关于图片分割的外文中文翻译

《关于图片分割的外文中文翻译》由会员分享，可在线阅读，更多相关《关于图片分割的外文中文翻译（36页珍藏版）》请在金锄头文库上搜索。

1、3外文文献翻译一种可重构的嵌入式彩色图像分割处理软件系统摘要 ：图像分割是图像分析和计算机视觉第一重要和最困难的步骤之一，它也被认为是机器视觉中最古老的问题之一。 最近， 几个分割算法已经迅速发展起来， 包括制定阈值，边缘定位和区域增长，这些为更快的图像/视频分析和识别系统的发展提供了很好的机会。此外，模糊分割算法本质上有助于区域的合成，更好地显示物体。这些算法有着细微的差别，但是都还不错。因此，算法的选择是基于主观标准的，或者基于应用程序本身。在这里，我们针对模糊推理分割（FRS）提出一种低成本的嵌入式可重构体系结构。FRS 有三个阶段（平滑，边缘检测和实际分割） 。初始的平滑操作是为了去除

2、噪点，平滑和边缘检测算法也包括在这个程序步骤中。分割算法利用了边缘信息和平滑后的图像， 用来找到图像中的区域。 在这项工作中 FRS 分割算法被选择是依赖于它在一些列应用中展现的可靠性能。 （面部检测，运动检测，自动目标识别（ATR） ） ，并且它开发成本低，有着可重构的计算平台，旨在低成本的应用。特别要提的是，本文提出的实现平滑，边缘检测和颜色的分割算法，使用 Stretch S5000 处理器，并且通过使用 Matlab 软件实现，最后对它们进行对比。在本文中，这种新的体系结构和替代技术、基准测试和比较结果，都进行了详细介绍。这是第一次我们看到了同时具有高吞吐量，出色的性能（至少在基准测试

3、中）和低成本的实现。关键字：可重构，图像分割，可嵌入式系统，架构41 介绍1.1 分割在过去的三十年中， 许多计算机视觉， 模式识别， 图像分析和目标提取系统已开发。同时，模糊和半模糊聚类算法也提出了提取和识别定义对象的功能。为了让这些算法和系统成功，它们一般都拥有强大的平滑或分割技术做开始。因此，几乎所有的视觉和模式识别方法中，图像分割都是一个重要的开始步骤。一些研究已经把分割算法归类，如阈值或聚类， 边缘检测， 区域增长/合并和其他分割算法。 特别地， S.U. Lee 和 S.Y. Chung 表明，双峰图像，就是只有一个对象，其余是它的背景这种图像，阈值方法会显示较好的效果。然而，当对

4、象区域相比背景区域显得很小的时候，或者当对象和背景的灰度范围在同一水平时，选择一个好的阈值是很困难的。这种技术的另一个缺陷是，当图片中存在多个对象时也会出现问题。在这种情况下，寻找骤变的峰谷直方图使方案进一步复杂化，分割的结果可能会很差。边缘检测是相关的图像分割的另一种方法。边缘被定义为被检测到的灰度级或色彩急剧变化的位置。然而，在此操作中，很难保持检测到的边缘的连续性， 区域必须始终由一个连续的边缘包围。 区域增长/合并是第三种图像分割的方法。在这种情况下，大的区域很容易被检测到，之后，小的区域可以使用相同的标准合并。区域增长/合并一个不利的地方在于，这种方法固有5的有序性。通常情况下，各区

5、域产生的顺序取决于这些区域的增长和合并的顺序。1.2 颜色分割架构文献中报道了许多不同的颜色分割的方法。其中一个重要的方法是双色反射模型发展而来的。它描述了颜色的反射光的表面反射（亮点）和物体的反射（物体颜色）的线性组合。使用这种模式，区域增长和合并法显示出了令人印象深刻的结果。在该方法中，一个物体上高亮度的区域和无光泽的区域合并了。然而，使用不恰当的阈值会使它的性能退化。有一些分割方法，它们不在 RGB 空间里分割彩色图像，因为它们和色彩的理解模型不切合。相反的，它们选择其他的颜色空间，比如 HIS 或者 YUV，这些都比 RGB 色彩空间显示出了更好的效果。这些图像分割过程融合了边缘检测方

