，存在132种阈值技术，分别是局部阈值，全局阈值。根据 Sankar K PAL，PAL Nikhil R Pal15所做的图像阈值分割方法研究。阈值也可以分为双阈值，多阈值16。如果T是稳定的值，则该技术被称为全局阈值，否则它被称为局部阈值。如果背景启示是不规则的，全局阈值技术可能是不成功的。在局部阈值的情况下，几个阈值被用来补偿不规则的启示17。阈值的选择通常发生在交互方式，它可能获得自动阈
9、值选择算法。阈值技术的缺点是仅有2个分类，它不能是有用的多通道图像。5. 区域分割技术R表示图像的区域，并表示为一个图像相对于纹理或灰度级的标准的连通的均匀子集。图像区域是具有类似的特征的连接的像素的集群。在这种方法中，每个像素被分配到特定的区域或对象中。与边缘检测技术相比较，对区域相关的分割算法进行评价是相当费力的并且更不受噪点影响118。边缘相关技术是以边缘附近的强度迅速变化为基础的，而区域为基础的技术，根据一组预先指定的标准58划分图像到类似的区域。对于依赖于区域的分割，与目标相对应的像素被装配在一起并标记。此外，以区域为基础的分割，需要利用合适的阈值方法。重要的原则是值相似，包括灰度值
10、的方差、灰度值和空间接近的差异，包括欧氏距离，区域紧凑的差异。区域分割算法主要包含以下几个方面：区域生长、区域分裂和合并。区域生长3是在加入一些预先指定的标准的基础上，挖掘出一个图像区域过程。这个标准取决于强度的信息。区域生长是图像检查相邻像素并插入到没有被发现的无边缘区域类的分割方法。这个过程在每一个边界像素的区域内重复执行。如果相邻区域被检测到，则利用区域合并算法，在该区域中，脆弱的边缘被熔化，并且边缘保持完好。分裂和合并方法是区域增长的矛盾。此方法作用于整个图像。区域分裂是一种自上而下的方式。它从一个完整的图像开始，并将它拆分出来，使孤立的元素比整个图像更均匀。只有分裂是不足够，因为它严
11、格限制了段形状。因此，合并阶段晚于分裂所有的时间是有利的，这是表示为分裂和合并算法。每个区域都可以分为子区域，合适的区域可以合并为一个区域。不选择种子点的，可以将图像分成一组随机未连接的区域，使合并后的区域12适应图像的合理分割的情况。一般采用依赖于四叉树的数据的区域分裂和合并理论。区域分割与合并是一种获取空间信息转化为思维的方法。在区域分裂技术中，选择R代表整个图像。选择一个谓词P，连续将图像分割成较小的和次要的象限区域。分裂方法有一个合适的描述形式的结构被称为四叉树。在四叉树中，树的根表示整体形象，每一个节点代表部分。在区域合并技术中，合并类似的任何相邻的区域。重申上述步骤，直到没有进一步
12、的分裂或合并发生。该方法将输入的数据布置成一个金字塔形的网格排列的区域，每一个区域的组织在4组二维的情况下，8组三维的情况下的物理交易将不需要在这个方法。但缺点是，它需要输入的数据被组织成一个金字塔形的安排，这可能是棘手的19。6. 集群技术在图像处理中聚类是一项重要任务。聚类1112是一种无监督的学习工作，同时还设有要求看到一组有限的类称为集群识别像素13。不是没有训练阶段就用于聚类分析;而是自己利用现有的信息进行训练。当类中事先被承认则主要利用聚类。一个对应的标准是描述像素之间2，后来人们将类似像素组装共同创建集群。像素分组是取决于开发内部相类像素并削减跨类相似的规律。聚类方法试图使用一套
13、由生物模式之间的隶属关系在群集或群体的模式，以便集群内部的图案是类似于外彼此作为比较不同的集群模式。聚类结果质量依赖于相似性度量方法和其执行。聚类技术20的将创建优质集群具有高类内相似和低类间相似。聚类技术的卓越还审议了由其发现的能力。聚类根据这些对象的某些物品是什么，对对象分类成组。在聚类方法，努力开展挖出一个向量图像局部地区。聚类分析的一般过程是将每个像素分配给附近的群集均值。聚类算法分为k-均值聚类、模糊聚类、硬聚类等。一个著名的硬聚类算法21是 k-均值聚类算法。在硬聚类中，一个成员值 0 或 1 是给每个模式数据。工作很简单，提供早期硬 c-分区，它计算中心，并将每个对象分配给其附近
14、的中心以减少群集内变化。它进行了实验比较当前和先例的分区，每次迭代后如果成果的多样性较小比带前缀的阈值，它会停止否则它继续下去。统计聚类算法只不过是 k-均值算法。数据聚类是产生对象组的技术。K-均值算法是取决于索引的肖像或组件的数据中，夫妻双方似是而非。K-均值算法是无监督、迭代、数值、非数值和技术。这种形式的算法钦佩率真、成就和它普遍用于分组图像中的像素。空间聚类技术，越来越多的形状信息。模糊聚类技术可以被认为是较好，表现为硬等价类的比较因为他们可以显示之间的输入的模式的信息，加入集群更毫不奇怪。模糊c-均值22是一种深受人们喜欢的软聚类的技术，其有用性是大多限于球形的聚集体。在许多情况下
15、，它是非常灵活的屁股比较等效硬聚类算法。聚类技术可以分为 2 种类型;分层、分块。在每个类别中，存在许多种类的搜索聚类算法。层次聚类方法是取决于对接近利用矩阵显示之间的数据点，是每一对夫妇肖像聚集的最终结果是簇树显示嵌套的模式组和相似性程度分组会发生变化。由此产生的集群通常会产生作为内部的树节点，作为根节点存放整个数据库和节点在叶为单独的数据样本。取决于聚类分区利用旨在减少目标函数 f 的迭代优化生产，确定聚类的好意。这种聚类是包含 2 学习步骤;每个模式对其关闭的群集和群集的质心计算分区。7. 人工神经网络技术神经网络是人类大脑的人工模拟，它试图模仿它的学习过程。人工神经网络2425通常被称为神经网络或仅仅是神经网络。迄今为止，神经网络被广泛应用于医学流图像分割。它是依赖于生命的模仿，特别是人类大脑的学习过程，包含了大量的并行节点
