圖像線結構提取與區(qū)域分割方法研究.pdf

1、圖像中的線結構通常是指用來定義目標形狀的輪廓或劃分區(qū)域的邊界，它們?yōu)閳D像的分析與理解提供了簡潔可靠的形狀特征表達。另一種與線結構提取密切相關的技術是圖像的區(qū)域分割，它是指將圖像中具有不同統(tǒng)計特性的區(qū)域分離開的技術。一方面，它不僅可以提供由區(qū)域的輪廓或邊界構成的線結構信息，另一方面，由于在分割得到的每個區(qū)域內(nèi)，像素具有相似的統(tǒng)計特性，因此，區(qū)域可以被近似地看成為一個整體，通過對每個區(qū)域進行特征提取，還可以為圖像的分析和理解提供一種簡潔可靠

2、的區(qū)域特征表達。
　　 目前，在圖像處理與計算視覺領域，對線結構提取與區(qū)域分割技術的研究雖然取得了長足的進步，但二者仍然沒有徹底的解決方案，依然是兩個開放的課題。由于二者均可以為高層視覺的處理，如目標識別和場景分類等，提供重要的特征表達，所以一直都是具有重要意義的研究課題。
　　 對于線結構提取的研究，本文采用小的直線段作為線結構的組成單元，在標記點過程框架下，對圖像中的線結構建立了數(shù)學建模。采用該模型的優(yōu)勢在于，在對模

3、型求解的過程中可同時完成線結構組成單元的檢測和空間感知聚集。通過對合成圖像與真實圖像進行試驗，結果顯示本文方法不但能夠有效提取出圖像中顯著的線結構，同時還能抑制那些由紋理或復雜背景產(chǎn)生的干擾邊緣。
　　 對于區(qū)域分割的研究，本文將其視為對像素的特征向量進行聚類的問題，為此提出了一種魯棒性良好的特征空間聚類算法，與經(jīng)典聚類算法相比，當特征空間中數(shù)據(jù)的分布較為復雜時，由本文聚類算法得到的結果能夠更好的保持數(shù)據(jù)原有的類屬關系。由于本文

4、聚類算法的魯棒性，我們只需在L*a*b*顏色空間上完成對像素的聚類，即可得到滿意的圖像區(qū)域分割結果。此外，對于每幅圖像，為了得到滿意的分割結果，如何自動選取可調(diào)參數(shù)的取值，一直是各圖像分割方法在實際應用中的一個難題。本文基于最小描述長度的理論，對如何自動選取可調(diào)參數(shù)的取值提出了一個解決方案。最后，為了驗證本文區(qū)域分割方法的有效性，實驗在Berkeley圖像分割數(shù)據(jù)庫上完成，并與現(xiàn)有的幾種主流圖像分割方法進行了比較。
　　 對區(qū)域

5、分割結果進行定量地評價同樣具有重要意義，在計算視覺領域，目前仍然沒有一個標準的定量評價準則。本文提出了一種新的圖像分割結果評價方法。通過定義多個手工標注的分割結果之間在像素上的感知一致程度，賦予每個像素不同的權重。感知一致程度越高，像素的對應權重就越高，最后計算出加權后的Jaccard指數(shù)，作為待評價分割結果的最終評價指數(shù)。實驗顯示，本文提出的評價指數(shù)更能反映出人類視覺感知對圖像分割的理解。
　　 對圖像中的顯著區(qū)域進行分割對于