《基于粒度分层原理的图像分割算法.doc》由会员分享，可在线阅读，更多相关《基于粒度分层原理的图像分割算法.doc（5页珍藏版）》请在三一办公上搜索。
1、精品论文基于粒度分层原理的图像分割算法李恩群 1，谢克明 1，郝晓丽 21.太原理工大学信息工程学院，山西太原（030024）2.太原理工大学计算机与软件学院，山西太原（030024）E-mail: kmxie摘要：鉴于传统图像分割算法的各自本身的弊端，因此本文应用粒度分层原理对传统图像分割算法进行改进，利用粒度分层原理中的粒度分层和粗细粒度，并结合图像分割算法中典 型的区域分割算法，提出了一种基于粒度分层原理对图像进行分割的算法，并通过实验证明， 把粒度分层原理和图像分割算法相结合，是具有现实基础和推广应用的价值。 关键词：粒度分层；图像分割；区域- 5 -1. 引言图像分割是图像处理、模式
2、识别和人工 智能等诸多领域中一个十分重要的课题，是 计算机视觉技术中关键步骤。图像识别的基 础是图像分割，图像分割是图像识别和图像 理解的前提，图像分割质量的好坏直接影响 后续图像处理的效果，因此图像分割的作用 是至关重要的。文献1结合粗糙集理论和 K-均值聚类算法,提出了一种图像的粗糙聚 类分割方法,这种方法比采用其他算法求聚 类的中心点的位置和个数减少了运算量,提 高了分类精度和准确性，文献2通过结合 FCM 聚类算法和粗糙集,提出了一种新的 图像分割方法，这种方法和FCM 方法相比, 可以降低错分率,且对模糊边界区域的分割 效果较好。但是这两种方法都采用了聚类算 法，而在选1择聚类法则时
3、，没有统一的规 则选择方法，运算复杂，运行速度慢。因此 本文把粒度分层原理和区域分割算法结合 起来，避免了上述问题，实验证明此方法具 有运算速度快，对图像的分割效果好的特 点。2. 传统的图像区域分割算法区域分割的实质就是把具有某种相似 性质的像素连通,从而构成最终的分割区域。1本课题得到山西省自然科学基金项目 (200051037)，高等学校博士学科点专向科研基金 (2006112005)的资助。基本思想是根据图像数据的特征将图像空间划分为不同的区域。常用的特征包括:直 接来自原始图像的灰度或彩色特征;由原始 灰度或彩色值变换得到的特征。方法有阈值 法5、区域生长法6、聚类法7、松弛法8 等
4、。区域生长方法从若干种子点或种子区 域出发,按照一定的生长准则,对邻域像素点 进行判别并连 接,直到完成所有像素点的连接。其中种子点 可采用人机交互或自动方法设定。这种方法 的关键在于种子点的位置、生长准则和生长 顺序等。首先在待分割的每个区域中选择一个 种子点作为生长的起始点，然后在种子点的 领域中搜索那些与种子点的相似特征度满 足指定生长准则的像素，并与种子点所在区 域合并。此时将新合并的像素作为新的种子 点，继续以上搜索和合并过程，直到没有可 以合并的像素为止4。该算法的特点为： 该算法由于利用了区域的灰度均值，算法的 抗干扰性能好，尤其对白噪声图像分割效果 改善明显。如果区域间边缘的灰
5、度变化很 平缓，或者两个区域对比度弱，会将不同的 区域合并。改善的方法是增加区域的均匀性 测度度量。区域增长的两个决定性因素是 区域的核心（代表区域的起始点或点集）， 区域的均匀性测度以及阈值。3. 图像分割中的粒度分层理论3.1 粒度分层原理灰度级200，255可不予考虑。对剩下的灰度级给出重要性定义。定义S粒计算的基本问题主要包括两个方面：重要性 K 为：K = i n S（ i = 1,2, L , n ）一是如何构建信息粒，另一个是如何利用粒 去计算。前者处理粒的形成、粗细、表示和语义解释，而后者处理怎样利用粒去求解问 题。本文属于后者，利用粒计算理论中的分层原理处理图像，对图像进行较
6、好分割3。信息粒的粗细影响着计算复杂度和问 题的求解效率。在问题求解过程中，同一个 粒度世界或不同粒度世界所要求描述的信iii =1其中, i 为主要灰度等级的划分，如 i = 1 ， 像素灰度级 P 范围为0-50； S i 为灰度级 Pn范围为0-50的像素个数， S i 为所有灰度i =1级的总像素个数。因此它们各自的重要性分 别为：K1息含量和相互变换决定了信息粒的粗细优K化。粒计算的目的就是在误差允许的范围2内，尽量找到计算复杂度最小的足够满意的K 3=43756/65536=0.668，=3416/65536=0.052，=1462/65536=0.022，可行近似解，以降低计算复
