《彩色图像超像素分割方法论文》由会员分享，可在线阅读，更多相关《彩色图像超像素分割方法论文（25页珍藏版）》请在金锄头文库上搜索。
1、本 科 毕 业 设 计（论文）题 目：彩色图像超像素分割方法副标题学生姓名：窦长红学 号：11072203专业班级：软件工程11-2班指导教师：李宗民2015年 6月14日中国石油大学（华东）本科毕业设计(论文)彩色图像超像素分割方法副标题摘 要在进行图像处理任务时，往往会需要大量的复杂计算，若是以像素为单位会造成时间上和空间上的极大消耗。超像素的提出，很好的解决了这一问题，在后续的图像处理任务中以超像素为单位将会大大降低算法的复杂度。本文主要分析和研究了两种比较好的分割算法，即SLIC算法和SEEDS算法，并对它们进行了编码实现和分析比较。SLIC算法通过将搜索范围限制在一个小范围内，来提高
2、运行速度，但是这样会造成过分割的问题，本文针对这一问题对算法进行了改进。最后，本文利用超像素分割的评判标准对SLIC算法和改进的SLIC算法进行了客观比较。实验结果表明，改进后的算法达到了更好的效果。关键词：超像素；聚类；K-means；SLIC；SEEDSSuperpixels segmentation methods of color imageAbstractIn the image processing tasks, it requires massive calculation frequently, and will cause a great lot of consumption
3、 on time and space if dealt by pixels. The arising of superpixels, has nicely resolved this problem, it can greatly reduce the complexity of the calculation in the subsequent image processing tasks. This paper puts focus on introducing two better superpixels segmentation algorithms SLIC and SEEDS. S
4、LIC algorithm can achieve linear complexity by reducing the superpixel search regions. But this will cause the over-segmentation. So this paper puts forward the improvement for this problem. Finally, in this paper, the different segmentation algorithms have compared objectively.Keywords：Superpixels；
5、Clustering；K-means；SLIC；SEEDS目 录目录目 录4第1章 引言1第2章 超像素的应用22.1 目标识别22.2 遥感图像分类22.3 医学影像2第3章 超像素方法综述43.1 基于图论的算法43.1.1 Normalized Cuts算法43.1.2 Superpixel Lattice算法43.1.3 Graph-based算法43.2 基于梯度上升的算法43.2.1 Mean-shift算法53.2.2 Turbopixels算法53.2.3 SEEDS算法53.3 超像素算法比较73.3.1 计算复杂度73.3.2 分割效果7第4章 SLIC分割算法94.1 S
6、LIC算法基本原理94.2 SLIC算法步骤94.3 SLIC距离计算114.4 孤立点处理114.5 SLIC算法优缺点124.6 SLIC算法改进124.6.1 改进原理124.6.2 改进结果13第5章 实验结果与分析145.1 实验环境145.2 SLIC算法与SEEDS算法的比较145.3 改进SLIC算法运行结果15第6章 结论18第1章 引言第1章 引言图像分割基于像素的强度、颜色、纹理等特征的相似度把图像分割为多个子区域（超像素）。超像素算法把图像中的像素分割为有感知意义的原子区域，从而替代传统像素网格的刚性结构。超像素可以获取大量的图像冗余信息，从而极大地减小接下来图像处理任
7、务的复杂度，是后续图像分析任务的预处理步骤1。现今，超像素已经成为了许多计算机视觉任务的关键一步，在身体模型估计、目标定位、深度估计等领域应用十分广泛。在2003年，任和马利克提出了超像素的概念2，他们定义超像素是按照经典完全形态理论组合像素，从而对图像进行过分割的结果。现今有很多超像素算法，它们都各有各的优、缺点，因此他们的适用领域都不尽相同。如果边缘保持度是最重要的需求，那么基于图论的方法也许是最好的选择。对于所有的需求而言，很难说对哪个算法效果是最好的，但理想中的超像素算法通常具有以下优势：1)超像素应该与图像边缘相吻合。2)当作为一个减小计算复杂度的预处理步骤时，超像素算法必须要计算迅
8、速、节省内存、便于使用。3)当用于分割时，超像素算法既要运行迅速又要有高质量的分割效果。一个具有较高使用价值的超像素算法，必须要效果好、运算速度快且简单易用。然而，现今的超像素算法很少能完全满足这些需求，存在分割质量差、内存消耗大、需要多重难调参数等多种问题。本文第三章对当前主要的算法做了简单的分析和比较，评估了他们的速度、边界保持度以及对分割效果的影响。经过比较，可以发现SLIC算法是比较好的一个算法。SLIC算法采用改进后的K均值聚类算法来更高效地产生超像素。SLIC算法复杂度只有O(N)。SLIC算法不仅非常的简单易用，而且在伯克利数据集上运行时，SLIC边界保持度仍然达到了当前最好算法
