基于云模型的图像分割方法研究

《基于云模型的图像分割方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号TP391.9密级公开UDC004.94学位论文编号D-10617-308-(2016)-02025重庆邮电大学硕士学位论文中文题目基于云模型的图像分割方法研究英文题目ImageSegmentationMethodbasedonCloudmodel学号S130201025姓名何菲菲学位类别工学硕士学科专业计算机科学与技术指导教师王国胤教授完成日期2016年4月5日重庆邮电大学硕士学位论文摘要摘要图像分割是图像处理过程中重要的环节，其目的是从复杂的图像信息中提取所需要的图像信息。图像处理的过程是人类对图像认知的过程，由于图像本身存在的不确定性和人类对图像认知的不确定性，导致了已有算

2、法在图像分割中不能得到精确化结果。云模型是一种定性概念与定量数值之间的双向转换模型，反映了认知过程中概念的不确定性，能够利用其双向认知变换对图像中的不确定性信息进行处理。本文利用云模型为理论基础从图像信息层面和算法层面提高图像分割质量。主要内容包括：(1)提出一种以云模型为基础，融入空间信息的多粒度彩色图像分割方法。首先，非均量化HSV颜色空间的三个通道，得到一维特征矢量和频率分布，通过逆向云变换算法得到图像的多个云粒的分布图，即进行了初始概念的提取。同时，融合图像本身的信息特征，通过Sobel算子计算图像的区域距离和颜色距离作为云粒合并的参考准则。最后利用云模型的“3En”规则完成图

3、像的目标分割处理，实验结果表明该方法提高了图像分割的正确率。(2)提出了一种基于改进自适应高斯云变换算法的遥感图像分割方法。遥感图像信息量大、结构复杂，需要对其进行多粒度、多层次的分析处理。混合高斯模型可以将任意频率分布函数转换为多个高斯分布的叠加，基于混合高斯模型的云变换是一种多粒度问题求解的新方法。本文以自适应高斯云变换算法为基础，首先利用K-MEANS聚类方法优化初始粒度的选择，然后利用幅度云综合方法改进云合并方法，即粒度跃升策略，最后进行粒度区域划分，进而对遥感图像进行分割。实验结果证明了本文方法的正确性和有效性。关键词：云模型，不确定性，云变换，多粒度，图像分割I重庆邮电大学

4、硕士学位论文AbstractAbstractImagesegmentationisacrucialsectionintheprocessofimageprocessing,aimingtoextractthespecifiedinformationfromcompleximageinformationsystem.Theprocessofimageprocessingistheprocessofhumancognizeimage.Duetotheuncertaintybothonimageitselfandhuman-beings’cognition,wecannotconductpr

5、eciseresultsbasedontheexistingalgorithmsinimagesegmentation.CloudModel,asacognitivetransformation-bidirectionalmodelbetweenqualitativeconceptsandquantitativevalues,reflectstheuncertaintyoftheconceptincognitiveprocesses,andmakesfullyuseofbidirectionalcognitivetransformationtoprocessit.Thisstudyse

6、ekstoimprovetheimagesegmentationqualityonimageinformationandalgorithmintermsofCloudModel,andthedetailsinclude:(1)Proposingamulti-granularitycolormethodofimagesegmentationwithinspatialinformation-mixing,accordingtoCloudModel.First,thewayofnon-uniformquantifyingthreechannelsontheHSVtoattainonedime

7、nsionalfeaturevectorandfrequencydistributionthatleadstothemulti-particledistributionviareverse-cloudtransformationalgorithm.Namely,itextractstheinitialconception;second,takingregiondistancesandcolordistancesasreferencesforcl