7、杂度。显然，在 问题求解时选择恰当的粒度层次，可使求解 粒效度达到最佳。3.2 图像分割算法（1）区域重要性定义 设像素的灰度级为 x P (P = 0,1, L ,255) ，原256灰度级图的灰度值范围为0，255，大 概可分成5 个灰度级 ， 分别为:0-50 ）； 50-100)；100-150)；150-200)；200-255 每个灰度级代表不同的区域，将图像分成了 多个区域。图1 待分割图像区域划分如图1所示，我们考虑图像分割所关心 的区域（区域1、区域2、区域3和区域4）后， 在灰度级0，200）这个范围内把图1中所标 注的四个区域都已包含了，因此，最后一个K 4 =2769/
8、65536=0.042。可以看出灰度级0-50）是最重要的粒度层， 其它灰度级别按其重要性来进行考虑。（2）图像分割算法本文把粒度分层原理和区域分割算法 结合来对图像进行分割。首先进行图像的粗 分割，粗略指定种子点个数，如图 3（a）、 图 4（a）和图 5（a）所示，分别选择了 3 个，4 个和 5 个种子点，根据指定的种子点 个数我们把图像分成相应的粒度层，按照不 同的粒度层对图像进行分割，粒度层选取的 不一样，分割出来的图像效果也不一样，如 图 3（b）、图 4（b）和图 5（b）所示的分割 后图像；然后我们从中选出最适合这幅图像 分割的粗粒度层，也即粗粒度层所选用的种 子点个数；最后我
9、们已选定的粗粒度层的基 础之上再对图像进行细分割，根据种子点的 位置以及阈值的大小对图像进行细粒度划 分，初步根据阈值的大小把图像分层三个粒 度层，再对每一层进行图像的细分割，根据 在不同粒层之上图像的分割效果（如图 4（b）、图 6（b）和图 7（b）分割后图像） 进行比较，选择出最好的粒度层，即最合适的种子点位置和阈值（如图 4（b）所示）。基于粒度分层原理的区域生长算法框图如 图 2 所示。图 2 基于粒度分层原理的区域生长算法框图算法步骤：步骤 1：对待分割图像进行区域化分，尽量 把相同像素级归为一个区域；步骤 2：对步骤 1 化分出来的区域进行重要 性判定，分割效果判断主要依据各区域
10、的重 要性；步骤 3：进行粗粒度分割，指定种子点个数， 主要依据所划分的区域个数，选择出最佳的 粗粒度层；步骤 4：进行细粒度分割，对种子点位置和 阈值进行调整，选择出最佳的细粒度层，分 割结束。种子点位置选取主要依据像素级最 集中的范围内。对最佳粒度层的选取主要依 据分割评价标准。对本文还可直观地依据分 割后图像的完整性（4 部分区域是否都分割 出来了）。4. 实验仿真4.1 实验设计本文是在 MATLAB 软件环境下，结合 粒度分层原理编写的区域生长算法而得出 以下的实验结果。(a)种子点选取位置(b)分割后图像 图 3 3 个种子点分割(a)种子点选取位置(b)分割后图像 图 4 4 个
11、种子点分割(a)种子点选取位置(b)分割后图像 图 5 5 个种子点分割由图 3、图 4、图 5 对比可知，粗分割 时，我们着重对种子点个数的选择，对图 1 所示的图像选择 4 个种子点时效果最好，因 为对这幅图像来说，它主要的灰度级有 4 种。 当你选择少于 4 个种子点时，被漏选的那个 灰度的图像就没有被分割出来。而当你选择5 个或 5 个以上种子点时，分割图像效果并 没有更好，反而使运行速度变慢了，多而无 益。因此区域生长法中种子点个数的选取很 重要，不同数目的种子点会导致不同的分割 结果，也就是要决策最佳的粗粒度层。在此基础上我们再进行细分割，即选择 主要的 4 个灰度级作为种子点，改
12、变种子点 位置及相应的阈值，可得到图 6 和图 7 所显 示的结果。(a)种子点选取位置(b)分割后图像 图 6 4 个种子点，位置、阈值调整(a)种子点选取位置(b)分割后图像 图 7 4 个种子点，位置、阈值调整由图4、图6、图7对比可知，在进行图像 的细分割时，当选择不同的阈值以及不同的 种子点位置时也会大大地影响图像的分割 效果，细粒度层的选择也是至关重要的。4.2 分割评价我们采用定量实验的评价准则来对图3（b）至图7（b）分割后图像进行评价。目 前主要的评价准则有区域间对比度、区域内 部均匀性、形状测度、目标计数一致性、像 素距离误差、像素数量误差、最终测量精度 9。本文主要采用区
13、域间对比度（GC）、目 标计数一致性和最终测量精度3个指标进行 简单评价。如表1所示。表1 图像分割评价评价指标对比度目标计数最终测由上表可以看出，种子点选取少了，图像不能完全分割出来，种子点选取多了，效 果变化不大，反而增加了运行时间；此外， 种子点位置的变化及阈值的改变对图像的 分割效果都有影响。因此，在进行图像分割时，选择好具体 的粗细粒度，对图像分割有很大的影响，同 时，在进行具体的粗细分割时，要根据所选 用的分割方法来确定所选的粗粒度层和细 粒度层。本文通过结合粒度分层原理和区域 生长分割算法，成功地对图像进行了分割， 效果很好。5. 结论本文成功地应用了粒度分层原理对图 像进行分割
