基于区域的图像分割方法

《基于区域的图像分割方法》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、硕士学位论文基于区域的图像分割方法StudyonRegionBasedImageSegmentationMethods作者姓名：筐董塑学科、专业：：ij：篡扭廛旦丝苤学指导完成号教师¨J}JJ2鲤Q1239翌盐熬壤2QQ三!E12』jDalian[1Ilivcl。silyol’Tcclmology摘要图像分：刊是计算机视觉中的‘个经典难题。本文对基于区域的幽像分割技术进行了深入研究。存力法学_J：，重点研究了三类算法，l；!

2、J暴于分水岭变换的图像分割算法、聚类算法、基j二图沦的图像分割算法，并提出了基于分水岭变

3、换和核聚类的图像分割方浊及融合分水岭变换和图论的图像分割方法。分水岭算法假设二维图像是一个二维地形图，图像的灰度表示地形的高度，分水岭变换就是模拟该地形图侵入水的过程。分水岭算法有着较好的鲁棒性，但是却容易形成过分割。聚类分割算法也。直是众多图像分割方法中较常见的种。由于图像的大数掘量性质，传统的聚类分割不只相当耗时，而且有效性也有待加强。存基r分水岭变换和核聚类的图像分割方法中，针对分水岭变换过分割的缺点，本文提出用核聚类算法进行区域的合并。核聚类的优势在于利用Mercer核函数把样本映射到高维特征空闯，增加了

4、对样本特征的优化，在高维特征空间中进行聚类，往性能I：比经典的聚类算法有较人的改进。基于闲论的图象分割方法是近年来国际上图象分割领域的一个新的研究热点，但把劁像l一}J的每个像素或者特征点看作图rrl的一个节点，随着图中节点数的增大，问题的求解将变得异常费时。在融合分水岭变换和图论的图像分割方法巾，本文把分水岭变换后的小区域看作建立的无向带权图的节点，再结合各小区域的灰度和空问信息从伞局角度用Normalized(：【-t方法在区域之间进行分割，产生最终的分割结果，并且该方法是一种全自动的分割方法。关键词：图像分

5、割；分水岭变换；核聚类；图论；NormaIizedCut人连理I．入学硕L学位论文StudyonRegionBasedImageSegmentationMethodsAbstractImagesegmentationisakeyproblemincomputervision．Theregion-basedimagesegmentationmethodisstudiedinthispaper．inmethodology，threeaspectsaremaderesearch：watershedtranslation

6、basedimagesegmentationmethod，kernelclusteringandgraphtheorybasedimagesegmentationtechnique．Twokindsofsegmentationalgorithmareproposed：imagesegmentationbasedonwatershedtransform，kernelclusteringandimagesegmentationapproachbycombiningwatershedtranslationandgrap

7、htheory．Animageisregardedasatopographicsurface．Grayvaluesdenotealtitude．Watershedtranslationistheprocessthatthesurfaceisimmersedinthewater．Watershedalgorithmprovidestheadvantagesofstabilizationandspeediness，butispronetoover—segmentation．Clusteringalgorithmisw

8、ell—knownsegmentationmethodinimageproject．Consideringlargequantitydataofimage，classicalclusteringalgorithmsarepoorinspeedandaccurateness．Kernelclusteringalgorithmisusedtomergingsmallpartitionseparatedbywatershedtranslationintheimagesegmentationmethodbasedonwa

9、tershedtransformandkernelclustering．Kernelclusteringmapsthedataintheoriginalspacetoahigh—dimensionalfeaturespacebyusingmercerkernelfunction，andoptimizestheinitialdata．Therearegreatimprove