6、法来产生更好的结果。基于近似推理或模糊推理的分割产生了可喜的成果。Huntsberger 定义颜色的边缘为每个像素成员函数值的差异为零。 通过使用了 C 迭代分割算法得到了模糊算法成员函数值，尽管 C 迭代算法由于本身性质来说是耗时的。Lim 提出了一种自动化的从粗到细的分割方法。这种方法基于阈值直方图和 C 迭代算法。Lambert 和 Carron 提出了一个有趣的方法，结合色彩空间（根据相关色度处理和明确色相的界6定） ，以系统规则为基础用符号表示（使用颜色和亮度功能，以确定像素的同质性） 。近年来，更多的基于色彩和纹理的分割技术被引入用作于大多数图像研究中，尤其是在彩色纹理的自然场景图

7、像中。许多著作和文献中都有大量的对人类颜色和纹理感知的研究结果和应用，例如均匀的色彩空间和滤波器。因此，大部分的分割方法都把色彩和纹理作为图像分割功能实现的关键。最近，把色彩和纹理结合起来，试图增强色彩和纹理分割性能的方法正在努力研究中，也就是颜色纹理分割，其中包括区域增长法，分水岭技术，边缘流技术，基于模型的随机分割法。Markov 模型的色彩分割应用也被研究。最后，Boyokov 等人基于图像分割技术原理提出了一种颜色-纹理分割方法，把它看做一个加权图中最小的切割问题，来找到一个最佳的色彩纹理切割。文献中有很多色彩分割算法的架构和硬件实现。 Perez 和 Koch 提出了一种简化的适合执

8、行在模拟集成电路上的色相描述。他们首次设计、制造并模拟了 CMOS 超大规模集成电路来计算标准化色相和色调。 Stichling 和 Kleinjohann 提出用硬件实现颜色分割算法， 通过使用区域增长和合并法在飞利浦 Trimedia 微控制器上实现。这种系统每秒可处理 25 帧小图像，使用 HW-SW 系统。Leclerq 和 Braun 在一个 32 位的摩托罗拉的控制器上实现了颜色分割算法，处理了一张 80*60 的图像。该系统用于机器人杯比赛，能在大约 0.02 秒内识别小物体。Saffiotti 提出了种子区域增长算法的实现，用特定的使用了阈值技术的 CDT 设备在索尼 AIBO

9、 机器人7身上实现。Johnston 等人做了一个系统，使用了 FPGA，实现了颜色分割和对象跟踪并提供实时处理。Koo 等人做出了一个系统，用来分析磁共振图像。该系统是一个高性能的可重构的系统，在使用了 4 个 FPGA 的计算机上实现，并达到了五倍的加速比。Dillinger 等人建立了一个基于 FPGA 的程序，实现了三维的分割，并且实现了高性能。Yamaoka 等人提出了一种新的算法，在 FPGA 上实现在 80*60 的视频图像上跟踪 220 个对象。1.3 图像分割系统图像处理系统，如自动目标识别（ATR） ，脸部识别，运动检测等，都需要一个强大和快速的分割算法。因此，这些系统在使

10、用过程中的特征提取和识别的对象只适用于静止图像或视频。例如，一个 ATR 系统包括许多算法的组合，启发式分割，平缓，边缘检测，细化，区域增长，分形等，在不同的条件下选择合适的算法来识别目标。这些算法，特别是平滑、分割和边缘检测，在 ATR 系统中软件完成所需要的时间里，它们占有了显著的时间量。颜色分割是一个研究较多的问题，它在像脸部识别这样的应用程序中使用。因此，这项工作的贡献就是为实现三个耗时部分的 FRS 方法（平滑，边缘检测和色彩分割） 提供了架构和硬件的细节设计， 它被开发为一个独立的硬件来执行特定的程序，称为“黑盒子” 。最终的结果是图像中相同颜色的部分被分割为一个目标物体。这一部分

11、的信息可以被随后的 ATR 系统执行对象在图像中的特征提取这8一步骤所利用。一个完整的系统是一个可重构设计、使用扩展技术的程序。这是一项低成本的技术，可以产生一个嵌入式的子系统。如本文所示，我们将会看到一个嵌入式处理器，紧密耦合的、可重新配置的架构使一个有效的算法得以实现。然而，大量的数据需要在内存、处理器和可重配置的部分之间传送，将对这项工作的深入提出了挑战。Stretch 公司已经开发出 S5000 和 S6000 系列软件配置处理器，这都是基于 Tensilica 的核心 RISC 处理器，开发出来的一个小的嵌入式可重构的部分。整个设计在 C/C+平台上开发，包括剖析代码、映射关键部分的