9、的水平。当在PASCAL和MSRC数据集上运行时，SLIC算法的分割效果超过了当前的所有算法。本文主要研究实现了彩色图像超像素分割算法中的SLIC算法，将其与其他先进算法进行比较。18第2章 超像素的应用第2章 超像素的应用 超像素分割是一种越来越流行的图像与处理步骤，在计算机视觉领域得到了广泛的应用，比如图像分割，图像分析，3D重建和目标跟踪等领域。与基于像素点相比较，基于超像素的方法跟符合人类的认知，并且消除了巨大的冗余信息。人们普遍认为，超像素分割需要具备一下特点：首先，超像素应该具有很好的边界保持度，并且每个超像素都不应该与多个目标有交集。其次，超像素分割作为一个预处理步骤，必须要有足
10、够小的算法复杂度，也就是说运行时间要足够短。最后，对人类视觉认知比较重要的图像全局信息也要被适当的考虑在内。 基于超像素而非像素点进行图像分析与处理，能极大提高处理的速度，在某些情况下甚至可以提高效果。比如，一些基于图的算法采用超像素时能使速度加快2到3倍。 随着硬件的不断发展，通过计算机来进行图像处理与分析变得越来越重要，比如在医学影像、数码摄像、监控、遥感等领域得到了广泛应用。进行图像分析与处理时，超像素分割是基本的与处理步骤。在实际应用时，超像素分割需要有好的分割效果和快的分割速度。下面介绍超像素在几个典型的视觉任务中的应用，包括目标识别、遥感图像分类和医学影像分割。在进行任务时，超像素
11、能够提升算法的性能，并且能减少计算成本。就本文考虑到的应用而言，SLIC算法总体要好于其它的先进的超像素方法。2.1 目标识别目标识别是指从其它目标中区分出特殊目标的过程。目标识别技术已普遍应用于空间技术、国民经济和国防等范畴。它包括两个方面：两个非常相似目标的识别、一种类型的目标和其他类型目标的识别。合理的进行超像素分割，是目标识别面对的首要任务。比如，在按下智能数码摄像机的快门时，要求能够在较短的时间内完成目标识别，并按照识别结果进行参数调节，从而实现智能拍摄。因此，就要求超像素分割算法务必是极快的。2.2 遥感图像分类只要是纪录了各种地物电磁波大小的胶片（或相片），都称为遥感影像，在遥感
12、中主要是指航空像片和卫星相片。随着遥感技术的不断发展，高分辨率的遥感影像广泛应用于各种领域，并发挥着重要的作用比如环境、测绘等。传统的遥感图像分类是基于像素点的，这种方法计算量大，并且对于高分辨率的图像分割效果比较差。因此，要对高分辨率遥感图像进行场景分类，分类最小单元不能再取像素点而要选用超像素。这样消除了基于像素点带来的噪声和边界误判现象。为了充分利用高分辨率遥感影像的信息，从而更加准确的对目标进行分类，因此深入研究基于超像素的遥感图像分类方法有很重要的意义。2.3 医学影像医学影像是指以非侵入性的方式获得人体内部组织图像的技术，以便为医疗或医学研究服务。它通常包含两个研究方向：医学成像系
13、统和医学图像处理3。医学影像经过计算机的处理后，能够将人的身体结构数字化，实现对人体结构细节的精确模拟，为病情的诊断提供更精确的信息，从而提高诊断的准确性。如图2-1(a)肝CT肿瘤图，通过计算机的算法进行定量分析，准确的将肿瘤边界定位3。肿瘤影像进行图像分割处理后，能够得到肿瘤直观清晰的三维影像信息，以便进行进一步的诊断和治疗3，如图2-1(b)所示。再如图2-1(c)，利用图像分割技术可将大脑小脑的脑白质、脑灰质、脑干、脑汁等分割开来，经过计算机图像处理呈现图2-1(d)所示的三维立体影像，大脑，小脑等清晰可见，为医学领域很多脑分析、脑治疗等提供直观的三维影像信息3。(a)肝CT肿瘤图 (
14、b)肝CT肿瘤三维影像 (c)脑MR图 (d)脑MR三维图医学影像分割是指采用数字化仪器和计算机，对影像中发生病变的部位进行科学、精确的分析，提取出影像中感兴趣的特殊目标或组织，从而实现三维模型重建。医学影像分割的关键是怎样完成对影像数据的精确、迅速分割。三维重建模型的精确性将会受到影像分割效果的直接影响。所以，如何为不同的人体部位和器官，找到合适的分割方法是非常重要的。现今，很多研究人员都提出了许多很好的图像分割方法。第3章 超像素方法综述第3章 超像素方法综述超像素分割算法大体上可以分为两类：基于图论的算法和基于梯度下降的算法。3.1 基于图论的算法基于图论的算法，将图像看作带权的无向图G
15、=V，E，W，其中V为图的结点集，也就是图像的像素集，E为两两结点间的边集，而W代表了两结点之间的权重值，权重值一般通过像素颜色、亮度、纹理等特征来决定4。Normalized Cuts5、Superpixels Lattices6、Graph-based7方法等都属于这种类型。3.1.1 Normalized Cuts算法Normalized Cuts算法也称为归一化割算法，该算法通过估计图像的纹理和轮廓，迭代的对图像进行分割。归一化割算法将图像分为几个区域，不同区域之间的相似度用cuts来表示。石和马利克8提出了一个规范化的标准来衡量和计算分割效果，并且计算出NCuts值来作为衡量标准。Normalized Cuts算法生成的超像素大小一致、整齐紧凑，但是复杂度很高，该算法复杂度为O（N3/2），其中N为像素的个数。具体算法步骤：1. 给定一幅图像，映射为一个加权无向图，为每一条边构造一个权值函数，以便来衡量节点之间的相似性。2. 利用最小特征值求出对应的特征向量3. 找出具有最小特征值的特征向量y，利用特征向量y 将图一分为二，在向量y 中选择一个分割数值，将特征向量