14、。基于粒度分层原理的粒度分 层和粗细粒度，并结合图像分割算法中典 型的区域生长分割算法，提出了基于粒度 分层原理对图像分割的算法，实验证明， 此算法不但可行，并且有很好的分割效果。参考文献1 邵锐,巫兆聪,钟世明.基于粗糙集的K-均值聚类 算法在图像分割中的应用.测绘信息与工程 Journal of Geomatics.2005,30(5):122 张东波,王耀南.FCM 聚类算法和粗糙集在医疗 图像分割中 的应用 . 仪器 仪表学报 . 2006,17（12）:168316873 谢克明等. 粒计算的基本问题和研究. 计算机 工程与应用.2007,43（16）:41444姚敏等. 数字图像处
15、理. 北京 : 机械 工业 出 版社.2006 年 1 月5 Brink A B. Gray level thresholding of images using a correlation criterion. Pattern RecognitionLetters , 1989 ,9 :3353416 Hall L O ,Bensaid AM,Clarke L P , and Velthuizen RP et al . A comparison of neural network and fuzzy clustering techniques in segmenting图3（b）0.3536
16、10.51.4935图4（b）0.4883711.3117图5（b）0.4883711.3117图6（b）0.353610.51.4935评价对象GC一致性量精度magneticresonance images of the brain. IEEE Trans. NeuralNetworks , 1992 , 3(5) : 6726817 Tremeau A , and Borel N. A Region Growing andMerging Algorithmto Col2 or Segmentation. PatternRecognition , 1997 ,30 :119112038 戴
17、剑彬, 张大力. 图像分析中的松弛标记法. 中 国图象图形学报,1998 , 3A(2) : 9699图7（b）00.252.31179 张超,张家树.智能图像分割方法研究D. 西南交通大学,2005Image Segmentation Algorithm Based On The Theory OfGranular HierarchyLi Enqun1, Xie Keming1, Hao Xiaoli21.Tai Yuan University Of Technology（030024）2. Tai yuan University of technology（030024）AbstractD
18、ue to defects of the traditional image segmentation methods, the paper introduce a new algorithm bycombining the theory of granular hierarchy with traditional image segmentation. According to the coarse or fine granularity, we choose typical methods of region segmentation in image segmentation, and finally put forwardthis image segmentation algorithm based on theory of granularity hierarchy. The experiments have proved that the combination of theory of granularity hierarchy and image segmentation has realistic and applied value.Keywords：Granularity; Hierarchy; Image segmentation