12、可重构性、使硬件实现指令等。C/C+编程主要用于控制 S5000 处理器。 Stretch C 是一种类似 C 的语言，其中包括一些硬件的扩展实现。Stretch C 主要作为设计处理器中可重构部分的编程语言。本文其余部分安排如下：第 2 节描述 FSR 分割方法的实施。第 3 节描述新的体系结构，其中包括它主要的子系统，它们的互连以及它们在扩展技术上的映射。第 4 节有以前公布的结果和现在实现的效果的一个详细比较。最后，第 5 节会对本工作做出结论。92 FRS 分割方法分割是图像处理使用的步骤之一，目的是在图像中提取一个对象。FRS，本文中所研究的方法，包括三个步骤（在它自我识别之前） ：

13、平滑，边缘检测和颜色分割。分割过程的数据流说明如图 1 所示。在这项工作中，下面将要详细展示，使用了从原始 RGB 图像得来的 HIS（色调，亮度，饱和度）模型，这种方法是很典型的，已经被证明可以工作的很好。 （见第 1 节） 。图 1 FRS 算法的数据流图2.1 平滑算法摄影图像包含由相机或嘈杂介质中的图像传输而引入的噪点。在任何情况下，任何进一步的图像处理应用之前，都必须先移除噪点。最常用的方法是使用过滤器的噪点消除。平滑算法中一个重要思想就是平滑两个相邻像素。该算法允许相邻像素之间有一个模糊算子，其中为每个相邻像素的领域都设置了相应的算子，如图 2 所示。10图 2 领域算子表每个像素

14、的颜色都与它每一个相邻块的颜色进行比较，如图 3 所示。图 3 八个 3*3 的区域相邻和四个边界方向。领域被标做 1 到 到 8 ，以 便带入下面的两个式子计算我们实施的块的大小为 3*3，这样对图像可以达到高度平滑的效果。每一个领域块的平均颜色都按照下面所示的函数公式(1)来进行计算。要做到平滑，必须测量中心像素和所有周围像素域之间的颜色对比度。像素 和领域块 之间的颜色对比，从原始图像 RGB (,)ijb数值中用这些参数通过几何学来表示为下面的式子：(3)33, *pkqssqsqijbpksCC(4)222,2111()()()ijbontrasRGB在这项工作中平滑算法的实现步骤如

15、图 4 所示，并且展示了具体分析。11图 4 关于像素 和 和 3*3 领域块的平滑算法的流程图(,)ij2.2 边缘检测边缘检测是把组成图像的物体分开，且界定边界、区域的一个程序。色相，强度和饱和度（函数的传递参数为 ， 和 ） ，它们是his12用来评估图像内像素边缘强度的一组参数。这些参数是从原始图像的 RGB 值由以下公式算得的：(5)0.49.310.2781.xrgbyz(6)1306()ylY(7)1133005xzaXZ(8)1133002xzb(9)il(10)2sab(11)1tnh在该算法的第一个步骤中， ， 和 的值都用来计算像素周围的is八个 3*3 的领域块 （图

16、3） 。一个物体，无论是色调，亮度，或者是阴影的差异，都具有相同的色相贯穿始终。另一方面， 色相在低饱和度和强度下是不稳定的， 因此色相应该被标准化。 这三个值 （色调，亮度和饱和度）关系到物体边缘算法中边缘的像素值。边缘检测算法的流程图如图 5 所示。13图 5 边缘检测算法流程图142.3 颜色分割算法该分割算法利用了边缘信息和图像平滑信息来找到分割段。这个分割过程遵循以下几个步骤：1. 找到大且易碎的区域。2. 基于同质性标准扩展各区域。3. 基于两色反射模型扩展各区域。4. 基于算子扩展各区域5. 应用一个迭代的过滤器。颜色分割算法的第一个步骤就是找到大且易碎的区域。一旦一个图像的边缘检测被执行，易碎的区域就被边缘像素或图像边界包围。易碎的区域可以被定义为一组完全被边缘像素包围的像素并且只属于一个对象。分割算法的下一个步骤是对区域进行基于特定标准的同